面向高维状态监测信号的故障检测特征学习
人工智能
2019-08-27 v2
摘要
复杂工业系统由大量异构传感器持续监测。其运行条件的多样性与可能的故障类型使得收集足够数据以学习所有潜在故障模式变得不可能。本文提出一种集成式自动无监督特征学习与单类分类的故障检测方法，其训练仅使用健康状态数据。该方法基于堆叠极限学习机（即层次极限学习机，HELM），由一个执行无监督特征学习的自编码器与一个监控测试数据到训练健康类距离的单类分类器堆叠而成，从而评估系统健康状态。本研究全面评估了HELM的故障检测能力，并与其它机器学习方法比较，如独立单类分类器（ELM与SVM）、这些单类分类器与传统降维方法（PCA）的结合，以及深度信念网络。性能首先在一个涵盖状态监测数据典型特征的合成数据集上评估，随后在电厂故障的真实案例研究中评估。所提出的将特征学习与单类分类器结合的故障检测算法表现出更优性能，尤其在状态监测数据包含多个非信息性信号的情况下。
引用
@article{arxiv.1810.05550,
title = {Feature Learning for Fault Detection in High-Dimensional Condition-Monitoring Signals},
author = {Gabriel Michau and Yang Hu and Thomas Palmé and Olga Fink},
journal= {arXiv preprint arXiv:1810.05550},
year = {2019}
}