通过基于迁移学习的输入-输出解耦网络生成不相关残差变量用于化工过程故障诊断
机器学习
2024-04-30 v1
摘要
在过去几十年中，结构解耦在基于模型的故障隔离与估计中发挥了重要作用，得益于对角传递矩阵设计，它促进了准确的故障定位与重构。然而，传统方法在对高维非线性和大数据进行建模时效果有限，且解耦思想在数据驱动框架中尚未得到充分重视。深度学习以其处理大数据和复杂特征提取的能力而闻名，近期已被用于开发残差生成模型。然而，它缺乏与解耦相关的诊断设计。为此，本文提出了一种用于诊断目的的基于迁移学习的输入-输出解耦网络（TDN），它由一个输入-输出解耦网络（IDN）和一个预训练的变分自编码器（VAE）组成。在 IDN 中，通过 diagonalization 和并行计算操作生成不相关残差变量。在迁移学习阶段，根据 VAE 的损失和最大均值差异损失提供正常状态的知识，以指导 IDN 的训练。训练完成后，IDN 学习了从故障到正常的映射，从而同时作为故障检测指标和估计的故障信号。最后，通过一个数值例子和一个化学仿真验证了所开发的 TDN 的有效性。
引用
@article{arxiv.2404.18528,
title = {Generation of Uncorrelated Residual Variables for Chemical Process Fault Diagnosis via Transfer Learning-based Input-Output Decoupled Network},
author = {Zhuofu Pan and Qingkai Sui and Yalin Wang and Jiang Luo and Jie Chen and Hongtian Chen},
journal= {arXiv preprint arXiv:2404.18528},
year = {2024}
}