基于分层深度循环神经网络的故障检测与诊断方法
机器学习
2022-12-02 v1 人工智能
摘要
提出一种基于深度神经网络（DNN）的算法用于工业装置中的故障检测与分类。所提算法具备对故障进行分类的能力，尤其是难以通过传统基于阈值的统计方法或常规人工神经网络（ANNs）检测与诊断的初期故障。该算法基于一种有监督深度循环自编码器神经网络（Supervised DRAE-NN），其利用过程沿时间域的动态信息。基于此网络，通过按相似性将故障分组为子集进行检诊，构建出一种分层结构。此外，设计了一段外部伪随机二进制信号（PRBS）并注入系统以识别初期故障。该基于分层结构的策略显著提升了对初期与非初期故障的检测与分类准确率。所提方法在基准 Tennessee Eastman Process 上测试，相较于基于多元线性模型的策略与基于非分层非线性模型的策略，分类效果均有显著改善。
引用
@article{arxiv.2012.03861,
title = {Hierarchical Deep Recurrent Neural Network based Method for Fault Detection and Diagnosis},
author = {Piyush Agarwal and Jorge Ivan Mireles Gonzalez and Ali Elkamel and Hector Budman},
journal= {arXiv preprint arXiv:2012.03861},
year = {2022}
}
备注
Under Review