论文摘要
基于数据驱动的故障检测已成为工业过程故障检测的重要手段,但其在实际应用时受限于过程历史数据的规模,往往难以取得令人满意的检测精度。针对这一问题,提出了一种样本空间重构策略,该策略基于随机采样构造同类、异类样本对,在扩充数据规模的同时,将复杂的分类建模问题转化为样本间的相似度对比问题,降低了任务的复杂度。在此基础上,引入并改进孪生卷积神经网络（Siamese CNN）结构,提出了一种基于多尺度孪生卷积神经网络（Multi-scale Siamese CNN）的化工过程故障检测方法。田纳西-伊斯曼（TE）过程数据测试结果表明,所提算法的平均故障检测准确率达到89.66%,相对于常规数据驱动的故障检测算法提高8%以上。
论文目录
文章来源
类型: 期刊论文
作者: 王翔,柯飂挺,任佳
关键词: 过程系统,故障检测,样本重构,多尺度,孪生卷积神经网络,田纳西伊斯曼过程
来源: 仪器仪表学报 2019年11期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 有机化工,工业通用技术及设备,自动化技术
单位: 浙江理工大学自动化系
基金: 浙江省自然科学基金(LY17F030024),浙江省公益技术研究项目(LGG20F030007)资助,浙江理工大学基本科研业务费专项资金(2019Q032)
分类号: TQ02;TP183
DOI: 10.19650/j.cnki.cjsi.J1905469
页码: 181-188
总页数: 8
文件大小: 1130K
下载量: 305
相关论文文献
标签：过程系统论文; 故障检测论文; 样本重构论文; 多尺度论文; 孪生卷积神经网络论文; 田纳西伊斯曼过程论文;