基于自动编码表示学习的故障检测与并发故障识别

论文摘要

在工业生产中,系统的可靠性与安全性尤为重要。系统一旦发生故障将会带来许多不可估量的损失,所以应建立有效的故障检测与识别系统。近年来,随着计算机技术与数据存储技术的发展,大量的过程数据被记录下来,这为基于表示学习的故障检测与识别方法提供了有利的支持。基于表示学习的故障检测与识别方法具有很强的通用性,适用于大规模的流程工业。实际流程工业中,实际变量服从多种不同的分布,变量之间存在高度非线性关系,不同变量的重要程度也不尽相同。传统的故障检测方法通常有着限制性假设,如线性假设,高斯分布假设等,这些假设忽略了流程工业的特点,使得各种方法无法达到预期的故障检测效果。同时,实际的工业生产中有时会同时发生多种故障。然而,相对于独立故障,并发故障的数据更加难以获取并且呈现复杂的内在模式。本文立足于故障检测与并发故障识别的研究,在深入了解过程特性,数据特点以及基于表示学习的故障检测与识别方法的基础上,提出基于自动编码表示学习的故障检测与并发故障识别策略。具体研究内容如下:（1）传统的主成分分析（Principal Component Analysis,PCA）方法对于变量有着高斯假设以及线性假设,即假设系统变量服从高斯分布,变量之间是线性关系。这些假设违背了实际流程工业的特点,难以准确描述系统。即使能够处理非线性问题的核主成分分析（Kernel Principal Component Analysis,KPCA）方法依然无法解决变量服从多种分布的问题。故障检测中T2统计量控制限的估计需要变量服从高斯分布。针对以上情况,本文提出了高斯表示学习的非线性故障检测策略。采用变分自动编码器（Variational Autoencoder,VAE）将系统的原始变量映射到服从高斯分布的表示空间,再在表示空间中建立监控统计量。VAE方法是深度神经网络的一种类型,具有多层的非线性结构,使得其能够处理变量间复杂的非线性关系。同时,VAE学习到的表示是符合高斯分布,所以很容易地建立监控统计量并估计相应的控制限。所提算法充分利用了VAE提取高斯表示与处理非线性关系的特点,改善了传统方法故障检测的性能。（2）基于距离的故障检测方法对系统的变量非常敏感,当变量很重要时检测效果会非常良好。所以基于距离的故障检测方法需要关键的表示信息。针对此种情况,本文提出了基于堆栈去噪自动编码器（Stacked Denoising Autoencoder,SDAE）鲁棒表示学习的故障检测方法。SDAE应用局部去噪标准执行分层预训练过程,将连续层堆叠在一起,并通过全局微调获得所需的深度神经网络模型。通过去噪训练和堆叠初始化,SDAE能够获得更深入的网络结构并学习系统鲁棒表示。以上优点使得SDAE能够容易地挖掘系统数据中非线性结构并学习数据中的重要表示。SDAE的体系结构都是从数据中学习得到,这保证了学习的模型能真实地反映数据特征,从而使得SDAE学习到的鲁棒表示对于后续的基于距离的故障检测算法有着重要的作用。在提取到鲁棒表示后,k最近邻（k nearest neighbor,k NN）方法被应用于表示空间以建立监控统计量并进行故障检测。所提方法充分利用了SDAE提取鲁棒表示信息的优点,降低了无效变量对基于距离的故障检测方法的影响。（3）前两种方法都是针对系统是否发生了故障,提出了相应的检测策略,只知道系统是否发生故障,无法确切知道具体的故障类型。而实际中有时需要知道确切的故障类型,针对不同的故障类型提出相应的系统恢复策略。相对于独立故障,并发故障往往更加难以识别。并发故障由多种独立故障组合而成,特征模式纠结在一起。针对以上情况,本文提出了基于堆栈稀疏自动编码器（Stacked Sparse Autoencoder,SSAE）稀疏表示学习的并发故障识别算法。实际的工业系统中存在着大量的无标签数据,而这些无标签数据同样包含了系统的大量有用信息。所以,先使用SSAE在大量的无标签数据中对深度神经网络进行逐层的预训练,预训练得到的权值作为深度网络的初始化权值。在此基础上,使用独立故障数据以及少量的并发故障数据一起微调整个分类用的深度神经网络。利用SSAE方法在大量的无标签数据中进行预训练,首先可以获取系统的一部分信息,其次由于获得的是稀疏表示,这些稀疏表示对于后续的分类任务是非常有用的。由于以上优点,所提方法获得了良好的并发故障识别性能。（4）上述并发故障识别算法考虑到了并发故障特征纠缠一起的情况,由于网络结构与训练过程简单,使用的计算成本也比较低。但是,实际中并发故障的数据有时很难获得,这就导致故障的数据量很少甚至某些并发故障的数据是缺失的。针对此问题,本文提出了基于SSAE残差迁移表示学习的并发故障识别算法。所提方法先使用SSAE进行预训练,保留部分的系统信息,获得稀疏表示。在逐层预训练的基础上构建深度残差网络。由于独立故障数据远多于并发故障数据,而并发故障是许多独立故障的组合,所以独立故障的数据可以提供一些并发故障的信息。因此,深度残差网络先在独立故障数据集中进行预训练,再将预训练得到的权值迁移到用于预测全部故障（包括独立与并发故障）的深度残差网络中。最后,将此深度残差网络在全部故障数据集中进行全局微调。由于使用了更深的深度残差网络,迁移过程复杂,该算法需要更高的计算成本。所提算法利用迁移学习与残差网络的优点,在获得独立故障信息前提下,再进行并发故障的训练,提升了并发故障识别性能。本文将提出的故障检测方法在非线性数值仿真过程与田纳西伊斯曼（Ten-nessee Eastman,TE）过程中进行了验证,取得了良好的故障检测效果。将并发故障识别算法在固体氧化物燃料电池（Solid Oxide fuel Cell,SOFC）发电系统中进行了验证,取得了良好的并发故障识别性能。

论文目录

文章来源

类型: 博士论文

作者: 张泽瀚

导师: 杨煜普

关键词: 故障检测,并发故障识别,深度学习,自动表示学习,自动编码器

来源: 上海交通大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,数学,工业通用技术及设备

单位: 上海交通大学

分类号: TB114.3

DOI: 10.27307/d.cnki.gsjtu.2019.000267

总页数: 153

文件大小: 10513K

下载量: 126

相关论文文献

• [1].面向智能光电复合缆的故障识别与定位研究[J]. 电子设计工程 2020(04)
• [2].配电线路在线故障识别与诊断技术分析[J]. 网络安全技术与应用 2020(07)
• [3].配电线路在线故障识别与诊断方法研究[J]. 山东工业技术 2015(23)
• [4].配电线路在线故障识别与诊断方法研究[J]. 中国高新技术企业 2015(21)
• [5].配电线路在线故障识别与诊断方法研究[J]. 科技创新与应用 2015(08)
• [6].煤矿智能供电系统故障识别与隔离[J]. 煤矿机械 2015(07)
• [7].煤矿主扇风机运行主要故障识别及处理[J]. 石化技术 2019(12)
• [8].配电线路在线故障识别与诊断方法研究[J]. 山东工业技术 2015(23)
• [9].配电线路在线故障识别与诊断方法的研究[J]. 硅谷 2014(22)
• [10].对于配电线路在线故障识别与诊断方法研究[J]. 科技视界 2016(09)
• [11].配电线路在线故障识别与诊断技术探究[J]. 通讯世界 2016(22)
• [12].配电线路在线故障识别与诊断方法的研究[J]. 广东科技 2013(16)
• [13].试论配电线路在线故障识别与诊断方法研究[J]. 科技尚品 2016(01)
• [14].配电线路在线故障识别与诊断方法分析[J]. 科技创新与应用 2015(35)
• [15].直流配电网故障识别和定位技术研究综述[J]. 电工电能新技术 2019(07)
• [16].配电线路在线故障识别与诊断[J]. 电子测试 2015(10)
• [17].配电线路在线故障识别与诊断方法研究[J]. 通讯世界 2015(19)
• [18].基于大数据分析技术的电网计量故障识别方法研究[J]. 中国管理信息化 2019(11)
• [19].配电线路在线故障识别与诊断方法研究[J]. 山东工业技术 2015(21)
• [20].Logistic分类算法下的配电网故障识别技术研究[J]. 电工技术 2018(24)
• [21].基于改进方向电流法的特高压直流输电线路故障识别[J]. 中国电力 2019(01)
• [22].不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究[J]. 电子测量与仪器学报 2019(03)
• [23].简单电路故障识别教学难点突破[J]. 科学大众(科学教育) 2017(03)
• [24].高压电缆故障识别一例[J]. 农村电气化 2011(01)
• [25].基于神经网络集成的声学故障识别[J]. 船海工程 2009(02)
• [26].避雷绝缘子的故障识别功能的创新与改进[J]. 中国高新区 2018(08)
• [27].基于膜计算的水电机组故障识别[J]. 内燃机与配件 2018(14)
• [28].输配电线路故障识别及处理[J]. 电子技术与软件工程 2017(10)
• [29].基于主成分修整和线性判别分析的重叠故障识别[J]. 系统工程学报 2012(05)
• [30].基于CapsNet模型的过程故障识别研究[J]. 华东交通大学学报 2020(04)

标签：故障检测论文;  并发故障识别论文;  深度学习论文;  自动表示学习论文;  自动编码器论文;