华东交通大学电气与自动化工程学院，江西 南昌 330013
收稿日期:2019-12-24修回日期:2020-03-07出版日期:2020-12-22发布日期:2020-12-22通讯作者:衷路生基金资助:基于深度学习的高铁轮轨系统故障诊断研究;面向高速轮轨滚动系统安全预警的正则化辨识研究;面向高速轮轨大数据的深度学习与分类研究;大数据环境下稀土萃取过程的辨识建模研究;面向高速轮轨系统服役性能评估的辨识建模研究Fault diagnosis for chemical processes based on deep residual network
Lusheng ZHONG*, Xiangming XIACollege of Electrical and Automation Engineering, East China Jiaotong University, Nanchang, Jiangxi 330013, China
Received:2019-12-24Revised:2020-03-07Online:2020-12-22Published:2020-12-22摘要/Abstract
摘要： 本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法，可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题，且使用批归一化(BN)方法，可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验，并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比，进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响，最后，通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明，模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率，表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类，表明所提出的DRN模型能够对故障进行准确诊断。
引用本文
衷路生 夏相明. 基于深度残差网络的化工过程故障诊断[J]. 过程工程学报, 2020, 20(12): 1483-1490.
Lusheng ZHONG Xiangming XIA . Fault diagnosis for chemical processes based on deep residual network[J]. Chin. J. Process Eng., 2020, 20(12): 1483-1490.
使用本文
导出引用管理器 EndNote|Ris|BibTeX
链接本文:http://www.jproeng.com/CN/10.12034/j.issn.1009-606X.219374
http://www.jproeng.com/CN/Y2020/V20/I12/1483
参考文献
相关文章 5
| [1] | 李佐虎. “过程工程学”的由来及对“不可逆循环过程”的研究[J]. 过程工程学报, 2019, 19(S1): 3-9. |
| [2] | 张祥 崔哲 董玉玺 田文德. 基于VAE-DBN的故障分类方法在化工过程中的应用[J]. 过程工程学报, 2018, 18(3): 590-594. |
| [3] | 李佐虎. 从“酸碱联产”到“化学工程学”理论基础的重新定位----生态循环工程学的由来[J]. 过程工程学报, 2017, 17(3): 427-432. |
| [4] | 刘会洲郭晨常志东杨超李洪钟陈家镛. 化工过程纳微结构界面预测与调控展望[J]. , 2008, 8(4): 660-666. |
| [5] | 郭慕孙杨纪珂. 过程工程研究[J]. , 2008, 8(4): 625-635. |
PDF全文下载地址:
http://www.jproeng.com/CN/article/downloadArticleFile.do?attachType=PDF&id=3551
