沈阳化工大学学报 ›› 2021, Vol. 35 ›› Issue (3): 256-264.doi: 10.3969/j.issn.2095-2198.2021.03.011
基于二维卷积神经网络高层数据特征学习的过程故障检测
Fault Detection Based on High Level Data Feature Learning of Two Dimensional Convolutional Neural Network
摘要：
针对化工生产过程中高维数据故障特征难以学习和提取的缺点，提出一种基于二维卷积神经网络的化工过程故障检测方法.首先，采集化工过程不同故障的数据构成训练集和测试集；然后，对训练集和测试集中对应的正常样本和故障样本标注标签；最后，将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程，数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类，比单独使用全连接BP神经网络的检测率提高了14.42 %，误报率降低了2.55 %.
中图分类号:
-
TP277
| [1] | 郭金玉, 李涛, 李元. 基于多模型SVM的多模态过程故障检测 [J]. 沈阳化工大学学报, 2023, 37(6): 533-541. |
| [2] | 李元1, 刘雨田1, 冯立伟1, 2. 基于时空近邻标准化和PCA的故障检测方法 [J]. 沈阳化工大学学报, 2024, 38(1): 52-60. |
| [3] | 郭小萍, 赵英平, 李元. 基于子块典型变量分析的化工过程故障检测 [J]. 沈阳化工大学学报, 2024, 38(1): 61-70. |
| [4] | 张成1, 赵丽颖2, 杨东昇2, 李元2. 基于LPP特征空间重构的故障检测策略 Fault Detection Strategy Based on the Feature Space Reconstruction of LPP [J]. 沈阳化工大学学报, 2023, 37(5): 472-471. |
| [5] | 谢莹, 胡范超, 刘雪伟. 基于点密度标签传播的工业过程故障分类 [J]. 沈阳化工大学学报, 2022, 36(5): 438-445. |
| [6] | 郭金玉, 刘玉超, 李元. 加权局部近邻标准化PCA的工业过程故障检测 [J]. 沈阳化工大学学报, 2021, 35(3): 265-274. |
|
||