-
题名基于DSC-BiGRU的化工过程故障诊断
- 1
-
-
作者
杨青
于桂仙
刘彦俏
吴东升
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《沈阳理工大学学报》
CAS
2022年第5期6-12,共7页
-
基金
辽宁省教育厅科学研究经费项目(LG201917)
沈阳理工大学高水平成果建设计划资助项目(SYLUXM202109)。
-
文摘
针对化工过程数据具有动态时序性以及少数故障特征不明显难以进行故障诊断问题,本文将深度可分离卷积(DSC)和双向门控循环单元(BiGRU)相结合,提出基于DSC-BiGRU的集合型故障诊断方法。首先,对数据进行归一化处理并输入DSC网络提取空域特征,并将数据降维;再将DSC的输出作为BiGRU的输入,通过BiGRU从两个方向提取时域特征;最后,通过全连接层(FC)进行故障诊断。经田纳西-伊士曼(TE)过程验证,该方法较传统方法能够有效提升化工过程的故障诊断精度。
-
关键词
故障诊断
深度可分离卷积
双向门控循环单元
集合型故障诊断
田纳西-伊士曼过程
-
Keywords
fault diagnosis
depthwise separable convolution
bi-directional gate recurrent unit
ensemble fault diagnosis
Tennessee Eastman process
-
分类号
TP277.3
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于ELSTM的集合型故障诊断方法研究
被引量：5
- 2
-
-
作者
王丹丹
陈刚
杨青
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《沈阳理工大学学报》
CAS
2020年第4期70-75,共6页
-
基金
辽宁省教育厅科学研究项目计划(LG201917)
辽宁省自然科学基金指导计划(20180550801)
-
文摘
智能的故障诊断技术是处理工业大数据的一种有效方法,该技术能够快速、高效地处理原始数据并提供准确的诊断结果。为更好提取出数据的有效信息,针对化工数据的时序性和高维非线性的特点,本文提出一种基于扩展长短期记忆网络(LSTM)的集合型故障诊断方法(ELSTM)。先用LSTM处理数据得到包含原始数据时空信息的隐层输出,然后利用卷积神经网络(CNN)从多维数据中提取特征的能力,先用1D卷积提取每一个时间序列内部的局部特征,再用2D卷积提取相邻时间序列之间存在的相互依赖特征,最终将提取的特征数据经过全连接层,得到分类结果。将ELSTM用于复杂系统的田纳西-伊士曼过程(TE),实验结果表明,所用方法比标准的LSTM网络、自编码(autoencoder)具有更高的识别准确率。
-
关键词
故障诊断
ELSTM
集合型
特征提取
田纳西-伊士曼过程
-
Keywords
fault diagnosis
ELSTM
ensemble
feature extraction
Tennessee-Eastman process
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
