CN116910617A - 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统 - Google Patents

一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统 Download PDF

Info

Publication number
CN116910617A
CN116910617A CN202310866658.XA CN202310866658A CN116910617A CN 116910617 A CN116910617 A CN 116910617A CN 202310866658 A CN202310866658 A CN 202310866658A CN 116910617 A CN116910617 A CN 116910617A
Authority
CN
China
Prior art keywords
module
production process
chemical production
data
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310866658.XA
Other languages
English (en)
Inventor
陈想
陈畴镛
张忠良
朱海瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202310866658.XA priority Critical patent/CN116910617A/zh
Publication of CN116910617A publication Critical patent/CN116910617A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于MCDLSTM‑CNN的化工生产过程故障诊断方法与系统，方法包括：获取化工生产过程中的操作变量和过程变量作为历史数据；添加故障种类标签，得到原始数据集；对数据集进行预处理并重构数据，Deep LSTM模块对时间序列数据从前向和后向控制信息的流动和处理，提取更深层次的特征信息；再将特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权；将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块提取多尺度特征，将并行卷积层的特征图进行合并，进一步提取特征；再将特征输入CBAM模块；将CBAM模块的输出作为FC模块的输入特征向量，将提取的特征映射到故障种类标签上；MCDLSTM‑CNN模型对生产过程数据进行诊断，完成故障数据分类并得到诊断结果。

Description

一种基于MCDLSTM-CNN的化工生产过程故障诊断方法及其 系统
技术领域
本发明属于化工生产过程的安全控制技术领域，涉及复杂化工生产过程的故障诊断，具体涉及一种基于MCDLSTM-CNN的化工生产过程故障诊断方法及其系统。
背景技术
随着社会经济的高速发展和科学技术的持续进步，化学工业生产设备的自动化水平不断提高，逐步朝着大规模、精密化和智能化的方向发展。然而，随着生产规模的不断扩大，生产设备和系统的结构变得越来越复杂。化工生产过程表现出高度非线性、不确定性、不稳定性和强关联性等特征。
化工生产过程属于一种特殊的动态系统，其生产环境与其他工业生产类型存在显著差异。化工生产通常在极端条件下进行，如高温或低温、高压、真空、高湿度、有毒腐蚀等苛刻环境。这些特殊条件使得安全管理变得极具挑战性。由于系统各部分之间高度耦合，一旦某部分发生故障，可能引发连锁反应，导致整个系统无法正常运行。当系统发生故障时，若工作人员无法准确识别并及时处理，轻则造成生产设备停运、生产中断，重则可能导致严重人员伤亡和财产损失，同时对环境产生不可逆的伤害。
面对化学流程工业中诊断新旧故障特征的挑战，近年来，越来越多的工程技术人员开始借助深度学习技术进行化工生产过程故障诊断，但现有技术尚存在一些不足。首先，单一网络结构无法在一个网络中同时处理大量的输入特征和复杂的模式，无法充分捕捉所有故障类型的复杂特征，特征提取能力有限。其次在化工生产过程中，不同故障类型的发生频率可能存在不平衡，单一网络结构可能在处理不均衡数据时表现不佳，导致对罕见故障的诊断能力较弱，性能受到一定限制。
然而，若仅将网络结构进行简单堆叠串联，难以充分集成多方面变量信息进行故障诊断。这是因为在化工生产过程中，不同变量之间可能存在非线性的关联，而简单的串联结构可能无法捕捉到这种复杂性，信息只能通过网络的层级流动，而无法进行跨层级的信息传递，导致网络无法有效地利用多个变量之间的复杂关系和相互影响。因此，需要迫切地探索和研究出一种技术方案，高效处理大数据中的特征提取与识别，以应对复杂化工生产过程故障诊断问题，从而提高工业过程安全生产性能与工业生产质量，检测和识别所有类型潜在的微小故障。
发明内容
针对以上技术存在的问题，本发明的目的是提供一种基于MCDLSTM-CNN的化工生产过程故障诊断方法及其系统，基于特征融合的思路，设计了一种具有出色的自适应特征学习能力的网络结构，以实现对化工生产过程更准确和全面的故障诊断能力。
本发明采取如下技术方案：
一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，包括以下步骤：
步骤S1：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障的不同种类，添加故障种类标签，得到不同故障的原始数据集；
步骤S2：对获取的化工生产过程数据集进行标准化预处理并将数据重构，深度长短期记忆网络(Deep Long Short-Term Memory，Deep LSTM)模块对预处理后的时间序列数据从前向和后向控制信息的流动和处理，从全局层面提取更深层次的特征信息；再将前面捕捉到的特征输入卷积块注意力模块(Convolutional Block Attention Module，CBAM)，在特征图的通道和空间维度上进行自适应的特征选择和加权；
步骤S3：将步骤S2的输出作为多通道并行卷积(Multi-channel ParallelConvolutional，MCPC)模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过一个独立的卷积层进一步提取特征；再将前面捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权；
步骤S4：将步骤S3的输出作为全连接(Fully Connected，FC)模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；利用训练后的MCDLSTM-CNN模型对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。
优选地，步骤S1中，使用独热编码处理生成化工生产过程故障种类标签，将其转换成数组，化工生产过程中因温度发生变化引发的故障A和因物料损失发生的故障B，其对应独热编码分别如下式所示：
A:[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
B:[0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
其中对应标签中的列为1，其余为0。
优选地，步骤S2具体包括：
步骤S2.1：数据集标准化处理采用Z-Score的处理方法，将不同尺度和范围的数据转换为均值为0，标准差为1的分布，计算公式如下：
其中xi为第i个样本点的数据，μ为样本平均值，σ为标准差，x*为归一化数据；
步骤S2.2：将化工生产过程数据集以m个时间序列作为一组，构建尺寸为m×n的输入特征图，其中m表示样本的时间长度，n表示化工生产过程中的变量数量；
步骤S2.3：Deep LSTM模块由一个双向LSTM(Bidirectional Long Short-TermMemory，BiLSTM)网络堆叠一个单向LSTM组成。BiLSTM从前向和后向综合处理当前时间步输入序列，通过提供完整的上下文信息，挖掘出化工生产过程数据中不同变量间的依赖关系。再将BiLSTM的输出作为单向LSTM的输入；
LSTM网络具体如下：
ft＝σ(Wxfxt+Whfht-1+bf)
it＝σ(Wxixt+Whiht-1+bi)
gt＝tanh(Wxgxt+Whght-1+bg)
ot＝σ(Wxoxt+Whoht-1+bo)
其中，xt表示t时刻的输入向量，ht表示t时刻的隐藏状态，ht-1表示t-1时刻的隐藏状态，ct表示t时刻的记忆单元状态，ct-1表示t-1时刻的记忆单元状态，it、ft、gt、ot分别表示输入门、遗忘门、记忆单元和输出门的输出，Wxi、Wxf、Wxg、Wxo分别为当前输入层和对应门结构之间的权重矩阵，Whi、Whf、Whg、Who分别为对应门结构与前一时刻隐藏层之间的权重矩阵，bi、bf、bg、bo分别为对应门结构的偏置向量，是逐元素乘法运算符，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数；
BiLSTM网络具体如下：
其中，和/>分别表示前向和后向LSTM在t时刻的隐藏状态，xt表示t时刻的输入向量，ht-1、ct-1表示前向LSTM在t-1时刻的隐藏状态和记忆单元状态，ht+1、ct+1表示后向LSTM在t+1时刻的隐藏状态和记忆单元状态，/>表示向量取和，ht是BiLSTM网络的隐藏状态；
步骤S2.4:引入CBAM模块，CBAM模块由通道注意力模块M1和空间注意力模块M2组成，能够在特征级别上自动地选择和强调重要的通道和空间位置，从而将化工生产过程数据变量对故障诊断任务的不同重要程度映射至特征学习的过程中。具体包括：
通道注意力模块M1：用于对通道维度的特征图进行加权处理，以提取关键的通道信息，其公式如下：
其中，Fc,i表示通道注意力模块输入特征图的第i个通道，是一个二维矩阵，表示该通道上的特征图；Wc是学习得到的权重向量，C表示输入特征图通道总数，σ表示Sigmoid函数，Mc是通道注意力模块的输出；
空间注意力模块M2：用于对空间维度的特征图进行加权处理，以捕捉重要的空间位置信息，其公式如下：
其中，Fs,i,j表示空间注意力模块输入特征图的第(i,j)位置的特征，Ws是学习得到的权重向量，H和W分别代表输入特征图的高度和宽度，σ表示Sigmoid函数，Ms是空间注意力模块的输出；
通过将模块M1和模块M2的输出进行逐元素相乘，得到CBAM模块的输出：
其中，表示逐元素乘法操作，M表示CBAM模块的输出，即经过通道和空间注意力加权后的特征图。
优选地，步骤S3具体包括：
步骤S3.1：MCPC模块采用多个并行卷积层，将多个并行卷积层的输出特征通过级联函数进行合并，具体：
Output＝concat[Conv1,Conv2,...,Convi]
其中，Output为级联函数的输出，concat[·]表示将并行卷积层提取的多个特征进行串联结合的连接层，Convi为并行卷积网络结构提取的第i个特征。
步骤S3.2：引入CBAM模块，CBAM模块由通道注意力模块M1和空间注意力模块M2组成，能够在特征级别上自动地选择和强调重要的通道和空间位置，从而将化工生产过程数据变量对故障诊断任务的不同重要程度映射至特征学习的过程中。具体包括：
通道注意力模块M1：用于对通道维度的特征图进行加权处理，以提取关键的通道信息，其公式如下：
其中，Fc,i表示通道注意力模块输入特征图的第i个通道，它是一个二维矩阵，表示该通道上的特征图；Wc是学习得到的权重向量，C表示输入特征图通道总数，σ表示Sigmoid函数，Mc是通道注意力模块的输出；
空间注意力模块M2：用于对空间维度的特征图进行加权处理，以捕捉重要的空间位置信息，其公式如下：
其中，Fs,i,j表示空间注意力模块输入特征图的第(i,j)位置的特征，Ws是学习得到的权重向量，H和W分别代表输入特征图的高度和宽度，σ表示Sigmoid函数，Ms是空间注意力模块的输出；
通过将模块M1和模块M2的输出进行逐元素相乘，得到CBAM模块的输出：
其中，表示逐元素乘法操作，M表示CBAM模块的输出，即经过通道和空间注意力加权后的特征图。
优选地，步骤S4具体包括：
步骤S4.1：全连接层FC模块采用随机失活(Dropout)正则化对当前层输入特征向量进行处理，经过Flatten层展平后，通过FC1和FC2进行全连接，FC2层采用归一化指数函数(Softmax)作为激活函数，将高级特征映射到最终的化工生产过程故障类型。
步骤S4.2：在MCDLSTM-CNN模型的训练中采用自适应动量随机优化算法(Adaptivemomentum，Adam)作为优化器，主要通过以下步骤来更新网络权重，计算梯度和平方梯度的指数移动平均值的公式如下：
mt＝β1mt-1+(1-β1)gt
其中gt是当前时间步长t的梯度，mt是梯度的指数移动平均值，mt-1是前一时间步的梯度指数移动平均值，vt是平方梯度的指数移动平均值，vt-1是前一时间步的平方梯度指数移动平均值，β1和β2是指数移动平均的衰减率；
由于m0和v0在训练开始时被初始化为0，因此指数移动平均值将偏向0；对mt和vt进行偏差校正，计算式表示如下：
其中，是mt的偏差纠正，/>是vt的偏差纠正，/>和/>是当前迭代次数t的指数移动平均衰减率；通过以下等式计算权重更新：
其中θt是时间步t的权重，θt+1是时间步t+1的更新权重，η是学习率，ε默认设置为10-8。
步骤S4.3：在训练过程中将模型输出的诊断结果与真实标签之间的交叉熵作为损失函数，具体计算公式如下：
其中yi是真实的标签值，表示样本属于第i个类别的标签值；pi是预测正确的概率，表示样本属于第i个类别的概率；C是类别的总数；log(·)表示自然对数函数；L是损失函数的值。
本发明还公开了一种基于MCDLSTM-CNN的化工生产过程故障诊断系统，用于执行上述的方法，其包括如下模块：
故障原始数据集获取模块：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障的不同种类，添加故障种类标签，得到不同故障的原始数据集；
预处理模块：对获取的化工生产过程数据集进行标准化预处理并将数据重构；
Deep LSTM模块：对预处理后的时间序列数据从前向和后向控制信息的流动和处理，从全局层面提取更深层次的特征信息；
CBAM模块：输入Deep LSTM模块捕捉到的特征，在特征图的通道和空间维度上进行自适应的特征选择和加权；
MCPC模块：将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过Conv层进一步提取特征；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行第二次自适应的特征选择和加权；
FC模块：将CBAM模块的第二次输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；
MCDLSTM-CNN模型：对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。
与现有技术相比，本发明具有如下技术效果：
1、本发明基于特征融合思路，通过Deep LSTM模块和MCPC模块，综合考虑了化工生产过程数据的时域和空间特性，将多通道特征进行拼接，以更好地挖掘历史故障数据的特征。本发明克服了因单一网络所提取特征过于片面，而导致的无法准确在复杂化工生产过程进行故障诊断的技术问题。
2、本发明引入了CBAM注意力机制，将TE过程数据变量对故障诊断任务的不同重要程度映射至特征学习的过程中，减少无用信息，保留有用信息，提高了MCDLSTM-CNN模型的诊断性能。
3、本发明在复杂化工生产过程故障诊断问题中具有较高的准确性和鲁棒性，能够帮助及时诊断和消除故障，从而避免部分安全事故的发生。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1为本发明优选实施例基于MCDLSTM-CNN的化工生产过程故障诊断方法的流程示意图；
图2为基于本发明的化工生产过程故障诊断方法的框架示意图；
图3为TE过程工艺流程图；
图4为本发明应用在TE过程数据集时训练集和测试集的训练曲线图；
图5为本发明应用在TE过程数据集时最终诊断结果的混淆矩阵；
图6为本发明优选实施例基于MCDLSTM-CNN的化工生产过程故障诊断系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本发明优选实施例提供的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，包括如下步骤：
步骤S1：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障种类的不同，添加故障种类标签，得到不同故障的原始数据集，具体的，在本步骤中使用独热编码处理生成化工生产过程故障种类标签，将其转换成数组，例如，化工生产过程中因温度发生变化引发的故障A和因物料损失发生的故障B，其对应独热编码分别如下式所示：
A:[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
B:[0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
其中对应标签中的列为1，其余为0。
步骤S2：对获取的化工生产过程数据集进行标准化处理并将数据重构，以适应Deep LSTM模块的输入要求；Deep LSTM模块对预处理后的时间序列数据从前向和后向控制着信息的流动和处理，从全局层面提取更深层次的特征信息；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权，使得具有更重要信息的位置得到更多的关注和强调。本步骤具体如下：
步骤S2.1：在对数据标准化处理时采用了Z-Score的处理方法，将不同尺度和范围的数据转换为均值为0，标准差为1的分布，计算公式如下：
其中xi为第i个样本点的数据，μ为样本平均值，σ为标准差，x*为归一化数据；
步骤S2.2：将化工生产过程数据集以m个时间序列作为一组，构建尺寸为m×n的输入特征图，其中m表示样本的时间长度，n表示化工生产过程中的变量数量；
步骤S2.3：Deep LSTM模块由一个双向BiLSTM网络堆叠一个单向LSTM组成。BiLSTM从前向和后向综合处理当前时间步输入序列，通过提供完整的上下文信息，挖掘出化工生产过程数据中不同变量间的依赖关系。再将BiLSTM的输出作为单向LSTM的输入；
LSTM网络具体如下：
ft＝σ(Wxfxt+Whfht-1+bf)
it＝σ(Wxixt+Whiht-1+bi)
gt＝tanh(Wxgxt+Whght-1+bg)
ot＝σ(Wxoxt+Whoht-1+bo)
其中，xt表示t时刻的输入向量，ht表示t时刻的隐藏状态，ht-1表示t-1时刻的隐藏状态，ct表示t时刻的记忆单元状态，ct-1表示t-1时刻的记忆单元状态，it、ft、gt、ot分别表示输入门、遗忘门、记忆单元和输出门的输出，Wxi、Wxf、Wxg、Wxo分别为当前输入层和对应门结构之间的权重矩阵，Whi、Whf、Whg、Who分别为对应门结构与前一时刻隐藏层之间的权重矩阵，bi、bf、bg、bo分别为对应门结构的偏置向量，是逐元素乘法运算符，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数；
BiLSTM网络具体如下：
其中，和/>分别表示前向和后向LSTM在t时刻的隐藏状态，xt表示t时刻的输入向量，ht-1、ct-1表示前向LSTM在t-1时刻的隐藏状态和记忆单元状态，ht+1、ct+1表示后向LSTM在t+1时刻的隐藏状态和记忆单元状态，⊕表示向量取和，ht是BiLSTM网络的隐藏状态；步骤S2.4:引入CBAM模块，CBAM模块由通道注意力模块M1和空间注意力模块M2组成，能够在特征级别上自动地选择和强调重要的通道和空间位置，从而将化工生产过程数据变量对故障诊断任务的不同重要程度映射至特征学习的过程中。具体包括：
通道注意力模块M1：用于对通道维度的特征图进行加权处理，以提取关键的通道信息，其公式如下：
其中，Fc,i表示通道注意力模块输入特征图的第i个通道，是一个二维矩阵，表示该通道上的特征图；Wc是学习得到的权重向量，C表示输入特征图通道总数，σ表示Sigmoid函数，Mc是通道注意力模块的输出；
空间注意力模块M2：则用于对空间维度的特征图进行加权处理，以捕捉重要的空间位置信息，其公式如下：
其中，Fs,i,j表示空间注意力模块输入特征图的第(i,j)位置的特征，Ws是学习得到的权重向量，H和W分别代表输入特征图的高度和宽度，σ表示Sigmoid函数，Ms是空间注意力模块的输出；
通过将模块M1和模块M2的输出进行逐元素相乘，得到CBAM模块的输出：
其中，表示逐元素乘法操作，M表示CBAM模块的输出，即经过通道和空间注意力加权后的特征图。这样，CBAM模块能够提取并聚焦于重要的通道和空间信息，从而增强了卷积神经网络的表示能力。
步骤S3：将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过Conv层进一步提取特征；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权。本步骤具体如下：
步骤S3.1：MCPC模块采用多个并行卷积层，将多个并行卷积层的输出特征通过级联函数进行合并，具体：
Output＝concat[Conv1,Conv2,...,Convi]
其中，Output为级联函数的输出，concat[·]表示将并行卷积层提取的多个特征进行串联结合的连接层，Convi为并行卷积网络结构提取的第i个特征。
步骤S3.2：引入CBAM模块，CBAM模块由通道注意力模块M1和空间注意力模块M2组成，能够在特征级别上自动地选择和强调重要的通道和空间位置，从而将化工生产过程数据变量对故障诊断任务的不同重要程度映射至特征学习的过程中。具体包括：
通道注意力模块M1：用于对通道维度的特征图进行加权处理，以提取关键的通道信息，其公式如下：
其中，Fc,i表示通道注意力模块输入特征图的第i个通道，是一个二维矩阵，表示该通道上的特征图；Wc是学习得到的权重向量，C表示输入特征图通道总数，σ表示Sigmoid函数，Mc是通道注意力模块的输出；
空间注意力模块M2：则用于对空间维度的特征图进行加权处理，以捕捉重要的空间位置信息，其公式如下：
其中，Fs,i,j表示空间注意力模块输入特征图的第(i,j)位置的特征，Ws是学习得到的权重向量，H和W分别代表输入特征图的高度和宽度，σ表示Sigmoid函数，Ms是空间注意力模块的输出；
通过将模块M1和模块M2的输出进行逐元素相乘，得到CBAM模块的输出：
其中，表示逐元素乘法操作，M表示CBAM模块的输出，即经过通道和空间注意力加权后的特征图。这样，CBAM模块能够提取并聚焦于重要的通道和空间信息，从而增强了卷积神经网络的表示能力。
步骤S4：将CBAM模块的输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上。利用训练后的MCDLSTM-CNN模型对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。本步骤具体如下：
步骤S4.1：全连接层FC模块采用Dropout正则化对当前层输入特征向量进行处理，经过Flatten层展平后，通过FC1和FC2进行全连接，FC2层采用Softmax作为激活函数，将高级特征映射到最终的化工生产过程故障类型。
步骤S4.2：在所述MCDLSTM-CNN模型的训练中采用Adam作为优化器，主要通过以下步骤来更新网络权重。计算梯度和平方梯度的指数移动平均值的公式如下：
mt＝β1mt-1+(1-β1)gt
其中gt是当前时间步长t的梯度，mt是梯度的指数移动平均值，mt-1是前一时间步的梯度指数移动平均值，vt是平方梯度的指数移动平均值，vt-1是前一时间步的平方梯度指数移动平均值，β1和β2是指数移动平均的衰减率。
由于m0和v0在训练开始时被初始化为0，因此指数移动平均值将偏向0，对mt和vt进行偏差校正，计算用下式表示：
其中，是mt的偏差纠正，/>是vt的偏差纠正，/>和/>是当前迭代次数t的指数移动平均衰减率。最后，可以通过以下等式计算权重更新：
其中θt是时间步t的权重，θt+1是时间步t+1的更新权重，η是学习率，ε默认设置为10-8。
步骤S4.3：在训练过程中将模型输出的诊断结果与真实标签之间的交叉熵作为损失函数。该损失函数能够避免权重更新速度过慢的问题，并有助于模型的收敛。具体计算公式如下：
其中，yi是真实的标签值，表示样本属于第i个类别的标签值；pi是预测正确的概率，表示样本属于第i个类别的概率；C是类别的总数；log(·)表示自然对数函数；L是损失函数的值。
下面采用研究对象为美国Eastman化学公司通过Tennessee Eastman仿真平台生成的化工反应过程数据(简称TE数据)，作为本发明的化工生产过程故障诊断数据，进一步做详细说明。
本实验中选择的数据均来自公开的TE数据集。所收集的TE数据包括正常数据和21种类型的故障数据(如表1所示)，包括16个已知故障和5个未知故障。每个故障具有52个过程变量，包括22个连续过程测量、19个成分分析测量和11个过程操纵变量，工艺流程图如图3所示。具体步骤如下：
步骤S1：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障种类的不同，添加故障种类标签，得到不同故障的原始数据集；
本发明从TE数据集中随机选取了16,800个样本，每类故障包含800个样本，其中70％的数据用于训练，剩余30％用于测试；
表1TE过程全部故障类型说明
本步骤使用独热编码处理生成TE化工生产过程故障种类标签，将其转换成数组，例如故障3和故障6，其对应独热编码分别如下式所示：
A:[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0],
B:[0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0].
其中对应标签中的列为1，其余为0；
步骤S2：对获取的化工生产过程数据集进行标准化处理并将数据重构，以适应Deep LSTM模块的输入要求；Deep LSTM模块对预处理后的时间序列数据从前向和后向控制着信息的流动和处理，从全局层面提取更深层次的特征信息；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权；具体的：
步骤S2.1：在对数据标准化处理时采用了Z-Score的处理方法，将不同尺度和范围的数据转换为均值为0，标准差为1的分布；
步骤S2.2：将TE化工生产过程数据集以5个时间序列作为一组，构建尺寸为5×52的输入特征图，其中5表示样本的时间长度，52表示TE化工生产过程中的变量总数；
步骤S2.3：本发明采用一个双向BiLSTM网络堆叠一个单向LSTM构建Deep LSTM模块，以学习数据中更深层次的时序特征，神经元数量均为50；
步骤S2.4：引入CBAM模块，将Deep LSTM模块的输出作为当前输入特征图，在特征级别上进一步选择和强调重要的通道和空间位置；
步骤S3：将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过Conv层进一步提取特征；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权；具体的：
步骤S3.1：MCPC模块包括3个并行卷积层，Conv1、Conv2和Conv3均包含128个卷积核，每个并行卷积层的卷积核大小分别为6×6，4×4，2×2，将三个并行卷积层的输出特征通过级联函数进行合并，通过级联函数生成的神经元数量为50，通道数为384。经过池化窗口大小为2的平均池化操作后，再次通过Conv层进一步提取特征，其中Conv层采用256个大小为2的卷积核，生成的数据维度为24×256；
步骤S3.2：引入CBAM模块，将MCPC模块的输出作为当前输入特征图，在特征级别上进一步选择和强调重要的通道和空间位置；
步骤S4：将CBAM模块的输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；具体的：
步骤S4.1：全连接层FC模块采用Dropout正则化对当前层输入特征向量进行处理，丢弃率为0.1；经过Flatten层展平后，数据尺寸变为6144，通过FC1和FC2进行全连接，其中FC1层的输出长度设置为300，FC2层的输出长度为22，FC2层采用Softmax作为激活函数，将高级特征映射到最终的化工生产过程故障类型；
步骤S4.2：在所述MCDLSTM-CNN模型的训练中采用Adam作为优化器来更新网络权重；
步骤S4.3：在训练过程中将模型输出的诊断结果与真实标签之间的交叉熵作为损失函数。在训练的同时记录每一次训练周期的训练集准确率与损失函数；训练过程结束后保存最优的验证模型做测试，并绘制训练集准确率曲线与训练过程损失函数曲线，图4为本发明应用在TE过程数据集时某次实验训练集和测试集的训练曲线图，可以观察到，在初始阶段准确率迅速收敛并持续提升。随着训练轮数的增加，准确率逐渐趋于稳定，并最终达到97.3％；
利用训练后的MCDLSTM-CNN模型对化工生产过程数据进行诊断，记录测试集每一种类别的准确率，并绘制混淆矩阵。图5为本发明应用在TE过程数据集时最终诊断结果的混淆矩阵。表2为通过多次实验MCDLSTM-CNN模型对TE过程数据集诊断结果的平均评价指标表，包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1 Score)四个指标说明MCDLSTM-CNN模型的性能。
表2MCDLSTM-CNN模型的平均评价指标表
从表2可知，准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1Score)四个指标都较高，说明MCDLSTM-CNN模型性能较优。
为了证明模型的可行性，将近些年一些成功应用于该数据集的多种最新型化工生产过程故障诊断模型与提出的模型进行比较，结果如表3所示。
表3MCDLSTM-CNN与其他模型诊断效果的比较
从表3可以看出，本发明的诊断准确率高于表中所列其他模型结果，验证了本发明的有效性和优越性。
如图6所示，本发明优选实施例公开了一种基于MCDLSTM-CNN的化工生产过程故障诊断系统，用于执行上述的方法，其包括如下模块：
故障原始数据集获取模块：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障的不同种类，添加故障种类标签，得到不同故障的原始数据集；
预处理模块：对获取的化工生产过程数据集进行标准化预处理并将数据重构；
Deep LSTM模块：对预处理后的时间序列数据从前向和后向控制信息的流动和处理，从全局层面提取更深层次的特征信息；
CBAM模块：输入Deep LSTM模块捕捉到的特征，在特征图的通道和空间维度上进行自适应的特征选择和加权；
MCPC模块：将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过Conv层进一步提取特征；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行第二次自适应的特征选择和加权；
FC模块：将CBAM模块的第二次输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；
MCDLSTM-CNN模型：对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。
本实施例其他内容可参考上述方法实施例。
综上，本发明提供了一种基于MCDLSTM-CNN的化工生产过程故障诊断方法与系统，方法包括如下步骤：获取化工生产过程中的操作变量和过程变量作为历史数据并对所述数据进行预处理；Deep LSTM模块从时域角度控制信息的流动和处理，提取深层特征信息；MCPC模块通过多个并行卷积层进一步学习上一步的输出特征，并融合提取到的多尺度特征；在Deep LSTM模块和MCPC模块输出后引入CBAM注意力机制，将不同重要程度的化工生产过程数据变量映射到特征学习中；FC模块将CBAM模块的输出作为输入特征向量，将其映射到对应的故障种类标签上，完成故障数据的分类并得到诊断结果。经实验，结果表明，MCDLSTM-CNN模型在复杂化工生产过程故障诊断问题中具有较高的可行性和鲁棒性，能帮助及时诊断和消除故障，从而避免部分安全事故的发生。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (7)

1.一种基于MCDLSTM-CNN化工生产过程故障诊断方法，其特征在于，包括步骤如下：
步骤S1：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障的不同种类，添加故障种类标签，得到不同故障的原始数据集；
步骤S2：对获取的化工生产过程数据集进行标准化预处理并将数据重构，Deep LSTM模块对预处理后的时间序列数据从前向和后向控制信息的流动和处理，从全局层面提取更深层次的特征信息；再将前面捕捉到的特征输入CBAM，在特征图的通道和空间维度上进行自适应的特征选择和加权；
步骤S3：将步骤S2的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过一个独立的卷积层进一步提取特征；再将前面捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行自适应的特征选择和加权；
步骤S4：将步骤S3的输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；利用训练后的MCDLSTM-CNN模型对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。
2.根据权利要求1所述的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，其特征在于，步骤S1中，采用独热编码处理生成化工生产过程故障种类标签，将其转换成数组。
3.根据权利要求1所述的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，其特征在于，使用独热编码处理生成化工生产过程故障种类标签，将其转换成数组，化工生产过程中因温度发生变化引发的故障A和因物料损失发生的故障B，对应独热编码分别如下式所示：
A:[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
B:[0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
其中对应标签中的列为1，其余为0。
4.根据权利要求1-3任一项所述的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，其特征在于，步骤S2具体包括：
步骤S2.1：数据集标准化处理采用Z-Score的处理方法，将不同尺度和范围的数据转换为均值为0，标准差为1的分布，计算公式如下：
其中，xi为第i个样本点的数据，μ为样本平均值，σ为标准差，x*为归一化数据；
步骤S2.2：将化工生产过程数据集以m个时间序列作为一组，构建尺寸为m×n的输入特征图，其中m表示样本的时间长度，n表示化工生产过程中的变量数量；
步骤S2.3：Deep LSTM模块由一个双向BiLSTM网络堆叠一个单向LSTM组成，BiLSTM从前向和后向综合处理当前时间步输入序列，通过提供完整的上下文信息，挖掘出化工生产过程数据中不同变量间的依赖关系；再将BiLSTM的输出作为单向LSTM的输入；
LSTM网络具体如下：
ft＝σ(Wxfxt+Whfht-1+bf)
it＝σ(Wxixt+Whiht-1+bi)
gt＝tanh(Wxgxt+Whght-1+bg)
ot＝σ(Wxoxt+Whoht-1+bo)
其中，xt表示t时刻的输入向量，ht表示t时刻的隐藏状态，ht-1表示t-1时刻的隐藏状态，ct表示t时刻的记忆单元状态，ct-1表示t-1时刻的记忆单元状态，it、ft、gt、ot分别表示输入门、遗忘门、记忆单元和输出门的输出，Wxi、Wxf、Wxg、Wxo分别为当前输入层和对应门结构之间的权重矩阵，Whi、Whf、Whg、Who分别为对应门结构与前一时刻隐藏层之间的权重矩阵，bi、bf、bg、bo分别为对应门结构的偏置向量，是逐元素乘法运算符，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数；
BiLSTM网络具体如下：
其中，和/>分别表示前向和后向LSTM在t时刻的隐藏状态，xt表示t时刻的输入向量，ht-1、ct-1表示前向LSTM在t-1时刻的隐藏状态和记忆单元状态，ht+1、ct+1表示后向LSTM在t+1时刻的隐藏状态和记忆单元状态，/>表示向量取和，ht是BiLSTM网络的隐藏状态；
步骤S2.4：引入CBAM模块，CBAM模块由通道注意力模块M1和空间注意力模块M2组成，具体的：
通道注意力模块M1：用于对通道维度的特征图进行加权处理，以提取关键的通道信息，公式如下：
其中，Fc，i表示通道注意力模块输入特征图的第i个通道，是一个二维矩阵，表示该通道上的特征图；Wc是学习得到的权重向量，C表示输入特征图通道总数，σ表示Sigmoid函数，Mc是通道注意力模块的输出；
空间注意力模块M2：用于对空间维度的特征图进行加权处理，以捕捉重要的空间位置信息，公式如下：
其中，Fs，i，j表示空间注意力模块输入特征图的第(i，j)位置的特征，Ws是学习得到的权重向量，H和W分别代表输入特征图的高度和宽度，σ表示Sigmoid函数，Ms是空间注意力模块的输出；
通过将模块M1和模块M2的输出进行逐元素相乘，得到CBAM模块的输出：
其中，表示逐元素乘法操作，M表示CBAM模块的输出，即经过通道和空间注意力加权后的特征图。
5.根据权利要求4所述的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，其特征在于，步骤S3具体包括：
步骤S3.1：MCPC模块采用多个并行卷积层，将多个并行卷积层的输出特征通过级联函数进行合并，具体如下：
Output＝concat[Conv1，Conv2，...，Convi]
其中，Output为级联函数的输出，concat[·]表示将并行卷积层提取的多个特征进行串联结合的连接层，Convi为并行卷积网络结构提取的第i个特征；
步骤S3.2：引入所述CBAM模块，在特征级别上自动地选择和强调重要的通道和空间位置。
6.根据权利要求5所述的一种基于MCDLSTM-CNN的化工生产过程故障诊断方法，其特征在于，步骤S4具体包括：
步骤S4.1：全连接层FC模块采用Dropout正则化对当前层输入特征向量进行处理，经过Flatten层展平后，通过FC1和FC2进行全连接，FC2层采用Softmax作为激活函数，将高级特征映射到最终的化工生产过程故障类型；
步骤S4.2：在MCDLSTM-CNN模型的训练中采用Adam作为优化器，通过以下步骤来更新网络权重，计算梯度和平方梯度的指数移动平均值的公式如下：
mt＝β1mt-1+(1-β1)gt
其中gt是当前时间步长t的梯度，mt是梯度的指数移动平均值，mt-1是前一时间步的梯度指数移动平均值，vt是平方梯度的指数移动平均值，vt-1是前一时间步的平方梯度指数移动平均值，β1和β2是指数移动平均的衰减率；
由于m0和v0在训练开始时被初始化为0，因此指数移动平均值将偏向0；对mt和vt进行偏差校正，计算式表示如下：
其中，是mt的偏差纠正，/>是vt的偏差纠正，/>和/>是当前迭代次数t的指数移动平均衰减率；通过以下等式计算权重更新：
其中θt是时间步t的权重，θt+1是时间步t+1的更新权重，η是学习率，ε默认设置为10-8；
步骤S4.3：在训练过程中将模型输出的诊断结果与真实标签之间的交叉熵作为损失函数，具体计算公式如下：
其中yi是真实的标签值，表示样本属于第i个类别的标签值；pi是预测正确的概率，表示样本属于第i个类别的概率；C是类别的总数；log(·)表示自然对数函数；L是损失函数的值。
7.一种基于MCDLSTM-CNN的化工生产过程故障诊断系统，用于执行权利要求1-6任一项所述的方法，其特征在于，所述的系统包括如下模块：
故障原始数据集获取模块：获取化工生产过程中的操作变量和过程变量作为历史数据；根据化工生产过程故障的不同种类，添加故障种类标签，得到不同故障的原始数据集；
预处理模块：对获取的化工生产过程数据集进行标准化预处理并将数据重构；
Deep LSTM模块：对预处理后的时间序列数据从前向和后向控制信息的流动和处理，从全局层面提取更深层次的特征信息；
CBAM模块：输入Deep LSTM模块捕捉到的特征，在特征图的通道和空间维度上进行自适应的特征选择和加权；
MCPC模块：将CBAM模块的输出作为MCPC模块的输入特征向量，MCPC模块使用多个并行卷积层提取多尺度特征，通过级联函数将并行卷积层的特征图进行合并，合并后的特征图经过Conv层进一步提取特征；再将捕捉到的特征输入CBAM模块，在特征图的通道和空间维度上进行第二次自适应的特征选择和加权；
FC模块：将CBAM模块的第二次输出作为FC模块的输入特征向量，将提取的特征映射到对应的故障种类标签上；
MCDLSTM-CNN模型：对化工生产过程数据进行诊断，完成故障数据的分类并得到诊断结果。
CN202310866658.XA 2023-07-14 2023-07-14 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统 Pending CN116910617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310866658.XA CN116910617A (zh) 2023-07-14 2023-07-14 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310866658.XA CN116910617A (zh) 2023-07-14 2023-07-14 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统

Publications (1)

Publication Number Publication Date
CN116910617A true CN116910617A (zh) 2023-10-20

Family

ID=88362314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310866658.XA Pending CN116910617A (zh) 2023-07-14 2023-07-14 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统

Country Status (1)

Country Link
CN (1) CN116910617A (zh)

Similar Documents

Publication Publication Date Title
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
Saeed et al. Online fault monitoring based on deep neural network & sliding window technique
CN108985335B (zh) 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN115018021A (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
Zhang et al. Knowledge distilling based model compression and feature learning in fault diagnosis
CN112560948B (zh) 数据偏差下的眼底图分类方法及成像方法
CN113780292A (zh) 一种基于证据推理的语义分割网络模型不确定性量化方法
Li et al. Semi-supervised process fault classification based on convolutional ladder network with local and global feature fusion
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN116108346A (zh) 一种基于生成特征重放的轴承增量故障诊断终身学习方法
Ge et al. A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs
CN117076931B (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN117076171A (zh) 一种面向多元时序数据的异常检测及定位方法及装置
Imran et al. Analyzing out-of-control signals of T2 control chart for compositional data using artificial neural networks
CN116910617A (zh) 一种基于mcdlstm-cnn的化工生产过程故障诊断方法及其系统
CN112735604B (zh) 一种基于深度学习算法的新型冠状病毒分类方法
CN116775423A (zh) 用于集群故障预测的方法
CN115239967A (zh) 一种基于Trans-CSN生成对抗网络的图像生成方法及装置
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Hwang et al. Anomaly Detection in Time Series Data and its Application to Semiconductor Manufacturing
Zhao et al. Knowledge-Informed Uncertainty-Aware Machine Learning for Time Series Forecasting of Dynamical Engineered Systems
Chauhan et al. Handwritten Digit Recognition using Deep Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination