基于多块卷积变分信息瓶颈的多变量动态过程故障诊断

摘要：

针对多变量动态过程的故障诊断,采用局部提取、全局整合的特征提取策略,提出了一种多块卷积变分信息瓶颈(Multi-Block Convolutional Variational Information Bottleneck,MBCVIB)模型.首先,根据过程机理,对所有变量分块,将同一操作单元的变量划分为同一子块,再利用一维卷积神经网络(One-Dimensional Convolutional Neural Network,1-D CNN)提取过程中每个子块的局部特征,从而考虑样本间的时序相关性;然后,整合局部特征得到全局特征表示,在全局特征的基础上,根据变分信息瓶颈(Variational Information Bottleneck,VIB)原理进一步提取与故障最相关的信息;最后,采用连续搅拌釜反应器(Continuous Stirred Tank Reactor,CSTR)和田纳西-伊士曼过程(Tennessee Eastman Process,TEP)对模型的有效性进行了验证.结果显示本文模型在CSTR上实现了0.983的平均故障诊断准确率,在TEP上实现了0.955的平均故障诊断准确率.

关键词：卷积神经网络;信息瓶颈;深度学习;动态过程

所属期刊栏目：47

分类号：TP277(自动化技术及设备)

资助基金：国家自然科学基金;上海市自然科学基金

在线出版日期：2021-12-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：716-725