10.16208/j.issn1000-7024.2020.02.037
基于AC-CNN模型的过程故障识别
针对复杂工业过程中故障变量特征提取效率低,分类数量较少且故障识别率较低等问题,提出基于非对称卷积核(asymmetric convolutions)的卷积神经网络(CNN)的工业过程故障识别模型.采取故障变量重构对故障数据进行预处理;引入非对称卷积核模型对重构后的输入故障变量进行特征提取,提高特征提取的效率;根据CNN模型改进得到具有AC架构的AC-CNN模型,识别TE(田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明,所提方法对TE过程故障数据集的识别效果明显,验证了模型的有效性和优异性.
故障识别、故障变量重构、非对称卷积核、卷积神经网络、田纳西-伊斯曼过程
41
TP277(自动化技术及设备)
国家自然科学基金项目 ;江西省科技厅基金项目
2020-04-14(万方平台首次上网日期,不代表论文的发表时间)
共8页
542-549