没有合适的资源?快使用搜索试试~ 我知道了~
基于去噪自编码器的故障隔离与识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 20 浏览量
2022-11-03
10:06:38
上传
评论
收藏 682KB DOCX 举报
温馨提示
试读
12页
基于去噪自编码器的故障隔离与识别方法.docx
资源推荐
资源详情
资源评论
0 引言
随着科学技术的发展,现代工业体系变得越来越复杂. 为了确保此类系统的安全性和可靠性,基于
数据驱动的过程监测方法得到了广泛关注,其中以多元统计分析方法的研究最为深入
[1-3]
,如基于主成分
分析(PCA)和基于核 PCA 的方法
[4-5]
、基于典型相关分析的方法
[6-7]
、质量相关的过程监测方法
[8-9]
和基于
概率的潜变量方法
[10-11]
等.
近年来,研究人员发现深度学习方法在非线性过程监测方面具有优越的效果,其中应用最广泛的深
度学习方法之一是自编码器
[12]
. 在自编码器的基础上,研究人员还开发了多种变体,如变分自编码器
(Variational AutoEncoder,VAE)
[13]
和去噪自编码器(Denoising AutoEncoder,DAE)等. Yan 等
[14]
提出了
一种基于去噪自编码器和压缩自编码器的过程监测方法,其优势在于具有较好的鲁棒性. Zhang 等
[15]
采用
非线性特征提取能力更好的堆叠变分编码器(stacked VAE),并利用 K 最近邻法(KNN)构造监控统计量,
得到了更好的监测效果.
尽管基于 AE 的监测方法取得了成功,但文献中的大部分工作都集中在故障的检测方面,对故障隔
离和识别问题讨论较少. 其中文[16]应用 DAE 检测非线性过程中的故障,并采用基于弹性网的判别分析方
法分离故障变量. 但采用判别分析的内在假设是过程线性,这与非线性假设相矛盾. 文[17]提出了结构化
去噪自编码器(StrDAE)用于故障检测和识别. 其基本思路是将先验相关矩阵纳入 StrDAE 的目标函数中,
从而将变量相关性等信息融入故障识别和重构过程,但是基于 StrDAE 的贡献图无法得到稀疏解,因此给
故障源的识别带来困难.
考虑到稀疏特性在处理传统贡献图方法面临的“拖尾效应”(smearing effect)等问题中所起的作用,稀
疏方法得到了广泛关注. 这类方法通过在传统的故障重构目标函数中加入 l
1
范数等具有稀疏特性的约束,
能够得到稀疏贡献图,从而识别出少数导致故障发生的主要变量,特别适用于大规模过程的故障诊断. Li
等
[18]
提出了一种在线稀疏故障隔离的优化算法,通过对数据流进行稀疏矩阵分解,得到故障信息的稀疏矩
阵,用于精确定位故障变量;Shang 等
[19]
提出了用于过程监控和故障隔离的稀疏慢特征分析(SFA)并将 l
1
范数惩罚项纳入目标函数中,从而忽略无关的过程变量以定位故障源. Liu 等
[20]
在 PCA 的目标函数中引入
l
2,1
范数和图的拉普拉斯矩阵,考虑故障变量的稀疏性和相关性,提高了故障隔离的精度. 这些方法有效
地提升了故障隔离和识别的效果,但目前基于稀疏特性的方法主要针对线性过程,对非线性过程的研究较
少.
工业过程数据带有大量噪声并且过程变量往往受到随机扰动的影响,这导致工业过程数据具有非线
性,线性模型在定位故障时往往将这些噪声和随机扰动作为异常而纳入贡献图中,从而导致错误的诊断结
果. 基于以上考虑,本文开发一种基于 DAE 的故障隔离与识别方法,实现非线性过程故障隔离和识别. 由
于 DAE 在构建网络时使用破坏过的数据和非线性激活函数,这使得 DAE 对噪声和非线性数据有很好的适
应性,DAE 通过在隐藏特征空间和残差空间构建 H
2
和 R 统计量实现故障的检测. 在检测到故障之后,构
造基于 H
2
和 R 统计量的故障重构问题. 通过在目标函数中引入 l
1
范数约束进一步排除在故障隔离过程中
噪声和随机波动对故障隔离的影响,使得求解目标产生稀疏解从而准确定位引起故障的主要变量. 相比传
统的故障隔离方法,本文提出的方法使用 DAE 作为故障检测和隔离的载体,提高了对非线性过程故障的
检测精度,通过在目标函数中引入 l
1
范数约束以准确定位引起故障的主要变量,减小了“拖尾效应”的影
响,更加适用于非线性过程.
1 去噪自编码器 1.1 自编码器
如图 1 所示,自编码器与有监督神经网络不同,其输入和输出共享相同数量的节点,其目的在于最
小化输入和输出之间的重建误差. 它由编码器 ϕ 和解码器 ψ 组成,编码器用于将输入映射到低维特征空
间,而解码器将低维特征空间中数据映射回原始输入. 图 1 中,x 表示编码器的输入数据,h 表示 x 映射
到隐藏特征空间中的数据,x′代表解码器通过隐藏特征空间数据 h 进行重建后的数据,令输入空间
I=R
n
(n 为变量的个数),自编码器工作原理可以定义为
(1)
图 1 自编码器基本结构 Fig.1 Basic structure of autoencoder
图选项
其中,‖·‖表示 Frobenius 范数. 以隐藏层为一层的自编码器为例,编码器将输入 x∈I 映射到隐藏特
征空间 h∈F=R
p
(p 为隐藏层维度),映射过程:
(2)
其中,σ 代表编码器中的激活函数,W 是权重矩阵,b 是偏差向量. 经过编码器将输入变量映射到
隐藏层后,解码器根据隐藏层 h 中的信息重建为与输入变量 x 具有相同尺寸的变量 x′,映射过程为
(3)
其中,σ′代表解码器中的激活函数,W′和 b′对应为解码器中的权重矩阵和偏差向量. 自编码器的目
标是寻找使得输入与重建量 x′的残差最小的过程:
(4)
其中,m 代表进入 DAE 网络中样本点的数量. 自编码器的优化问题可以通过反向传播求解.
1.2 去噪自编码器
去噪自编码器是 AE 的一种变体,最早由 Vincent 等
[21]
提出. 其网络结构如图 2 所示,与 AE 不同
的是它使用部分损坏的数据训练 DAE 网络以恢复真实输入,其功能是将数据中的噪声进行分离进而得到
去除噪声后的真实数据.
图 2 去噪自编码器结构 Fig.2 Structure of denoising autoencoder
图选项
DAE 的工作流程为:
1) 通过向正常数据中添加噪声或随机丢弃正常数据中的部分数据获得损坏数据 .
2) 将损坏的数据 通过自编码器的编码过程 h=σ(Wx+b)映射到低维隐藏特征空间.
3) 解码器通过式(3)对损坏数据在隐藏特征空间的映射进行解码,并得到重建数据 x′.
4) 使用反向传播算法求解式(4)的最小化问题.
值得注意的是破坏过程仅在 DAE 训练的过程中引入,当用于测试数据的特征提取时,不再需要将
破坏过程引入到输入之中.
2 故障检测与隔离 2.1 基于 DAE 的故障检测
类似于 George 等
[22]
提出的基于 PCA 的 T
2
和 Q 统计量的故障检测方法,在 DAE 的过程监测中,
基于隐层特征空间 h 构造 H
2
统计量,基于输入重建误差 e 构造 R 统计量. H
2
统计量用于监测隐藏特征空
间中发生的变化,R 统计量用于监测残差空间的变化. H
2
的定义为
(5)
R 统计量的定义与 H
2
相似,其表示为
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3907
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- RB305A-SOT-23封装 单节锂电池保护IC 深圳市可芯电子有限公司.pdf
- javaweb 期末复习
- unity简单数字拼图小游戏(源码)
- 危包证办理培训教材(出境危险货物运输包装使用鉴定结果单)
- Vissim9 用户手册(英文版)
- 基于Selenium的Java爬虫实战(内含谷歌浏览器Chrom和Chromedriver版本124.0.6350.0)
- ThinkPHP微信独立互换红包系统开源版.zip
- ChromeDriver-87.0.4280.88.zip 下载
- RB306A-SOT23-5封装 单节锂电池保护IC 深圳市可芯电子有限公司.pdf
- IMG_20240615_134614.jpg
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功