基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于参数残差驱动贝叶斯网络的冷水机组故障诊断

应用于冷水机组的故障诊断技术对于降低建筑能耗，提高机组运行效率有着重要作用。为了进一步提高冷水机组故障诊断性能，同时考虑到特征参数残差蕴含更多故障信息，提出一种基于特征参数残差驱动贝叶斯网络(BN)的冷水机组故障诊断方法。首先，构建特征参数基准值模型，获得其基准值；然后使用基准值和其实际运行值之间的参数残差训练BN模型。以此达到充分利用参数残差蕴含故障信息，从而提高故障诊断性能的目的。使用实验数据对构建方法的有效性进行验证，与使用特征参数直接驱动BN的诊断模型相比，对冷水机组常见故障的诊断正确率最高提升了约22.51个百分点。此外，比较分析了三种参数基准值模型构建方法的性能，基于神经网络方法的基准值模型较其他两种基准值模型表现更优。     

基于改进大趋势扩散和隐含层插值的虚拟样本生成方法及应用

针对获取复杂工业过程的难以检测质量或环境污染指标数据的时间和经济成本高导致有标记建模样本稀缺的问题，提出了基于改进大趋势扩散和隐含层插值的虚拟样本生成（VSG）方法，并将其应用于城市固废焚烧过程的二英（DXN）排放预测。首先，采用基于子区域欧氏距离改进大趋势扩散（MTD）方法对真实样本输入/输出空间进行扩展；接着，采用等间隔插值方式生成虚拟样本输入，再结合映射模型和删减机制获得虚拟样本输出；然后，采用基于正则化改进的随机权神经网络隐含层插值依次得到虚拟样本输出和输入，再结合扩展空间对虚拟样本进行删减；最后，将上述具有互补性的虚拟样本与原始真实样本进行混合，实现建模数据容量扩充。通过基准数据集和工业过程DXN数据验证了所提方法的有效性和合理性。     

基于长短期记忆神经网络的数据中心空调系统传感器故障诊断

数据中心空调系统的故障直接影响其能耗及运行可靠性。结合深度学习技术,利用长短时间记忆神经网络提出了一种空调系统传感器故障检测与诊断的方法。经实验验证,该方法可通过对液管温度传感器、排气温度传感器分别建立故障诊断模型,成功检测出传感器固定偏差故障和漂移偏差故障。对于无故障数据,该方法的检测正确率在90%左右;对于偏差程度大于该方法的最小检测偏差的传感器故障数据,其检测正确率在94%以上。     

基于关联规则的条件状态模糊Petri网及其在故障诊断中的应用

模糊Petri网作为一种知识表达模型,能够用于工业过程系统故障推理和诊断。然而,模糊Petri网的建立大多需要先验知识,为此限制了其广泛应用。为了能够有效利用工业生产过程数据,提出了一种基于关联规则的条件状态模糊Petri网,并将其用于工业过程故障推理与诊断。采用数据挖掘的关联规则方法提取模糊Petri网的模糊规则及置信度,通过变量间的关联分析,将影响置信度的关键主元（条件量）提取出来,建立条件状态模糊Petri网;基于极大代数的迭代算法进行动态置信度逆向推理,可以获得工业过程的故障发生概率。该方法实现了故障诊断网络的数据驱动,从而提高故障诊断的快速性与准确性,某化学反应研究表明所提方法的有效性。     

基于SDG模型的控制系统故障诊断方法

利用深层定性知识模型、符号有向图模型,对生产流程中常见的单回路和串级控制系统进行了建模与故障诊断研究。提出基于假设-验证的双向推理算法,解决了传统的故障诊断方法从未涉及复杂系统中的多个控制回路对系统故障存在的屏蔽作用的问题。通过对某厂常压蒸馏装置进行基于SDG模型的故障诊断,验证了基于SDG模型的故障诊断方法应用在包含多个控制回路的复杂系统故障诊断时的有效性与可行性。     

基于决策分类方法的水泥回转窑故障诊断方法

提出了一种基于决策分类的水泥回转窑故障诊断方法。该方法利用水泥生产过程中产生的回转窑历史数据结合模糊决策树算法生成故障诊断模糊推理规则库,利用在线数据可对模糊规则库进行增量学习,不断完善故障诊断规则库。故障诊断阶段,将在线数据形成的特征向量与故障诊断规则库进行匹配,判断是否发生故障以及相应的故障类型。该方法对故障数据进行模糊化处理,提高了故障诊断结果的可解释性以及泛化性能,适用于实际的水泥生产过程。     

数据驱动方法在化工过程故障诊断中的研究进展

数据驱动方法是一种黑箱模型,具有自主挖掘和构建数据内在关系的优点。随着感知设备的发展和计算能力的提升,数据驱动方法在化工过程故障诊断的研究领域体现出了更大的优势。本文介绍了各类数据驱动方法的原理和作用,并分析了其各自的优缺点与实际应用方向,总结得出深度学习和集成学习是数据驱动方法未来研究重点。同时,本文回顾了近五年来国内外数据驱动方法在化工过程故障诊断中的研究与应用,综合分析了现阶段该领域的研究情况,表明将多种数据驱动方法进行组合来解决化工过程问题的思路具有一定的有效性。并进一步给出了关于数据异常、时间滞后等问题的研究方向。最后,本文建议更多地从方法的机理出发对方法进行研究和优化,在未来的研究思考中应更着重于实用性和时效性。     

基于多元时序驱动的ELM全流程故障预测及其应用

多元时序驱动建模方法是复杂系统故障预测和系统状态评估的一种有效途径, 其中人工神经网络作为一种数据驱动的处理非线性问题的有效建模工具, 近年来在处理多元时序建模这个问题上得到了较广泛的关注。从全流程的角度出发, 首先, 运用k-近邻互信息方法对多元时序变量进行降维与相关性计算, 从而选择特征变量;其次, 提出了一种改进的趋势分析方法对系统的状态进行实时监测, 并对系统运行状态进行有效细分;最后, 针对系统潜在故障阶段, 应用极限学习机(extreme learning machine, ELM)神经网络方法对其进行故障预测。通过对青霉素发酵过程(penicillin fermentation process)进行仿真实验, 结果验证了所提方法的有效性。     

A novel imbalanced fault diagnosis method based on area identification conditional generative adversarial networks

As a vital technology for ensuring the stable operation of industrial equipment, fault diagnosis has received a lot of research in recent years. Most complex industrial processes are in normal working conditions during operation, so the amount of data collected under normal working conditions is much larger than that under fault working conditions. The uneven number of samples will lead to the imbalance of datasets and make it a challenging task to assure the overall accuracy. To address the issue, an innovative imbalanced fault diagnostic approach based on area identification conditional generative adversarial networks (AICGAN) is proposed. First, considering the imbalance between normal data (majority data) and fault data (minority data), a hybrid data generation method combining over-sampling and AICGAN generator is proposed, which effectively extends the limited minority data and overcomes the inclination to majority data to some extent. On one hand, the over-sampling algorithm reduces the impact of dataset imbalance on the AICGAN training process by linear interpolation. On the other hand, the trainable generator can create samples similar to real samples by learning the generation principle so as to enrich the minority data information and reduce the sample stacking caused by linear synthesis. The two sample production methods complement each other. Combining the raw samples, over-sampled samples, and samples generated by generator, a new dataset is constructed. Second, the new dataset is used to train the AICGAN discriminator. In addition, in order to generate samples with higher value, an auxiliary discrimination layer is added to the discriminator to control the pattern of generated samples. Third, the balanced dataset containing the linear synthesis samples and the samples generated by the trained generator are put into the classifier to obtain the fault diagnosis. The effectiveness of the proposed approach for fault diagnosis based on AICGAN is verified using the three-phase flow facility (TFF) dataset and the Tennessee Eastman (TE) dataset. The experimental results demonstrate that the AICGAN-based fault diagnosis method achieves high F1 scores on the imbalanced dataset.     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难，而无标签故障数据却大量存在，如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息，提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法，RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重，能更有效地提取数据特征；考虑到数据均可由其近邻数据来线性重构，故可构建近邻数自适应选择的重构图，并同时利用数据的标签信息优化连接权重，以更优地反映数据结构信息；通过建立新的含局部保持的目标函数，可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

基于高阶统计和解释结构模型相结合的大型过程控制系统的故障检测(英文)

Nonlinear characteristic fault detection and diagnosis method based on higher-order statistical (HOS) is an effec-tive data-driven method, but the calculation costs much for a large-scale process control system. An HOS-ISM fault diagnosis framework combining interpretative structural model (ISM) and HOS is proposed:(1) the adja-cency matrix is determined by partial correlation coefficient;(2) the modified adjacency matrix is defined by directed graph with prior knowledge of process piping and instrument diagram;(3) interpretative structural for large-scale process control system is built by this ISM method;and (4) non-Gaussianity index, nonlinearity index, and total nonlinearity index are calculated dynamical y based on interpretative structural to effectively eliminate uncertainty of the nonlinear characteristic diagnostic method with reasonable sampling period and data window. The proposed HOS-ISM fault diagnosis framework is verified by the Tennessee Eastman process and presents improvement for highly non-linear characteristic for selected fault cases.     

Fault detection of large-scale process control system with higher-order statistical and interpretative structural model

Nonlinear characteristic fault detection and diagnosis method based on higher-order statistical (HOS) is an effec-tive data-driven method, but the calculation costs much for a large-scale process contr...     

ISOMAP-LDA方法用于化工过程故障诊断

针对化工连续生产过程的时序性及非线性等特征,提出一种新的基于数据驱动的化工过程故障诊断方法：ISOMAP-LDA。首先实行流形学习算法ISOMAP,在保持量测数据几何结构特性下完成非线性降维,然后基于提取的嵌入变量张成的低维空间,选用线性判别分析（LDA）构造故障模式类的判别函数,负责各采样个体故障类型的判定。将该方法用于仿真化工Tennessee Eastman 过程的故障诊断,结果表明,ISOMAP-LDA方法不仅拥有较高的故障诊断能力,而且取得采样在低维空间的可视化表示。