摘要
在工业生产过程中，复杂设备往往容易出现各种故障，严重影响生产效率。因此有效的故障诊断方法对工业过程生产安全以及设备的运行和维护具有重要意义。故障诊断需要对故障特征进行提取，传统的特征提取方法，对人工的依赖性较强，并且人工提取难免忽略一些潜在的有效特征。考虑到现代工业生产过程采集到的信号数据特征较为复杂，对于复杂系统，故障和征兆之间并非是一一对应的，故障特征往往具有非线性、层次性、传播性、相关性以及延时性等复杂特性。深度学习方法被用于特征提取，但现有的网络结构更像是一个分类器，没有更加充分的作为一个特征提取器被利用于特征提取阶段。在特征提取阶段只考虑到工业数据的部分特征，这会导致在训练过程中部分特征信息丢失。为了解决上述问题，更有效的提取故障特征，本文从多层次特征融合与多尺度特征融合两方面出发展开深入研究。 （1）从多层次特征融合角度，提出了一种面向工业过程的超特征提取网络结构。该方法首先采用多层次卷积神经网络结构提取故障特征，聚合层次特征映射，将它们压缩在统一的特征空间构成超特征，然后将特征融合构成的超特征输入至堆叠LSTM网络进行进一步特征提取，这样一来可以有效传递时间序列中的信息，同时也能解决由于长时间训练而导致的梯度消失问题。 （2）从多尺度特征融合角度，提出了一种面向工业过程的时空胶囊和分类器优化的多尺度特征融合网络。在特征提取阶段，首先使用多尺度残差卷积网络进行多尺度特征提取，随后将提取的故障特征发送到时空胶囊网络，进一步提取时间和空间信息。在特征提取完成后，本文用XGBoost取代了传统的softmax分类器，使最终诊断更高效、迅速，解决了复杂模型的诊断时间过长所带来的问题。多尺度特征网络在普通维度上能提取更多有用信息，这是时空胶囊网络解构断层复杂特征的必要准备。分类器优化解决了复杂网络结构在诊断过程中耗时过长、分类效果不好的问题。
NETL