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.
国家科技期刊平台
NSTL
万方数据
维普
