中国烟草学报2023，Vol.29Issue(6) ：31-37.DOI:10.16472/j.chinatobacco.2022.134

基于AE重构误差和SVDD的滚筒叶丝干燥异常工况检测

Anomaly detection for cut tobacco drum dryer based on AE reconstruction error and SVDD

安佳敏 张雷 李善莲 张二强 邹严颉 刘朝贤
中国烟草学报2023，Vol.29Issue(6) ：31-37.DOI:10.16472/j.chinatobacco.2022.134
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于AE重构误差和SVDD的滚筒叶丝干燥异常工况检测

Anomaly detection for cut tobacco drum dryer based on AE reconstruction error and SVDD

安佳敏 1张雷 2李善莲 1张二强 3邹严颉 4刘朝贤1
扫码查看

作者信息

  • 1. 中国烟草总公司郑州烟草研究院,郑州高新区枫杨街 2 号 450001
  • 2. 郑州轻工业大学,郑州金水区东风路 5 号 450002;中国烟草总公司郑州烟草研究院,郑州高新区枫杨街 2 号 450001
  • 3. 陕西中烟工业有限责任公司技术中心,陕西省宝鸡市高新大道 100 号 721013
  • 4. 郑州轻工业大学,郑州金水区东风路 5 号 450002
  • 折叠

摘要

[目的]为保证烘丝过程安全稳定运行,研究滚筒叶丝干燥过程异常工况检测具有重大价值.[方法]本文提出基于自动编码器(Auto encoder,AE)和支持向量数据描述(Support vector data description,SVDD)的AE-SVDD算法.首先,使用深度学习自动编码器提取数据深层特征,构建重构误差,利用重构误差训练 SVDD 分类模型得到超球体半径阈值,建立检测率指标.通过工业实际生产案例进行模型验证,并应用PCA、SVDD算法分别建立异常检测模型作对比实验.[结果]基于AE-SVDD的算法模型检测率可提高约 63%,并能预测 4～8 min 后即将发生的质量异常,明显优于其他算法模型.[结论]与传统方法相比,AE-SVDD 异常工况检测方法不仅显著提高了检测率,而且具有良好的异常工况预警作用,有助于及时发现、控制滚筒叶丝干燥过程潜在异常工况,降低质量异常的产生几率.

关键词

滚筒烘丝机/自动编码器/支持向量数据描述/重构误差/异常检测

Key words

drum dryer/auto encoder/SVDD/reconstruction error/anomaly detection

引用本文复制引用

基金项目

国家局烟草科研大数据重大专项(110202101083SJ-07)

河南省科技攻关计划(212102210155)

&&(202022AWCX04)

出版年

2023
中国烟草学报
中国烟草学会

中国烟草学报

CSTPCDCSCD北大核心
影响因子：1.182
ISSN：1004-5708
参考文献量6
段落导航相关论文