科研動(dòng)態(tài)
時(shí)域/頻域特征驅(qū)動(dòng)的集成學(xué)習(xí)故障檢測(cè)方法
中文題目：時(shí)域/頻域特征驅(qū)動(dòng)的集成學(xué)習(xí)故障檢測(cè)方法
論文題目：Time/Frequency Feature-Driven Ensemble Learning for Fault Detection
錄用期刊/會(huì)議：Processes（中科院大類(lèi)4區(qū)）
原文DOI：https://doi.org/10.3390/pr12102099
原文鏈接：https://www.mdpi.com/2227-9717/12/10/2099
錄用/見(jiàn)刊時(shí)間：26 September 2024
作者列表：
1）繆云楚 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 本22級(jí)
2）李 振 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 本22級(jí)
3）陳茂銀 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 教師
文章簡(jiǎn)介:
微小故障一直是故障檢測(cè)領(lǐng)域中的研究難點(diǎn)?；陧?xiàng)目組所提出的特征集成網(wǎng)絡(luò)方法，本文提出了一種時(shí)域/頻率特征驅(qū)動(dòng)的集成學(xué)習(xí)檢測(cè)方法，能夠成功地檢測(cè)TEP中的微小故障3，9與15。
摘要:
本文提出了一種基于時(shí)頻特征的集成學(xué)習(xí)方法，有效提升微小故障檢測(cè)性能。相比單純依賴(lài)時(shí)域特征的方法，該方法結(jié)合了頻域信息，通過(guò)FENet和功率譜密度（PSD）分別提取時(shí)域與頻域特征，最后使用貝葉斯推理融合檢測(cè)結(jié)果。TEP仿真結(jié)果顯示，該方法在檢測(cè)微小故障3、9和15方面明顯優(yōu)于傳統(tǒng)方法。
背景與動(dòng)機(jī):
故障檢測(cè)對(duì)工業(yè)過(guò)程的安全性至關(guān)重要，尤其是在復(fù)雜系統(tǒng)中，微小故障的準(zhǔn)確檢測(cè)變得尤為關(guān)鍵?，F(xiàn)有數(shù)據(jù)驅(qū)動(dòng)方法在此方面效果不佳，主要依賴(lài)時(shí)域特征。本文提出結(jié)合時(shí)域與頻域特征的集成學(xué)習(xí)方法，有效提升微小故障的檢測(cè)性能。TEP仿真結(jié)果表明，該方法在檢測(cè)故障3、9和15方面表現(xiàn)優(yōu)異。
設(shè)計(jì)與實(shí)現(xiàn):
FENet負(fù)責(zé)提取時(shí)域特征，特征轉(zhuǎn)換層通過(guò)滑窗和奇異值分解逐步生成新的特征矩陣，決策層則基于奇異值統(tǒng)計(jì)量判斷故障狀態(tài)。頻域特征提取網(wǎng)絡(luò)利用功率譜密度（PSD）獲得頻域特征矩陣，先分段處理數(shù)據(jù)，再通過(guò)傅里葉變換和奇異值分解提取特征，最后由多層神經(jīng)網(wǎng)絡(luò)進(jìn)一步處理。本文采用貝葉斯推理融合時(shí)域與頻域的檢測(cè)結(jié)果，通過(guò)更新后驗(yàn)概率提高檢測(cè)準(zhǔn)確性，結(jié)合加權(quán)后驗(yàn)概率判斷樣本的故障狀態(tài)。
整個(gè)算法分為離線(xiàn)訓(xùn)練和在線(xiàn)訓(xùn)練兩部分：離線(xiàn)階段通過(guò)訓(xùn)練樣本調(diào)整參數(shù)和計(jì)算控制限，而在線(xiàn)階段則使用訓(xùn)練好的模型對(duì)新樣本進(jìn)行實(shí)時(shí)故障檢測(cè)：
圖1：時(shí)頻特征驅(qū)動(dòng)的集成學(xué)習(xí)框架
主要內(nèi)容:
本文提出了一種基于時(shí)頻特征的集成學(xué)習(xí)方法用于工業(yè)故障檢測(cè)，相比僅依賴(lài)時(shí)域特征的方法，此方法有效結(jié)合了頻域信息，提升了檢測(cè)性能。核心方法通過(guò)FENet提取時(shí)域特征和頻譜密度（PSD）提取頻域特征，再利用貝葉斯推理實(shí)現(xiàn)高效故障檢測(cè)。以TEP為驗(yàn)證對(duì)象的實(shí)驗(yàn)表明，該方法在漸發(fā)性故障（如故障3、9和15）檢測(cè)上平均檢測(cè)率達(dá)90.63%，遠(yuǎn)高于傳統(tǒng)PCA、DPCA等方法的4%。
實(shí)驗(yàn)結(jié)果及分析:
如表1所示，該方法對(duì)TEP故障3、5、9、15、16和21的檢測(cè)率達(dá)90.63%，顯著高于FENet的75%和PCA、DPCA的4%。時(shí)頻特征融合顯著提升了微小故障的檢測(cè)效果。
表1: 所提方法與對(duì)比方法的故障檢測(cè)率
結(jié)論:
本文提出了一種時(shí)域/頻率特征驅(qū)動(dòng)的集成學(xué)習(xí)方法，能夠成功檢測(cè)TEP微小故障3、9和15。該方法明顯優(yōu)于傳統(tǒng)PCA、DPCA和FENet。本研究顯示了時(shí)頻/域特征集成在檢測(cè)微小故障方面的優(yōu)越性能。
通訊作者簡(jiǎn)介:
陳茂銀，中國(guó)石油大學(xué)（北京）人工智能學(xué)院教授，德國(guó)洪堡學(xué)者。2005年至2023年，清華大學(xué)自動(dòng)化系先后任職助理研究員/副教授。目前已經(jīng)國(guó)際期刊上發(fā)表和錄用國(guó)際期刊論文120多篇，其中Automatica/IEEE Trans系列期刊40余篇。主持國(guó)家自然科學(xué)基金/國(guó)家重點(diǎn)研發(fā)計(jì)劃課題等國(guó)家級(jí)項(xiàng)目/課題10余項(xiàng)。連續(xù)入選（2020年-2023年）斯坦福大學(xué)和愛(ài)思唯爾聯(lián)合發(fā)布的全球前2%頂尖科學(xué)家“終身科學(xué)影響力排行榜”和“年度科學(xué)影響力排行榜”。