基于批次图像化的卷积自编码故障监测方法
作者:
作者单位:

(1. 北京工业大学信息学部,北京100124;2. 数字社区教育部工程研究中心,北京100124;3. 城市轨道交通北京实验室,北京100124;4. 计算智能与智能系统北京市重点实验室,北京100124;5. 内蒙古工业大学电力学院,呼和浩特010051)

作者简介:

通讯作者:

E-mail: gaoxuejin@bjut.edu.cn.

中图分类号:

TP273

基金项目:

国家自然科学基金项目(61803005,61640312,61763037);北京市自然科学基金项目(4192011,4172007);山东省重点研发计划项目(2018CXGC0608);北京市教育委员会项目(PXM2019_014204_500034).


Fault detection of batch image-based convolutional autoencoder
Author:
Affiliation:

(1. Faculty of Information Technology,Beijing University of Technology,Beijing100124,China;2. Engineering Research Center of Digital Community of Ministry of Education,Beijing100124,China;3. Beijing Laboratory for Urban Mass Transit,Beijing100124,China;4. Beijing Key Laboratory of Computational Intelligence and Intelligent System,Beijing100124,China;5. School of Electric Power,Inner Mongolia University of Technology,Hohhot010051,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对间歇过程的非线性、多阶段性等特点及其三维数据形式,提出基于批次图像化的卷积自编码故障监测方法.首先,将每个批次数据看作一个灰度图,每个批次中数据变化可以看作图片的纹理变化,利用卷积自编码器(convolutional autoencoder,CAE)直接对间歇过程三维数据进行特征提取,避免三维数据展开成二维时导致的信息丢失,无需分阶段充分考虑批次全局信息,有效提取过程变量相关关系的动态变化;同时,利用卷积操作提取局部特征信息,自编码网络可以解决非线性问题,实现特征的无监督学习;然后,使用一类支持向量机(one-class support vector method, OCSVM)描述特征分布,构造新的统计量,确定控制限,实现故障监测;最后,通过将该方法应用到Pensim仿真平台及重组人粒细胞集落刺激因子发酵的实际生产数据,验证所提方法的准确性和有效性.

    Abstract:

    Aiming at nonlinearity, multi phases and 3D data matrixes in batch processes, a fault detection method using a batch image-based convolutional autoencoder is proposed. Process data of each batch is considered as a grayscale image and is input to the convolutional autoencoder(CAE) directly for representation learning. Data variation in each batch can be regarded as the texture change of the image. Information loss caused by 3D data unfolding to 2D is avoided. Meanwhile, variable correlation is effectively extracted using global modeling with no need to phase division. Convolution operation extracts local conjunction features, and using a autoencoder is an efficient way for unsupervised learning. Then the one-class support vector methold(OCSVM) is used to constructe monitoring statistic and calculate control limit for fault detection. By applying the proposed method on the Pensim simulation and recombinant human granulocyte colony-stimulating factor (rhG-CSF) fermentation process, the effectiveness is demonstrated.

    参考文献
    相似文献
    引证文献
引用本文

张海利,王普,高学金,等.基于批次图像化的卷积自编码故障监测方法[J].控制与决策,2021,36(6):1361-1367

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2021-05-10
  • 出版日期: 2021-06-20