基于多變量卷積神經網絡的發酵過程故障監測

高學金, 劉爽爽, 高慧慧

(1. 北京工業大學 信息學部, 北京 100124; 2. 數字社區教育部工程研究中心, 北京 100124;3. 城市軌道交通北京實驗室, 北京 100124; 4. 計算智能與智能系統北京市重點實驗室, 北京 100124)

1 前 言

發酵過程是現代流程工業中常見的一種生產方式[1]，通常表現出動態性、非線性等固有特性，難以建立模型在線監測。因此，亟需建立合適的監測模型實現過程安全穩定運行。基于數據驅動的多元統計方法在工業過程領域取得廣泛應用，典型方法有主成分分析(principal component analysis，PCA)[2-3]、獨立分量分析(independent component analysis， ICA)[4-5]、時間片典型相關分析(canonical correlation analysis，CCA)[6]，但傳統多元統計方法模型較為簡單，不能自適應提取數據深層特征，在當今的大數據背景下，面對數據量大、數據復雜多變等問題，監測能力遠遠不足。

深度學習[7-9]在大數據特征提取上具有其他算法不可比擬的優勢，通過逐層的非線性特征提取能深入挖掘數據內在信息，表現出強大的信息學習能力和表達能力，并且對時序相關的序列數據同樣具有較強的適用性。近年來深度學習方法因優越性能被廣泛用于工業過程，如深層置信網絡[10]、循環神經網絡[11]、堆疊去噪自編碼[12]和卷積神經網絡(convolution neural network，CNN)[13]，尤其是CNN 優越的特征提取能力越來越受到科研人員的青睞。Lee 等[14]提出故障檢測和分類卷積神經網絡方法，應用于半導體制造過程。Zhang 等[15]提出一種第一層寬卷積核的深度卷積神經網絡方法，解決CNN 應用于故障診斷準確率不高的問題。Jiang 等[16]針對齒輪箱振動信號固有的多尺度特性，提出一種多尺度卷積神經網絡結構，實現齒輪箱振動信號的多尺度特征提取和分類。……