基于卷积神经网络的多模态过程故障检测

传统多元统计分析方法在多模态过程故障检测应用中存在控制阈值难以选择、误报率和漏报率高等问题，受到计算机智能视觉处理技术的启发，提出数据驱动的基于平铺卷积神经网络（TCNN）的故障检测方法，该方法创新地将多传感器数据编码成二维图像，将故障检测变成模式识别问题。离线阶段，将历史数据进行差值图像编码以保留特征，构建模型训练数据集。进一步建立故障检测TCNN模型，使用Adam算法进行梯度下降模型寻优，引入灰狼优化算法进行超参数寻优获得较优的检测模型。在线阶段，将在线传感器信号输入模型进行模态识别和故障检测。从数据出发，无需特征工程和人工干预，通过TCNN模型学习数据深层的模式特征。TEP数据集实验表明，对传统方法难以检测的多模态过程故障，提出的方法取得了较好的检测效果，有效地降低了误报率和漏报率，在工业智能制造的发展趋势下具有一定的应用价值。