基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络（sparsely local embedding network,SLENet）的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络（CNN）和支持向量机（SVM）方法具有更高的故障诊断精度。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。     

LDA＿SVM方法在化工过程故障诊断中的应用

针对复杂化工生产过程数据多样性、高维性以及风险重复性的特点,结合网格搜索(GS)与K折交叉验证(K-CV)理论,提出一种基于线性判别分析(LDA)与支持向量机(SVM)相融合的故障诊断方法。首先利用LDA对正常工况和5类故障模式的混合运行数据进行矢量映射,压缩特征空间维度,抽取并重构故障特征信息。将预处理后的数据作为输入样本,利用GS与K-CV得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于单一SVM和PCA(主元分析)_SVM故障诊断模型,LDA与SVM融合故障诊断方法收敛速度快、诊断准确率高、模型健壮,对化工过程6种运行模式的故障识别准确率达到93.9%。     

基于参数残差驱动贝叶斯网络的冷水机组故障诊断

应用于冷水机组的故障诊断技术对于降低建筑能耗，提高机组运行效率有着重要作用。为了进一步提高冷水机组故障诊断性能，同时考虑到特征参数残差蕴含更多故障信息，提出一种基于特征参数残差驱动贝叶斯网络(BN)的冷水机组故障诊断方法。首先，构建特征参数基准值模型，获得其基准值；然后使用基准值和其实际运行值之间的参数残差训练BN模型。以此达到充分利用参数残差蕴含故障信息，从而提高故障诊断性能的目的。使用实验数据对构建方法的有效性进行验证，与使用特征参数直接驱动BN的诊断模型相比，对冷水机组常见故障的诊断正确率最高提升了约22.51个百分点。此外，比较分析了三种参数基准值模型构建方法的性能，基于神经网络方法的基准值模型较其他两种基准值模型表现更优。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法,RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

基于模拟疫苗的人工免疫系统在氯乙烯聚合间歇过程故障诊断中的应用

根据聚氯乙烯工业生产过程的工艺信息、操作规程和历史数据,利用Aspen软件建立了氯乙烯悬浮聚合间歇过程的动态仿真模型,由模拟得到的多个状态的样本数据生成正常模拟疫苗和故障模拟疫苗,结合工业数据建立正常抗体库和故障抗体库,解决了氯乙烯聚合过程故障诊断中故障样本数据缺乏的问题。利用动态时间弯曲算法和人工免疫系统对该聚合反应间歇过程进行故障诊断,具有较好的诊断效果。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法:基于重构的半监督极限学习机(RSELM)。相比于传统的半监督极限学习机(ELM)方法,RSELM采用自动编码ELM(ELM-AE)获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

基于决策分类方法的水泥回转窑故障诊断方法

提出了一种基于决策分类的水泥回转窑故障诊断方法。该方法利用水泥生产过程中产生的回转窑历史数据结合模糊决策树算法生成故障诊断模糊推理规则库,利用在线数据可对模糊规则库进行增量学习,不断完善故障诊断规则库。故障诊断阶段,将在线数据形成的特征向量与故障诊断规则库进行匹配,判断是否发生故障以及相应的故障类型。该方法对故障数据进行模糊化处理,提高了故障诊断结果的可解释性以及泛化性能,适用于实际的水泥生产过程。     

A novel imbalanced fault diagnosis method integrated KLFDA with improved cost-sensitive learning ANBSVM

Fault diagnosis, as an important approach to ensure the safety and stability of industrial processes, has been widely studied in recent years. During the running process, it is noted that the normal data are always much more than the fault data, which demonstrates imbalanced characteristics and leads to a negative effect on the overall accuracy of fault diagnosis. Targeting the problem, a novel imbalanced fault diagnosis method integrated kernel local Fisher discriminant analysis (KLFDA) with improved adaptive near-Bayesian support vector machine (ANBSVM) is proposed in this paper. First, KLFDA is used to extract the non-linear features while maintaining the local spatial structure of the data by introducing flow pattern learning. Second, considering the imbalance characteristics of the data, the data set is divided into a majority class (normal data) and a minority class (fault data). The density distributions of the two classes in their overlapping region are characterized by the proportional function of variance. Third, by minimizing the Bayesian error under the proportion function, the weight factors are adaptively obtained and then introduced into the objective function of the support vector machine (SVM). Namely, a cost sensitivity-based ANBSVM classifier for fault diagnosis is constructed. Finally, by the simulation experiment on the Tennessee Eastman (TE) process, the comparison results show that the proposed ANBSVM-based fault diagnosis method makes progress in the performance of fault diagnosis with higher diagnostic accuracy and F1 score.     

基于PSO-SVM的催化裂化装置故障诊断研究

提出基于粒子群优化算法和支持向量机的催化裂化装置反应再生子系统故障诊断方法。利用粒子群优化算法的全局搜索特性,实现支持向量机的参数优化算法。根据支持向量机算法构建了催化裂化装置反应再生子系统故障诊断模型。结果显示,该诊断方法准确率高,具有较高的使用价值。     

A novel imbalanced fault diagnosis method based on area identification conditional generative adversarial networks

As a vital technology for ensuring the stable operation of industrial equipment, fault diagnosis has received a lot of research in recent years. Most complex industrial processes are in normal working conditions during operation, so the amount of data collected under normal working conditions is much larger than that under fault working conditions. The uneven number of samples will lead to the imbalance of datasets and make it a challenging task to assure the overall accuracy. To address the issue, an innovative imbalanced fault diagnostic approach based on area identification conditional generative adversarial networks (AICGAN) is proposed. First, considering the imbalance between normal data (majority data) and fault data (minority data), a hybrid data generation method combining over-sampling and AICGAN generator is proposed, which effectively extends the limited minority data and overcomes the inclination to majority data to some extent. On one hand, the over-sampling algorithm reduces the impact of dataset imbalance on the AICGAN training process by linear interpolation. On the other hand, the trainable generator can create samples similar to real samples by learning the generation principle so as to enrich the minority data information and reduce the sample stacking caused by linear synthesis. The two sample production methods complement each other. Combining the raw samples, over-sampled samples, and samples generated by generator, a new dataset is constructed. Second, the new dataset is used to train the AICGAN discriminator. In addition, in order to generate samples with higher value, an auxiliary discrimination layer is added to the discriminator to control the pattern of generated samples. Third, the balanced dataset containing the linear synthesis samples and the samples generated by the trained generator are put into the classifier to obtain the fault diagnosis. The effectiveness of the proposed approach for fault diagnosis based on AICGAN is verified using the three-phase flow facility (TFF) dataset and the Tennessee Eastman (TE) dataset. The experimental results demonstrate that the AICGAN-based fault diagnosis method achieves high F1 scores on the imbalanced dataset.     

基于知识数据化表达的制冷空调系统故障诊断方法

制冷空调系统广泛用于建筑环境调节,是建筑能耗的重要组成部分,而系统故障运行会造成15%~20%的能耗增加。以深度学习为代表的数据驱动方法是故障诊断的热点技术。然而,数据驱动需要依赖大量标记数据从而限制了其应用。针对上述问题,提出一种基于知识数据化表达的故障诊断方法,通过将故障诊断先验知识以数据化的形式表达弥补真实标记数据不足的难题。首先,提出以随机缩放策略为信息扩增手段的知识数据化方法,并利用添加噪声达到生成样本与真实样本一致性更优的目的。然后,提出基于基准模型的目标系统偏离特性表征方法,将目标系统数据与生成数据的格式统一。最后,利用生成数据训练模型并在ASHRAE RP-1043数据集上验证,综合诊断正确率达82.67%,与经典的监督学习方法效果接近且完全无须标记数据,具有广泛应用前景。     

基于融合的贝叶斯网络的冷水机组故障诊断

基于贝叶斯网络（BN）的开放式结构,将现场观测信息融入到BN中,用以改善故障诊断性能。引入距离拒绝机制,以确定在故障为假时传感器测量参数的概率分布。提出了一种基于融合的BN的冷水机组故障诊断方法,该方法能够检测新故障和动态更新故障库。使用ASHRAE RP-1043的故障实验数据对提出的方法进行验证,结果显示：提出方法对新故障NF1的检测正确率为99.8%,现场观测信息的融入将新故障NF2的检测正确率提高了32.6%,并将已知故障rl（制冷剂泄露）和ro（制冷剂充注过量）的诊断正确率分别提高了4.8%和11.2%。     

基于粗糙集-贝叶斯的电网故障诊断方法

提出了一种基于粗糙集-贝叶斯的电网故障诊断方法,采用粗糙集信息表约简方法对电网故障特征进行约简,获取了电网故障诊断最小决策表,然后针对最小诊断决策规则建立贝叶斯网络模型,利用贝叶斯网络节点之间的权重关系提高电网故障诊断的效率和正确率.     

基于密度权重支持向量数据描述的冷水机组故障检测

虚警率（FAR）是评价冷水机组故障检测性能的关键指标，用户无法接受过高的FAR。为了降低支持向量数据描述（SVDD）在冷水机组故障检测时的FAR，将密度权重集成到SVDD中，提出了一种基于密度权重支持向量数据描述（DW-SVDD）的冷水机组故障检测方法，该方法考虑了样本数据在真实空间中的密度分布情况。使用ASHRAE RP-1043冷水机组实验数据对提出的方法进行验证，并将检测结果与传统SVDD的冷水机组故障检测方法进行比较。结果表明，提出的方法将FAR从10.5%降低到7%，同比下降超过了30%，同时对4个劣化等级下的7种典型冷水机组故障有着优良的检测性能。     

基于长短期记忆神经网络的数据中心空调系统传感器故障诊断

数据中心空调系统的故障直接影响其能耗及运行可靠性。结合深度学习技术,利用长短时间记忆神经网络提出了一种空调系统传感器故障检测与诊断的方法。经实验验证,该方法可通过对液管温度传感器、排气温度传感器分别建立故障诊断模型,成功检测出传感器固定偏差故障和漂移偏差故障。对于无故障数据,该方法的检测正确率在90%左右;对于偏差程度大于该方法的最小检测偏差的传感器故障数据,其检测正确率在94%以上。