基于多注意力机制的深度神经网络故障诊断算法

针对现有的故障诊断算法难以深入挖掘复杂过程数据内在信息的问题,引入深度神经网络增强故障诊断模型的非线性表征能力,并在此基础上引入三种注意力机制对特征之间的非线性关系进行建模,提出了一种基于多注意力机制的深度神经网络故障诊断算法。该算法首先引入特征位置嵌入方法生成特征位置向量,并将其同特征向量一并作为深层网络的输入;然后通过注意力机制计算相应的注意力特征,完成故障类型诊断;最后将该算法应用到田纳西-伊斯曼过程(Tennessee-Eastman process, TEP)故障诊断中进行性能验证,并与常规的数据驱动方法进行对比。实验结果表明,该算法的平均F1分数比常规的数据驱动方法高10%～15%。