基于属性描述的多单元过程零样本故障诊断

TQ02%TP277; 传统的基于数据驱动的故障诊断方法依赖于大量带标签的故障样本,但在化工过程中没有目标故障样本可供训练的情形十分普遍.针对该问题,引入零样本学习(Zero-shot learning,ZSL)的思想,提出了基于属性描述的多单元自注意力机制(Attribute description based multi-unit self-attention mechanism,AMSM)的故障诊断方法.首先,语义自编码器提取样本中包含故障属性的语义信息;其次,自注意力机制利用语义信息自适应地调节各个单元特征间的相关关系进行属性学习;最后,通过比较属性矩阵的相似度实现故障诊断.基于田纳西...

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 49; no. 6; pp. 845 - 853
Main Authors 易永率, 赵海涛
Format Journal Article
LanguageChinese
Published 华东理工大学信息科学与工程学院, 上海 200237 01.12.2023
Subjects
self-attention mechanism
自注意力机制
多单元化工过程
fault diagnosis
attribute description
multi-unit chemical process
故障诊断
zero-shot learning
属性描述
零样本学习
Online AccessGet full text
ISSN1006-3080
DOI10.14135/j.cnki.1006-3080.20221024001

Cover

More Information
Summary:TQ02%TP277; 传统的基于数据驱动的故障诊断方法依赖于大量带标签的故障样本,但在化工过程中没有目标故障样本可供训练的情形十分普遍.针对该问题,引入零样本学习(Zero-shot learning,ZSL)的思想,提出了基于属性描述的多单元自注意力机制(Attribute description based multi-unit self-attention mechanism,AMSM)的故障诊断方法.首先,语义自编码器提取样本中包含故障属性的语义信息;其次,自注意力机制利用语义信息自适应地调节各个单元特征间的相关关系进行属性学习;最后,通过比较属性矩阵的相似度实现故障诊断.基于田纳西-伊斯曼(Tennessee-Eastman,TE)过程设计了零样本故障诊断实验,结果表明AMSM能在没有目标故障样本的情况下实现故障诊断.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20221024001