专注于一个深度学习架构可以提高故障诊断性能吗?
João G Neto1, Karla Figueiredo2, João B P Soares3
1Department of Chemical and Materials Engineering, Pontifical Catholic University of Rio de Janeiro, 225, Marquês de São Vicente Street, Gávea, Rio de Janeiro, RJ 22451-900, Brazil.
Journal of chemical information and modeling
|January 30, 2025
概括
专注于一个单一的深度学习架构,如卷积神经网络,显著改善了田纳西伊斯曼过程数据集上的故障诊断性能. 这种有针对性的方法比更广泛的方法获得了更高的准确性,证明了其对工业应用的潜力.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 机器学习模型的选择往往涉及到广泛探索各种架构.
- 这可能会限制现有方法的深入分析和优化.
- 开发高效的故障诊断系统对于工业过程安全和优化至关重要.
研究的目的:
- 调查针对故障诊断的集中深度学习方法的有效性.
- 通过专注于单一架构类型来评估性能改进.
- 在田纳西东曼过程数据集上评估一个修改的卷积神经网络.
主要方法:
- 专注于一个单一的深度学习架构:卷积神经网络 (CNN).
- 为了进行案例研究,利用了基准的田纳西州东曼过程数据集.
- 对基于参考CNN的模型进行调研,以改进故障诊断.
主要成果:
- 在故障分类方面获得了最高平均F1得分89.85%.
- 与基线模型的性能相比,显示了7.47%的改进.
- 超过了本基准数据集的文献中的其他报告结果.
结论:
- 对特定深度学习架构的专注方法可以显著提高故障诊断性能.
- 修改后的CNN显示了改善工业过程监控的巨大潜力.
- 调查结果表明,这种专注的战略需要对各种数据集进行进一步的探索.
