基于多变量变压器的超学习,用于大规模系统的短时间故障诊断

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 工业过程控制 工业过程控制

背景情况:

• 大型系统面临着严重的故障诊断挑战,原因是数据的复杂性,高维度和稀缺的标记故障数据.
• 现有的方法在有限的故障例子中扎,阻碍了在现实世界的操作场景中准确和及时的诊断.

研究的目的:

• 提出一种新的故障诊断方法,即多变量元变压器 (MVMT),旨在克服数据稀缺性和复杂性问题.
• 增强变压器模型以有效处理多变量时间序列数据,整合连续变量和状态变量.
• 为了利用超级学习,特别是模型不可知超级学习 (MAML),用于几次射击故障诊断能力.

主要方法:

• 改造变压器模型以处理多变量时间序列数据.
• 引入特征层,在变压器编码器中集成连续和状态变量.
• 应用模型不可知性超学习 (MAML) 策略,使用修改后的变压器作为基础模型.

主要成果:

• 多变量元变压器 (MVMT) 在几次射击故障诊断场景中表现出色.
• 使用仅连续数据和结合连续和状态变量的有效诊断.
• 在田纳西伊斯曼过程和电源系统数据库上的验证证实了该方法的稳定性.

结论:

• MVMT方法成功地解决了在具有有限标记数据的大规模系统中故障诊断的挑战.
• 超级学习与修改过的变压器架构相结合,为短时间的故障诊断提供了一个强大的框架.
• 提出的方法为提高工业过程的可靠性和安全性提供了一个有希望的解决方案.