动态因果-时空卷积网络用于大规模工业过程的与质量相关的故障诊断

科学领域:

• 工业过程监控 工业过程监控
• 机器学习用于质量控制.
• 在工程学中的因果推理.

背景情况:

• 复杂的工业过程呈现出越来越多的数据相互依赖性,具有挑战性的质量相关故障诊断.
• 传统的因果发现方法与等级,动态和时空过程特征作斗争.
• 准确的故障诊断对于保持产品质量和运营效率至关重要.

研究的目的:

• 在复杂的工业环境中开发一种先进的质量相关故障诊断方法.
• 解决现有的因果发现技术在表示动态和时空过程数据方面的局限性.
• 为了提高故障根源原因识别的解释性和准确性.

主要方法:

• 一种动态因果 (DCE) 方法,用于构建层次动态因果图 (CG).
• 一个3D挤压激发 (SE) 卷积神经网络用于时空特征分析.
• 一种局部-全球故障检测方法,用于根源原因识别的因果异常向量.

主要成果:

• 拟议的DCE-时空卷积网络准确地模拟动态相互作用和时空特征.
• 该方法有效地减轻了混因素,并提高了因果关系的解释性.
• 在数值模拟和现实世界热带磨粉工艺 (HSMP) 数据上表现出高效率.
• 实现了95.78%的卓越故障检测准确度.

结论:

• 新的DCE时空卷积网络为复杂工业过程中与质量相关的故障诊断提供了强大的解决方案.
• 这种方法可以精确地识别多个层次层次的故障根源.
• 该方法具有显著的实用优势和高准确性,通过真实世界的工业数据进行验证.