软传感器用于工业故障检测,使用多级融合时卷积自动编码器

科学领域:

• 工业过程监控 工业过程监控
• 机器学习应用 机器学习应用
• 数据科学数据科学数据科学

背景情况:

• 智能传感器产生大量的过程数据,使复杂的工业监控软传感器的开发.
• 现有的方法在多尺度的特征提取和动态数据演变方面扎.

研究的目的:

• 提出一种基于自编码器的增强时卷积软传感器模型.
• 为了有效地捕捉工业过程数据中的多尺度特征和动态演变.
• 提高工业过程监测和故障检测的稳定性和准确性.

主要方法:

• 开发了一个过器时间卷积网络,具有适应性过器响应正常化,用于增强的多尺度特征提取.
• 为高效的特征提取和数据重建,构建了一个多层过器时间卷积自编码器.
• 实现了一个多尺度的特征融合模块,具有适应性时间特征集成的通道注意力机制.
• 建立了一个基于重建错误和Kullback-Leibler分歧的统计指标,用于故障检测控制极限.

主要成果:

• 拟议的模型有效地提取多级特征,并捕捉动态过程演变.
• 适应性波器响应正常化和通道注意力增强了模型的概括性和稳定性.
• 实现了准确的过程数据重建和改进的故障检测能力.
• 通过废水处理和多相流过程中的应用来验证.

结论:

• 基于自编码器的增强时卷积软传感器在工业过程监控中表现出卓越的性能.
• 该方法提供有效的多尺度特征提取,强大的时间特征集成和可靠的故障检测.
• 该模型为复杂的工业过程分析和控制提供了有价值的工具.