基于改进LSTM神经网络的化工过程故障诊断 |
| |
引用本文: | 杜先君,邱小彧.基于改进LSTM神经网络的化工过程故障诊断[J].兰州理工大学学报,2023(6):72-79. |
| |
作者姓名: | 杜先君 邱小彧 |
| |
作者单位: | 兰州理工大学电气工程与信息工程学院 |
| |
基金项目: | 国家自然科学基金(61963025); |
| |
摘 要: | 针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.
|
关 键 词: | 化工过程 深度学习 注意力机制 故障诊断 |
|
|