基于特征加权的化工过程中未见模式的故障诊断

摘要

故障诊断是化工行业确保生产安全和产品质量的关键。现有的基于深度神经网络的故障诊断模型利用特定条件下的样本训练，忽视了其领域泛化能力，导致在复杂多变的场景中诊断性能出现明显下降。针对这一问题，提出了一种基于加权的领域特定特征去除网络(Weighted-Based Domain-Specific Feature Removal Network, WBDSFRN)。WBDSFRN包含一个基于加权的领域特定特征去除模块，在训练阶段区分领域不变特征和领域特定特征；在测试阶段尽量将目标域特定特征去除，从而减轻领域偏移的影响。最后，利用田纳西-伊士曼工艺(Tennessee-Eastman Process, TEP)进行实验。结果表明，WBDSFRN的性能优于现有方法，在复杂多变的操作条件下也能表现出稳健的诊断性能。

关键词

故障诊断 / 深度神经网络 / 领域泛化 / 领域偏移 / 田纳西-伊士曼工艺