基于语义增强型深度自编码器的零样本故障诊断方法

摘要

近年来，零样本工业过程故障诊断方法逐渐受到关注.针对传统嵌入模型在零样本故障诊断中表现不佳的问题，提出一种基于语义增强型深度自编码器(semantic-enhanced deep autoencoder, SEDAE)的零样本故障诊断算法.首先，给出一种基于语义属性空间三元组损失约束的投影域偏移消除方法，提升模型知识迁移的能力.然后，将三元组损失函数约束引入深度自编码器，自动提取已见类别语义特征，实现了已见类别语义知识与先验语义信息之间的最优映射.在此基础上，在语义空间使用最近邻方法确定新样本所属的类别.田纳西伊斯曼过程(Tennessee-Eastman process, TEP)仿真结果表明，所提零样本故障诊断方法准确率相较传统方法提升7.11%,在广义零样本故障诊断中也取得满意的结果.

关键词

故障诊断 / 零样本学习 / 语义增强型深度自编码器 / 三元组损失 / 投影域偏移