面向TE過程的深度集合型故障診斷方法綜述

楊青 羅登

(沈陽理工大學自動化與電氣工程學院，遼寧沈陽 110159)

故障診斷是現代工業安全運行不可或缺的重要組成部分。故障診斷方法通?？煞譃?類，即基于數學模型、基于知識、基于數據驅動和集合型故障診斷方法。其中，基于數學模型和基于知識的故障診斷方法由于建模困難和嚴重依賴專家知識應用受到限制。數據驅動方法[1]采用統計分析、機器學習、深度學習[2-3]建立故障診斷模型。集合型故障診斷方法通過融合和優化等技術，將多個單一型故障診斷方法相結合，具有多個單一型方法的優點。目前，基于數據驅動和集合型故障診斷方法，特別是基于深度學習的集合型故障診斷方法(Deep Ensemble Fault Diagnosis，DEFD)是學術界和工業界研究的熱點。

深度學習通過學習深層非線性網絡結構，能夠模擬更加復雜的函數?；窘Y構有，深度置信網絡(DeepBelief Nets，DBNs)、堆疊自動編碼器(Stacked Auto-Encoders，SAE)、卷積神經網絡(Convolutional Neural Networks，CNN)、循環神經網絡(Recurrent Neural Networks，RNN(含LSTM，GRU))等。

TE過程[4]作為驗證故障診斷方法的重要模型，不僅可以模擬單個連續工作模態、多個連續工作模態，還可以模擬數據缺失、數據不平衡、非線性、非高斯分布等不良數據特性。

圖1 在線DEFD典型結構圖

表1 適于TE過程的DEFD方法匯總

對DEFD方法在TE過程應用進行分析歸納。已提出的主要DEFD方法如表1所示。離線建模在線診斷成為DEFD典型結構，如圖1所示。

1 適于單模態TE過程的DEFD方法

1.1 基于深度置信網絡(DBN)的DEFD方法

DBN由兩部分神經元組成：顯性神經元(顯元)-用于接收輸入數據；隱性神經元(隱元)-用于高層特征提取。DBN的關鍵組成元件是受限玻爾茲曼機(RBM)，通過將多層RBM組合并結合，最終分類器對輸入數據進行檢測、識別以及分類。

由于DBN最初是為圖像識別而開發的，它已經被應用于具有二進制值類型變量的系統。對于大多數變量為連續值型的復雜化學過程，如TE過程的應用，直到2017年才有報道。針對單模態TE過程，近3年提出的基于DBN的集合型故障診斷方法如表2所示。

1.2 基于自編碼器(AE)的DEFD方法

自編碼器是一種盡可能復現輸入信號的神經網絡。自編碼器隨著時代的發展產生了很多分支如：欠完備自編碼器、正則自編碼器、稀疏自編碼器、去噪自編碼器、收縮自編碼器、堆棧自編碼器(SAE)等。

針對單模態TE過程，近3年提出的基于AE的集合型故障診斷方法如表3所示。

1.3 基于卷積神經網絡(CNN)的DEFD方法

CNN由紐約大學的Yann LeCun于1998年提出。針對單模態TE過程，近3年提出的基于AE的集合型故障診斷方法如表4所示。

1.4 基于長短時記憶網絡(LSTM)的DEFD方法

表2 基于DBN的DEFD方法

表3 基于AE的DEFD方法

表4 基于CNN的DEFD方法

表5 基于LSTM的DEFD方法

表6 其它DEFD方法

表7 多模態TE過程的DEFD方法

LSTM針對單模態TE過程，近3年提出的基于LSTM的集合型故障診斷方法如表5所示。

1.5 其他DEFD方法

其它DEFD方法如表6所示。

2 適于多模態TE過程的DEFD方法

到目前為止，多模態TE過程故障診斷多采用基于數據驅動的統計學方法。基于深度學習的多模態TE過程研究剛剛起步，已公開發表的研究成果如表7所示。

3 結語

本文從集合型DBN、AE、CNN、RNN和其他網絡五個方面對國內外基于深度學習的TE過程故障診斷研究現狀進行分析總結和展望。單一的故障診斷方法各自存在著局限性。對于實際對象的故障診斷，如用單一的方法，有時難以準確快速地完成對復雜對象的故障診斷。因此，將多種診斷方法相結合，將多種不同的智能技術相結合起來的集合故障診斷技術，特別是針對多模態過程的深度集合型在線故障診斷技術是故障診斷研究的一個重要發展趨勢。