基于PCA-PDBNs的故障检测与自学习辨识

被引:21
作者
王培良 [1 ,2 ]
夏春江 [2 ]
机构
[1] 湖州师范学院信息与控制技术研究所
[2] 杭州电子科技大学新型电子器件研究所
基金
浙江省自然科学基金;
关键词
深度信念网络; 粒子群优化; 主元分析; 故障检测; 自学习辨识;
D O I
10.19650/j.cnki.cjsi.2015.05.023
中图分类号
TP18 [人工智能理论]; TP277 [监视、报警、故障诊断系统];
学科分类号
081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ;
摘要
如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。
引用
收藏
页码:1147 / 1154
页数:8
相关论文
共 18 条