面向实际化工过程故障诊断的强化深度卷积神经网络模型构建与应用

作者：张佳鑫; 张淼; 戴一阳; 董立春^*

来源：化工进展, 2023, 1-14.

DOI：10.16085/j.issn.1000-6613.2023-1283

• 故障诊断
• 强化深度卷积神经网络
• 过程控制
• 系统工程
• 激活函数

基于数据驱动的故障诊断技术可以帮助操作人员及时有效的发现和检测异常情况，是当前工业与大数据融合的热点领域之一。深度卷积神经网络 (Deep Convolutional Neural Networks， DCNN)是最常用的基于数据驱动的故障诊断模型，但其激活过程存在正负值计算不匹配以及信息流通效率低导致的参数冗余问题。本文提出一种基于最大平滑单元 (Maximum Smoothing Unit， MSF) 函数的新激活机制克服传统激活函数的缺点，并且引入注意力机制 (Attention mechanism) 结合门控循环单元 (Gated recurrent unit， GRU) 提升DCNN的信息流通效率克服参数冗余问题，以综合提升传统DCNN模型的故障诊断性能。强化深度卷积神经网络（Enhanced deep convolutional neural networks， EDCNN）的现有模型表现出显着提高的性能，这在工业致动器控制系统和工业酸性气体吸收过程这两个过程中的应用得到了验证。两个过程的平均故障诊断率均超过99.0%。

• 单位
  化学化工学院; 重庆大学; 湘潭大学