基于RFKPCA和SAC-BiLSTM的复杂工业过程故障预测

作者：朱海南; 方叶祥^*

来源：控制工程, 2023, 1-8.

DOI：10.14107/j.cnki.kzgc.20221085

• 故障预测
• 核主元分析
• 卷积神经网络
• 注意力机制
• 双向长短期记忆神经网络

为实现对复杂工业过程的故障趋势预测，提出基于RF-KPCA和SAC-BILSTM故障预测方法。首先，使用随机森林算法(RF)的特征重要性对故障特征进行筛选。之后，使用核主元分析(KPCA)进行特征重构，并构造霍特林(T2)统计量用以描述工业过程的状态趋势。将降维后的变量与T2统计量组成监督学习型时间序列数据，针对双向长短时记忆网络(BiLSTM)无法提取空间特征，引入卷积网络(CNN)并改进激活函数，并针对故障点前后数据时变性较强的特性在隐藏输出层加入注意力机制。在TE仿真平台数据上的实验，表明此模型的准确性与其他模型相比有明显提升，与AC-BiLSTM相比在平均绝对百分比误差上，分别降低5.4%和10.7%，并且LSTM无法起到预测作用，无法表征故障趋势，而改进模型起到预测效果。

• 单位
  南京工业大学