面向TE过程的深度集合型故障诊断方法综述

杨青 罗登

(沈阳理工大学自动化与电气工程学院，辽宁沈阳 110159)

故障诊断是现代工业安全运行不可或缺的重要组成部分。故障诊断方法通常可分为4类，即基于数学模型、基于知识、基于数据驱动和集合型故障诊断方法。其中，基于数学模型和基于知识的故障诊断方法由于建模困难和严重依赖专家知识应用受到限制。数据驱动方法[1]采用统计分析、机器学习、深度学习[2-3]建立故障诊断模型。集合型故障诊断方法通过融合和优化等技术，将多个单一型故障诊断方法相结合，具有多个单一型方法的优点。目前，基于数据驱动和集合型故障诊断方法，特别是基于深度学习的集合型故障诊断方法(Deep Ensemble Fault Diagnosis，DEFD)是学术界和工业界研究的热点。

深度学习通过学习深层非线性网络结构，能够模拟更加复杂的函数。基本结构有，深度置信网络(DeepBelief Nets，DBNs)、堆叠自动编码器(Stacked Auto-Encoders，SAE)、卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Networks，RNN(含LSTM，GRU))等。

TE过程[4]作为验证故障诊断方法的重要模型，不仅可以模拟单个连续工作模态、多个连续工作模态，还可以模拟数据缺失、数据不平衡、非线性、非高斯分布等不良数据特性。

图1 在线DEFD典型结构图

表1 适于TE过程的DEFD方法汇总

对DEFD方法在TE过程应用进行分析归纳。已提出的主要DEFD方法如表1所示。离线建模在线诊断成为DEFD典型结构，如图1所示。

1 适于单模态TE过程的DEFD方法

1.1 基于深度置信网络(DBN)的DEFD方法

DBN由两部分神经元组成：显性神经元(显元)-用于接收输入数据；隐性神经元(隐元)-用于高层特征提取。DBN的关键组成元件是受限玻尔兹曼机(RBM)，通过将多层RBM组合并结合，最终分类器对输入数据进行检测、识别以及分类。

由于DBN最初是为图像识别而开发的，它已经被应用于具有二进制值类型变量的系统。对于大多数变量为连续值型的复杂化学过程，如TE过程的应用，直到2017年才有报道。针对单模态TE过程，近3年提出的基于DBN的集合型故障诊断方法如表2所示。

1.2 基于自编码器(AE)的DEFD方法

自编码器是一种尽可能复现输入信号的神经网络。自编码器随着时代的发展产生了很多分支如：欠完备自编码器、正则自编码器、稀疏自编码器、去噪自编码器、收缩自编码器、堆栈自编码器(SAE)等。

针对单模态TE过程，近3年提出的基于AE的集合型故障诊断方法如表3所示。

1.3 基于卷积神经网络(CNN)的DEFD方法

CNN由纽约大学的Yann LeCun于1998年提出。针对单模态TE过程，近3年提出的基于AE的集合型故障诊断方法如表4所示。

1.4 基于长短时记忆网络(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 多模态TE过程的DEFD方法

LSTM针对单模态TE过程，近3年提出的基于LSTM的集合型故障诊断方法如表5所示。

1.5 其他DEFD方法

其它DEFD方法如表6所示。

2 适于多模态TE过程的DEFD方法

到目前为止，多模态TE过程故障诊断多采用基于数据驱动的统计学方法。基于深度学习的多模态TE过程研究刚刚起步，已公开发表的研究成果如表7所示。

3 结语

本文从集合型DBN、AE、CNN、RNN和其他网络五个方面对国内外基于深度学习的TE过程故障诊断研究现状进行分析总结和展望。单一的故障诊断方法各自存在着局限性。对于实际对象的故障诊断，如用单一的方法，有时难以准确快速地完成对复杂对象的故障诊断。因此，将多种诊断方法相结合，将多种不同的智能技术相结合起来的集合故障诊断技术，特别是针对多模态过程的深度集合型在线故障诊断技术是故障诊断研究的一个重要发展趋势。