基于加权深度支持向量数据描述的工业过程故障检测

• 作者: 王晓慧 王延江 邓晓刚 张政
• 来源期刊: 化工学报
• 关键词: 动态建模 过程系统 算法 故障检测 深度学习 支持向量数据描述 非线性过程 加权因子
• 年，卷（期）: 2021,（11）
• 所属期刊栏目: 过程系统工程
• 页码范围: 5707-5716
• 页数: 9页
• 分类号: TP277
• 语种: 中文
• DOI: 10.11949/0438-1157.20210707

摘要

传统支持向量数据描述(SVDD)方法本质上采用浅层学习框架，难以有效监控非线性工业过程的复杂故障。针对此问题，提出一种基于加权深度支持向量数据描述(WDSVDD)的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数，构建基于深度特征的深度SVDD监控模型(DSVDD)，并利用核密度估计法计算监控指标的统计控制限；另一方面，考虑到深度特征的故障敏感度差异特性，在DSVDD监控模型中设计特征加权层，分别从静态和动态信息分析角度给出权重因子的计算方法，利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明，所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。