基于DSC-DenseNet的流程工业系统故障监测

简介

田纳西-伊士曼过程数据高纬度、高耦合,存在数据特征难以提取的问题。为进一步提高流程工业系统中故障监测的识别率,现将一维稠密卷积网络(1D-DenseNet)与深度可分离卷积(DSC)结合,利用DenseNet的高效特征提取能力,并结合DSC减少计算参数、提高诊断效率,以提供基于DSC-DenseNet的故障监测方式。先将数据进行归一化整理,并加入随机种子避免过拟合,随后将处理后的结果作为DSC-DenseNet的输入进行特征提取,然后将输出结果传入全连接层进行故障分类;最后在TEP数据集上进行准确率测试。结果证明基于DSC-DenseNet的方法能有效分辨故障类型,故障分类准确率达到98.8%。并证明DSC-DenseNet比传统DenseNet有更好的故障识别效果。