時域/頻域特征驅動的集成學習故障檢測方法
中文題目：時域/頻域特征驅動的集成學習故障檢測方法
論文題目：Time/Frequency Feature-Driven Ensemble Learning for Fault Detection
錄用期刊/會議：Processes（中科院大類4區）
原文DOI：https://doi.org/10.3390/pr12102099
原文鏈接：https://www.mdpi.com/2227-9717/12/10/2099
錄用/見刊時間：26 September 2024
作者列表：
1）繆云楚 中國石油大學（北京）人工智能學院 自動化系 本22級
2）李 振 中國石油大學（北京）人工智能學院 自動化系 本22級
3）陳茂銀 中國石油大學（北京）人工智能學院 自動化系 教師
文章簡介:
微小故障一直是故障檢測領域中的研究難點。基于項目組所提出的特征集成網絡方法，本文提出了一種時域/頻率特征驅動的集成學習檢測方法，能夠成功地檢測TEP中的微小故障3，9與15。
摘要:
本文提出了一種基于時頻特征的集成學習方法，有效提升微小故障檢測性能。相比單純依賴時域特征的方法，該方法結合了頻域信息，通過FENet和功率譜密度（PSD）分別提取時域與頻域特征，最后使用貝葉斯推理融合檢測結果。TEP仿真結果顯示，該方法在檢測微小故障3、9和15方面明顯優于傳統方法。
背景與動機:
故障檢測對工業過程的安全性至關重要，尤其是在復雜系統中，微小故障的準確檢測變得尤為關鍵。現有數據驅動方法在此方面效果不佳，主要依賴時域特征。本文提出結合時域與頻域特征的集成學習方法，有效提升微小故障的檢測性能。TEP仿真結果表明，該方法在檢測故障3、9和15方面表現優異。
設計與實現:
FENet負責提取時域特征，特征轉換層通過滑窗和奇異值分解逐步生成新的特征矩陣，決策層則基于奇異值統計量判斷故障狀態。頻域特征提取網絡利用功率譜密度（PSD）獲得頻域特征矩陣，先分段處理數據，再通過傅里葉變換和奇異值分解提取特征，最后由多層神經網絡進一步處理。本文采用貝葉斯推理融合時域與頻域的檢測結果，通過更新后驗概率提高檢測準確性，結合加權后驗概率判斷樣本的故障狀態。
整個算法分為離線訓練和在線訓練兩部分：離線階段通過訓練樣本調整參數和計算控制限，而在線階段則使用訓練好的模型對新樣本進行實時故障檢測：
圖1：時頻特征驅動的集成學習框架
主要內容:
本文提出了一種基于時頻特征的集成學習方法用于工業故障檢測，相比僅依賴時域特征的方法，此方法有效結合了頻域信息，提升了檢測性能。核心方法通過FENet提取時域特征和頻譜密度（PSD）提取頻域特征，再利用貝葉斯推理實現高效故障檢測。以TEP為驗證對象的實驗表明，該方法在漸發性故障（如故障3、9和15）檢測上平均檢測率達90.63%，遠高于傳統PCA、DPCA等方法的4%。
實驗結果及分析:
如表1所示，該方法對TEP故障3、5、9、15、16和21的檢測率達90.63%，顯著高于FENet的75%和PCA、DPCA的4%。時頻特征融合顯著提升了微小故障的檢測效果。
表1: 所提方法與對比方法的故障檢測率
結論:
本文提出了一種時域/頻率特征驅動的集成學習方法，能夠成功檢測TEP微小故障3、9和15。該方法明顯優于傳統PCA、DPCA和FENet。本研究顯示了時頻/域特征集成在檢測微小故障方面的優越性能。
通訊作者簡介:
陳茂銀，中國石油大學（北京）人工智能學院教授，德國洪堡學者。2005年至2023年，清華大學自動化系先后任職助理研究員/副教授。目前已經國際期刊上發表和錄用國際期刊論文120多篇，其中Automatica/IEEE Trans系列期刊40余篇。主持國家自然科學基金/國家重點研發計劃課題等國家級項目/課題10余項。連續入選（2020年-2023年）斯坦福大學和愛思唯爾聯合發布的全球前2%頂尖科學家“終身科學影響力排行榜”和“年度科學影響力排行榜”。