本发明公开了一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法,该方法可用于特征复杂的工业过程故障诊断。首先,采用多尺度卷积神经网络框架,分别从大尺度范围和小尺度范围提取故障数据之间的不同尺度时空特征,并将多尺度特征融合后训练模型;随后,使用代理近邻成分损失函数训练,使得模型在训练过程中不仅受到正样本的影响,同时引入负样本使不同故障类别之间的距离扩大,相同故障类别之间的距离缩小;为验证模型故障诊断性能的准确性,将其用于废水处理过程的故障诊断。实验结果表明,多尺度卷积神经网络特征提取方法与代理近邻成分损失函数的结合可以明显提高模型故障诊断的准确性,更适用于复杂工业过程的故障诊断。
声明:
“基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)