基于一維卷積自編碼器—高斯混合模型的間歇過(guò)程故障檢測(cè)
關(guān)鍵詞：間歇過(guò)程 故障檢測(cè) 自編碼器 深度學(xué)習(xí) 高斯混合模型
摘要：傳統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)的間歇過(guò)程故障檢測(cè)方法往往需要對(duì)數(shù)據(jù)的分布進(jìn)行假設(shè),其模型多階段劃分不精確,導(dǎo)致故障檢測(cè)率受到影響.對(duì)此提出一種基于一維卷積自編碼器—高斯混合模型(One dimensional convolution-auto encoder-Gaussian mixture model,1DC-AE-GMM)的檢測(cè)新方法.該方法不需要對(duì)原始數(shù)據(jù)進(jìn)行假設(shè),首先對(duì)原始數(shù)據(jù)進(jìn)行等長(zhǎng)和縮放處理,并以最小重構(gòu)誤差的原則在具有卷積和多個(gè)中間層的深層神經(jīng)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練,以非線性的方式自動(dòng)、精確地進(jìn)行階段劃分和特征提取;然后在網(wǎng)絡(luò)的編碼層上建立高斯混合模型并進(jìn)行聚類(lèi),在提取特征的同時(shí)大大減少了建立模型的計(jì)算量;最后結(jié)合馬氏距離提出全局概率檢測(cè)指標(biāo),實(shí)現(xiàn)故障檢測(cè).通過(guò)在一類(lèi)半導(dǎo)體蝕刻過(guò)程的仿真實(shí)驗(yàn),結(jié)果表明該方法可以有效地提高故障檢測(cè)率.
信息與控制雜志要求:
{1}基金或課題項(xiàng)目：若要標(biāo)注獲得基金或課題贊助的論文，應(yīng)注明基金或課題項(xiàng)目名稱(chēng)，并在圓括號(hào)內(nèi)注明項(xiàng)目編號(hào)。
{2}本刊歡迎具有創(chuàng)見(jiàn)性、應(yīng)用性、前瞻性的論文，對(duì)觸及社會(huì)和學(xué)術(shù)界熱點(diǎn)、重點(diǎn)及時(shí)代感、現(xiàn)實(shí)性較強(qiáng)的論文優(yōu)先錄用。
{3}圖片要求為原始稿件單獨(dú)發(fā)送，清晰，色彩、亮度適中，圖像分辨率應(yīng)為1024×768像素，4M以上。
{4}文中需進(jìn)一步解釋的內(nèi)容作為頁(yè)末注釋?zhuān)盟误w五號(hào)字。文中用上標(biāo)標(biāo)注，編號(hào)為：①②③。
{5}附錄內(nèi)容較少，與參考文獻(xiàn)排在同一頁(yè)；如出現(xiàn)內(nèi)容較多，則另起一頁(yè)。附錄的字體為12磅，Times New Roman字體，加粗。附錄內(nèi)容格式要求與正文一致。
注：因版權(quán)方要求，不能公開(kāi)全文，如需全文，請(qǐng)咨詢(xún)雜志社
