样本重构多尺度孪生卷积网络的化工过程故障检测
【摘要】 基于数据驱动的故障检测已成为工业过程故障检测的重要手段，但其在实际应用时受限于过程历史数据的规模，往往难以取得令人满意的检测精度。针对这一问题，提出了一种样本空间重构策略，该策略基于随机采样构造同类、异类样本对，在扩充数据规模的同时，将复杂的分类建模问题转化为样本间的相似度对比问题，降低了任务的复杂度。在此基础上，引入并改进孪生卷积神经网络(SiameseCNN)结构，提出了一种基于多尺度孪生卷积神经网络(Multi-scaleSiameseCNN)的化工过程故障检测方法。田纳西-伊斯曼(TE)过程数据测试结果表明，所提算法的平均故障检测准确率达到89.66%，相对于常规数据驱动的故障检测算法提高8%以上。
