文献类型：期刊文章

作　　者：文成林[1] 吕菲亚[2]

WEN Chenglin;LÜFeiya(Institute of Automation,School of Automation,Hangzhou Dianzi University,Hangzhou 310018,China;School of Software Engineering,Anyang Normal University,Anyang 455000,China)

机构地区：[1]杭州电子科技大学自动化学院,杭州310018 [2]安阳师范学院软件学院,安阳455000

出　　处：《电子与信息学报》

基　　金：国家自然科学基金(U1509203,61751304,61573137,61673160);浙江省重点项目(LZ16F030002)~~

年　　份：2020

卷　　号：42

期　　号：1

起止页码：234-248

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度,且传统诊断算法存在难以利用高阶量进行在线估计的不足。鉴于深度学习技术强大的数据表示学习和分析能力,基于深度学习的故障诊断引起了工业界和学术界的广泛关注,并促使智能过程控制更加自动化和有效。该文从方法上将基于深度学习的故障诊断技术分为:基于栈式自编码的故障诊断方法、基于深度置信网络的故障诊断方法、基于卷积神经网络的故障诊断方法及基于循环神经网络的故障诊断方法4类,分别进行了回顾和总结,最后从数据预处理、深度网络设计和决策3个层面对这一领域进行展望,提出了“集成创新”、“数据+知识”和“多技术融合”等故障诊断思想,阐明基于深度学习技术进行复杂系统的故障诊断仍具有巨大潜力。

关 键 词：故障诊断 数据驱动 深度学习  高阶相关性  

分 类 号：TP274]