An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System

要約

障害診断は、産業界における重要な研究分野です。
工業プロセスは多様な動作条件を示し、データは多くの場合、非ガウス、マルチモード、センタードリフト特性を持ちます。
現在、この分野ではデータ駆動型のアプローチが主な焦点となっていますが、継続的な故障分類と故障分類器のパラメータ更新は、複数の動作モードとリアルタイム設定に課題をもたらします。
したがって、産業システムにおけるリアルタイムのマルチモード障害診断を実現することが差し迫った課題となっています。
この論文では、この重要な研究課題に対処する、産業用途向けにリアルタイムのマルチモード故障診断を実現する新しいアプローチを提案します。
私たちのアプローチでは、拡張証拠推論 (ER) アルゴリズムを使用して、情報を融合し、異なる基本分類器からの出力をマージします。
広範学習システム (BLS) に基づくこれらの基本分類子は、障害診断の精度を最大限に高めるためにトレーニングされています。
さらに、擬似ラベル学習を使用してモデルパラメータをリアルタイムに更新します。
提案されたアプローチの有効性は、マルチモード テネシー イーストマン プロセス データセットで実証されています。

要約(オリジナル)

Fault diagnosis is a crucial area of research in industry. Industrial processes exhibit diverse operating conditions, where data often have non-Gaussian, multi-mode, and center-drift characteristics. Data-driven approaches are currently the main focus in the field, but continuous fault classification and parameter updates of fault classifiers pose challenges for multiple operating modes and real-time settings. Thus, a pressing issue is to achieve real-time multi-mode fault diagnosis in industrial systems. In this paper, a novel approach to achieve real-time multi-mode fault diagnosis is proposed for industrial applications, which addresses this critical research problem. Our approach uses an extended evidence reasoning (ER) algorithm to fuse information and merge outputs from different base classifiers. These base classifiers based on broad learning system (BLS) are trained to ensure maximum fault diagnosis accuracy. Furthermore, pseudo-label learning is used to update model parameters in real-time. The effectiveness of the proposed approach is demonstrated on the multi-mode Tennessee Eastman process dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google