Attention-Based Multi-Scale Temporal Fusion Network for Uncertain-Mode Fault Diagnosis in Multimode Processes

要約

マルチモードプロセスにおける障害診断は、複数のモードで産業システムの安全な動作を確保する上で重要な役割を果たします。
これはまだ対処されていない大きな課題に直面しています。つまり、複数のモードからの監視データ間の重要な分布の違いにより、モデルがシステムの健康状態に関連する共有機能表現を抽出することが困難です。
この問題に応じて、このペーパーでは、注意ベースのマルチスケール時間融合ネットワークと呼ばれる新しい方法を紹介します。
マルチスケールの深部回転畳み込みとゲートの再発ユニットが使用され、マルチスケールのコンテキストローカル機能と長期的な機能を抽出します。
一時的な注意メカニズムは、より高いクロスモード共有情報を備えた重要な時点に焦点を当てるように設計されているため、障害診断の精度を高めます。
提案されたモデルは、Tennessee Eastman Process Datasetおよび3フェーズフローファシリティデータセットに適用されます。
実験は、提案されたモデルが優れた診断パフォーマンスを達成し、小さなモデルサイズを維持することを示しています。

要約(オリジナル)

Fault diagnosis in multimode processes plays a critical role in ensuring the safe operation of industrial systems across multiple modes. It faces a great challenge yet to be addressed – that is, the significant distributional differences among monitoring data from multiple modes make it difficult for the models to extract shared feature representations related to system health conditions. In response to this problem, this paper introduces a novel method called attention-based multi-scale temporal fusion network. The multi-scale depthwise convolution and gated recurrent unit are employed to extract multi-scale contextual local features and long-short-term features. A temporal attention mechanism is designed to focus on critical time points with higher cross-mode shared information, thereby enhancing the accuracy of fault diagnosis. The proposed model is applied to Tennessee Eastman process dataset and three-phase flow facility dataset. The experiments demonstrate that the proposed model achieves superior diagnostic performance and maintains a small model size.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google