基于一維卷積自編碼器—高斯混合模型的間歇過程故障檢測
關鍵詞：間歇過程 故障檢測 自編碼器 深度學習 高斯混合模型
摘要：傳統(tǒng)基于數(shù)據(jù)驅(qū)動的間歇過程故障檢測方法往往需要對數(shù)據(jù)的分布進行假設,其模型多階段劃分不精確,導致故障檢測率受到影響.對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)的檢測新方法.該方法不需要對原始數(shù)據(jù)進行假設,首先對原始數(shù)據(jù)進行等長和縮放處理,并以最小重構(gòu)誤差的原則在具有卷積和多個中間層的深層神經(jīng)網(wǎng)絡上進行訓練,以非線性的方式自動、精確地進行階段劃分和特征提取;然后在網(wǎng)絡的編碼層上建立高斯混合模型并進行聚類,在提取特征的同時大大減少了建立模型的計算量;最后結(jié)合馬氏距離提出全局概率檢測指標,實現(xiàn)故障檢測.通過在一類半導體蝕刻過程的仿真實驗,結(jié)果表明該方法可以有效地提高故障檢測率.
信息與控制雜志要求:
{1}基金或課題項目：若要標注獲得基金或課題贊助的論文，應注明基金或課題項目名稱，并在圓括號內(nèi)注明項目編號。
{2}本刊歡迎具有創(chuàng)見性、應用性、前瞻性的論文，對觸及社會和學術(shù)界熱點、重點及時代感、現(xiàn)實性較強的論文優(yōu)先錄用。
{3}圖片要求為原始稿件單獨發(fā)送，清晰，色彩、亮度適中，圖像分辨率應為1024×768像素，4M以上。
{4}文中需進一步解釋的內(nèi)容作為頁末注釋，用宋體五號字。文中用上標標注，編號為：①②③。
{5}附錄內(nèi)容較少，與參考文獻排在同一頁；如出現(xiàn)內(nèi)容較多，則另起一頁。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，不能公開全文，如需全文，請咨詢雜志社
