典型文献
基于TE-DS的半监督化工过程故障诊断方法
文献摘要：
针对现有基于深度学习的化工过程故障诊断方法通常需要完备的标签数据才能构建故障诊断模型等局限,提出一种基于时间集成—双重学生模型(temporal ensembling-dual student,TE-DS)的半监督化工过程故障诊断方法.该方法首先以双重学生模型为基础,通过分类项约束、稳定性约束和一致性约束条件指导相互训练,有效地缓解了误差累积情况的发生;然后利用时间集成(temporal ensembling)将多个先前网络评估的预测集成作为一致性正则化对象,达到缓解预测值噪声、降低模型训练时间的目的,以提高分类性能,实现故障诊断;最后通过田纳西—伊斯曼(Tennessee-Eastman)化工过程基准数据进行故障诊断实验,验证提出方法的有效性和可行性,并与BNLSTM、DCNN和MCLSTM等有监督方法进行比较,证明了TE-DS算法对故障诊断的优越性.
文献关键词：
故障诊断;化工过程;半监督学习;双重学生模型;时间集成
中图分类号：
作者姓名：
刘嘉仁;宋宏;李帅;周晓锋;刘舒锐
作者机构：
中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院沈阳自动化研究所,沈阳 110169;中国科学院机器人与智能制造创新研究院,沈阳 110169;中国科学院大学,北京 100049
文献出处：
引用格式：
[1]刘嘉仁;宋宏;李帅;周晓锋;刘舒锐-.基于TE-DS的半监督化工过程故障诊断方法)[J].计算机应用研究,2022(01):84-89
A类：
时间集成,双重学生模型,ensembling,BNLSTM,MCLSTM
B类：
TE,DS,化工过程,故障诊断方法,标签数据,故障诊断模型,temporal,dual,student,先以,类项,稳定性约束,一致性约束,误差累积,先前,网络评估,一致性正则化,模型训练,训练时间,分类性能,田纳西,伊斯曼,Tennessee,Eastman,诊断实验,DCNN,有监督,监督方法,半监督学习
AB值：
0.310107
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
