中文题目：时域/频域特征驱动的集成学习故障检测方法

论文题目：Time/Frequency Feature-Driven Ensemble Learning for Fault Detection

录用期刊/会议：Processes（中科院大类4区）

原文DOI：https://doi.org/10.3390/pr12102099

原文链接：https://www.mdpi.com/2227-9717/12/10/2099

录用/见刊时间：26 September 2024

作者列表：

1）缪云楚 中国石油大学（北京）人工智能学院 自动化系 本22级

2）李   振 中国石油大学（北京）人工智能学院 自动化系 本22级

3）陈茂银 中国石油大学（北京）人工智能学院 自动化系 教师

文章简介:

微小故障一直是故障检测领域中的研究难点。基于项目组所提出的特征集成网络方法，本文提出了一种时域/频率特征驱动的集成学习检测方法，能够成功地检测TEP中的微小故障3，9与15。

摘要:

本文提出了一种基于时频特征的集成学习方法，有效提升微小故障检测性能。相比单纯依赖时域特征的方法，该方法结合了频域信息，通过FENet和功率谱密度（PSD）分别提取时域与频域特征，最后使用贝叶斯推理融合检测结果。TEP仿真结果显示，该方法在检测微小故障3、9和15方面明显优于传统方法。

背景与动机:

故障检测对工业过程的安全性至关重要，尤其是在复杂系统中，微小故障的准确检测变得尤为关键。现有数据驱动方法在此方面效果不佳，主要依赖时域特征。本文提出结合时域与频域特征的集成学习方法，有效提升微小故障的检测性能。TEP仿真结果表明，该方法在检测故障3、9和15方面表现优异。

设计与实现:

FENet负责提取时域特征，特征转换层通过滑窗和奇异值分解逐步生成新的特征矩阵，决策层则基于奇异值统计量判断故障状态。频域特征提取网络利用功率谱密度（PSD）获得频域特征矩阵，先分段处理数据，再通过傅里叶变换和奇异值分解提取特征，最后由多层神经网络进一步处理。本文采用贝叶斯推理融合时域与频域的检测结果，通过更新后验概率提高检测准确性，结合加权后验概率判断样本的故障状态。

整个算法分为离线训练和在线训练两部分：离线阶段通过训练样本调整参数和计算控制限，而在线阶段则使用训练好的模型对新样本进行实时故障检测：

图1：时频特征驱动的集成学习框架

主要内容:

本文提出了一种基于时频特征的集成学习方法用于工业故障检测，相比仅依赖时域特征的方法，此方法有效结合了频域信息，提升了检测性能。核心方法通过FENet提取时域特征和频谱密度（PSD）提取频域特征，再利用贝叶斯推理实现高效故障检测。以TEP为验证对象的实验表明，该方法在渐发性故障（如故障3、9和15）检测上平均检测率达90.63%，远高于传统PCA、DPCA等方法的4%。

实验结果及分析:

如表1所示，该方法对TEP故障3、5、9、15、16和21的检测率达90.63%，显著高于FENet的75%和PCA、DPCA的4%。时频特征融合显著提升了微小故障的检测效果。

表1: 所提方法与对比方法的故障检测率

结论:

本文提出了一种时域/频率特征驱动的集成学习方法，能够成功检测TEP微小故障3、9和15。该方法明显优于传统PCA、DPCA和FENet。本研究显示了时频/域特征集成在检测微小故障方面的优越性能。

通讯作者简介:

陈茂银，中国石油大学（北京）人工智能学院教授，德国洪堡学者。2005年至2023年，清华大学自动化系先后任职助理研究员/副教授。目前已经国际期刊上发表和录用国际期刊论文120多篇，其中Automatica/IEEE Trans系列期刊40余篇。主持国家自然科学基金/国家重点研发计划课题等国家级项目/课题10余项。连续入选（2020年-2023年）斯坦福大学和爱思唯尔联合发布的全球前2%顶尖科学家“终身科学影响力排行榜”和“年度科学影响力排行榜”。