关键词：人工神经网络;残差卷积思想;化工设备;分布式诊断
摘 要：针对当前化工设备故障智能诊断方法准确率偏低和实时性较差等问题，提出一种基于神经网络故障诊断分类模型。首先引入分布式思想对1D-ResCNN进行改进，构建分布式特征提取卷积神经网络（DFECNN）；然后引入了模型压缩技术对DFECNN模型进行轻量化处理，构建轻量型DFECNN模型。最后，基于上述内容，构建化工设备状态分布式诊断模型。结果显示，在研究构建的模型中，ReLU模块中的计算方式更具有细粒度，更适合整体标注模型，检测性能更好；DFECNN模型提升了全部评价指标的标注性能，保证了研究方法在设备故障检测中的有效性。轻量型DFECNN模型在经过训练后，在进行化工设备故障识别的实际效果上，对应的整体识别灵敏度、特异性、准确率依次为75.0%、83.3%、85.0%，优于其他模型。研究构建的轻量型DFECNN化工设备状态分布式诊断模型具有较高的精度和灵敏度，能够实现化工设备故障的智能诊断和检测，从而保障化工设备的正常运行，对化工产业发展有一定的促进作用。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取