关键词：卷积神经网络;化工过程;故障诊断;注意力机制;超参数优化
摘 要：为了从复杂化工过程的海量监测数据中提取出有效的故障特征，及时发现故障并准确识别故障原因，提出了一种基于优化卷积神经网络的化工过程故障诊断方法。首先，构建一维卷积神经网络二分类状态监测模型，以显著提高状态监测效率。其次，针对卷积神经网络无法评估网络特征数据重要程度的问题，引入注意力机制，通过为数据特征赋予不同权重，有效捕捉特征细节，抑制干扰信息，从而实现复杂化工系统中故障关键特征的自动提取，提高多种故障模式诊断的准确率。然后，针对卷积神经网络超参数优化手动设置建模效率低的问题，采用树型Parzen估计算法超参数优化技术，通过灵活的建模方式和高效的采集函数实现对超参数组合的自动精准调优，构建优化卷积神经网络的故障诊断模型。最后，采用田纳西-伊斯曼过程对所提出方法的有效性进行验证。结果表明，该方法能够及时、有效地监测并诊断出多种故障模式，可为维修人员提供可靠的决策依据。
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