关键词：故障诊断;迁移学习;循环一致性生成对抗网络;领域自适应
摘 要：化工生产过程中可能会存在着多种运行工况。一方面，当生产工况变化时，故障诊断模型的性能会恶化。另一方面，由于故障是小概率事件，因此在新工况下只能获取到正常运行数据。为解决这些问题，提出一种基于二维循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks, Cycle GAN)的多工况故障诊断方法。该方法首先利用二维Cycle GAN捕获历史工况下各类故障的时空域特征，并将这些特征添加到新工况的正常数据中，用以构建新工况下的伪故障数据集。其次，使用领域自适应方法减少真实故障数据与生成数据间的分布差异，使故障知识更好地迁移到新工况中。利用田纳西-伊斯曼(TE)过程的十二个变工况故障诊断任务对所提算法进行性能测试，实验结果表明，该算法相比于直接利用历史工况下故障数据建模能提高平均故障诊断率3%以上，能有效提高模型在新工况下的故障诊断性能。
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