基于AC-CNN模型的過程故障識(shí)別

衷路生，吳春磊

(華東交通大學(xué) 電氣與自動(dòng)化工程學(xué)院，江西 南昌 330013)

0 引 言

近年來，計(jì)算機(jī)技術(shù)的不斷發(fā)展，傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法已經(jīng)無法適應(yīng)新時(shí)期工業(yè)“大數(shù)據(jù)”特性的故障診斷需求[1,2]。然而深度學(xué)習(xí)模型在工業(yè)界使用率不斷提高，并且在許多傳統(tǒng)的識(shí)別任務(wù)上識(shí)別準(zhǔn)確率和效率也得到了大幅度提升[3,4]。在傳統(tǒng)故障診斷方法中，文獻(xiàn)[5]提出了基于過程監(jiān)控和故障診斷(PM-FD)的基本數(shù)據(jù)驅(qū)動(dòng)方法，其提出的多種測(cè)試方法能夠處理流程中具有較寬操作范圍的過程變量的動(dòng)態(tài)問題并且在非高斯測(cè)量噪聲的情況下，PM-FD的能力也表現(xiàn)優(yōu)異。文獻(xiàn)[6]提出了基于隨機(jī)優(yōu)化的變量選擇方案來進(jìn)行識(shí)別，其過程中最小化測(cè)試數(shù)據(jù)的累積誤差和所選變量的數(shù)量，從而減少故障檢測(cè)時(shí)間。文獻(xiàn)[7]提出了基于EM聚類的無監(jiān)督局部多層感知器模型。所提出的方法可以區(qū)分不同的已知故障類別，但不能同時(shí)診斷多個(gè)故障。另外，貝葉斯[8]和深度置信網(wǎng)絡(luò)[9](DBN)的故障診斷方法，故障識(shí)別率低，仍然具有一定的局限性。上述幾種方法雖都一定程度上改善故障診斷對(duì)TE過程的性能，但是對(duì)故障變量特征提取效率低，同時(shí)分類故障數(shù)量較少且故障識(shí)別率仍然較低等問題。

為了提高故障識(shí)別的正確率和可靠性，本研究提出一種具有非對(duì)稱卷積核(asymmetric convolutions)的CNN的工業(yè)過程故障識(shí)別方法，借鑒文獻(xiàn)[10]的思想，引入非對(duì)稱卷積核模型對(duì)重構(gòu)后的輸入故障變量進(jìn)行充分的特征提取，結(jié)合標(biāo)準(zhǔn)的CNN建立AC-CNN模型來識(shí)別在線的各類故障測(cè)試集樣本，得到各類故障測(cè)試集樣本的識(shí)別率和訓(xùn)練時(shí)間。最后，進(jìn)行TE[11](Tennessee Eastman)過程的數(shù)值仿真實(shí)驗(yàn)，對(duì)比標(biāo)準(zhǔn)CNN故障模型及已有文獻(xiàn)的故障識(shí)別率，驗(yàn)證了該方法在工業(yè)過程故障識(shí)別中的有效性和優(yōu)越性。

1 基于非對(duì)稱卷積核的CNN的故障識(shí)別模型

本節(jié)提出非對(duì)稱卷積核模型，并結(jié)合標(biāo)準(zhǔn)的CNN網(wǎng)絡(luò)模型建立AC-CNN故障識(shí)別模型；最后，實(shí)現(xiàn)故障的精確識(shí)別。

1.1 標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)故障識(shí)別模型

CNN由特征提取和分類兩部分組成。特征提取，包含輸入層、卷積層、池化層，其中卷積層和池化層是網(wǎng)絡(luò)中逐層堆疊的特征提取器。分類包含全連接層和輸出層。其中完全連接的圖層接收最后一個(gè)池化層獲得的特征作為輸入并執(zhí)行分類任務(wù)。

假設(shè)輸入層接收待分類n×n的故障數(shù)據(jù)，然后，卷積層檢測(cè)輸入的局部特征并將它們存儲(chǔ)為特征映射。如圖1所示，輸入層和卷積層之間的連接由卷積核m×m建立。卷積核是一個(gè)權(quán)重矩形矩陣，其大小遠(yuǎn)小于輸入。特征圖包含的每個(gè)節(jié)點(diǎn)都連接到由卷積核定義的特定輸入?yún)^(qū)域。

圖1 數(shù)據(jù)重構(gòu)

1.1.1 卷積層輸出

卷積核沿水平和垂直軸橫跨輸入?yún)^(qū)域，則用卷積核m×m對(duì)n×n的工況故障數(shù)據(jù)Xnew進(jìn)行步幅S1卷積運(yùn)算后得到的神經(jīng)元輸出為

y=σ(x*k+b)

(1)

(2)

其中，k(u,v) 表示卷積核k第u行、第v列對(duì)應(yīng)的元素，x(g,g) 的意義同k(g,g)。b∈R是偏置項(xiàng)參數(shù)。式(1)、式(2)中的非線性函數(shù)σ(·) 有多種類型，比如：σ(t)=tanh(t)， sigmoid函數(shù)σ(t)=(1+e-t)-1， relu函數(shù)σ(t)=max(0,t) 等，本文主要采用sigmoid函數(shù)。

1.1.2 池化層輸出

池化層通常位于卷積層之后，主要通過選擇位置特征不變來壓縮特征映射，并且利用池化層來提取池化塊內(nèi)像素的最大值(max-pooling)、平均值(mean-pooling)。其中通過最大池化和平均池化處理卷積層輸出Cp得到輸出如式(3)、式(4)所示，當(dāng)采用步幅S2的最大池化層和平均池化時(shí)，可得

Sq(i,j)=max{Cp(S2i-u,S2j-v)},i,j=1,…,Cp/S2

(3)

(4)

其中， (u,v) 表示卷積核第u行、第v列對(duì)應(yīng)的元素，Cp表示第p個(gè)特征圖卷積輸出，Sq表示第q個(gè)特征圖池化輸出。

1.1.3 構(gòu)造目標(biāo)函數(shù)

(5)

1.2 非對(duì)稱卷積核模型

卷積核是卷積神經(jīng)網(wǎng)絡(luò)(CNN)的基礎(chǔ)和重要組成部分。對(duì)工業(yè)過程一維的故障變量數(shù)據(jù)構(gòu)建卷積核，先采用將其轉(zhuǎn)換為二維數(shù)據(jù)如圖1所示，然后，為生成的類似矩形圖像形狀屬性配置卷積核，提出非對(duì)稱卷積核模型(asymmetric convolutions)。與傳統(tǒng)CNN使用對(duì)稱(如 2×2 卷積)核不同，所提出的非對(duì)稱(2×1)的核形狀，以更好地配置二維輸入特征數(shù)據(jù)的幾何變化。具體過程如圖1所示。

由圖1可知圖中K為觀測(cè)變量，每個(gè)變量有N個(gè)觀測(cè)值，按照數(shù)據(jù)重構(gòu)的方法對(duì)觀測(cè)變量進(jìn)行二維重構(gòu)得K1Kb=J1Jd(I(J1Jd>I)或KaKb=JcJd(I(JcJd=I)， 即將二維的數(shù)據(jù)變成三維矩陣J×I×N。

1.2.1 采用非對(duì)稱卷積核減少權(quán)重參數(shù)的個(gè)數(shù)

如圖2(a)所示，在卷積過程中，標(biāo)準(zhǔn)卷積核K1雖然擁有建模矩形形狀的能力，但是K1卷積一維數(shù)據(jù)時(shí)，會(huì)消耗4個(gè)權(quán)重參數(shù)去建模2個(gè)像素的輸入特征，并且如果輸入特征更加細(xì)長或者離散，會(huì)浪費(fèi)更多的權(quán)重參數(shù)導(dǎo)致建模效率下降。如圖2(b)所示，2×2的對(duì)稱卷積核可以轉(zhuǎn)換得到一個(gè)新的非對(duì)稱(2×1)的卷積核形狀。K2卷積一維數(shù)據(jù)時(shí)，只需通過消耗2個(gè)權(quán)重參數(shù)去充分建模2個(gè)像素的輸入特征，大幅度提高建模效率。

圖2 不同卷積核的卷積過程

1.2.2 采用非對(duì)稱卷積核減少卷積層總參數(shù)量

假設(shè)對(duì)于13×4×100的重構(gòu)后不規(guī)則故障數(shù)據(jù) (13×4表示數(shù)據(jù)維數(shù)，100是通道數(shù))，期望利用卷積神經(jīng)網(wǎng)絡(luò)得到200個(gè)通道的輸出，卷積核參數(shù)(大小2×2，步幅1，填充1)，采用圖3(a)、圖3(b)兩種卷積模型架構(gòu)(圖中括號(hào)內(nèi)數(shù)字表示輸出通道數(shù))，其參數(shù)量分別為：圖3(a)的一般卷積方法：卷積層參數(shù)量：100×2×2×200=80000。圖3(b)的非對(duì)稱卷積(卷積核為2×1)方法，卷積層總的參數(shù)量：100×2×1×200=40000。

圖3 卷積核模型架構(gòu)

由圖3(a)、圖3(b)可知：通過設(shè)計(jì)合適的非對(duì)稱卷積層輸出通道，卷積層總的參數(shù)量由80 000降至40 000，大幅度減少了模型參數(shù)量。通過不同卷積核模型架構(gòu)對(duì)故障1(關(guān)于故障1的詳細(xì)說明見第2小節(jié)的“仿真分析”部分)進(jìn)行訓(xùn)練并識(shí)別，得到的每個(gè)epoch平均時(shí)間見表1。

表1 不同模型架構(gòu)的訓(xùn)練時(shí)間

綜上所述，采用非對(duì)稱卷積核即減少權(quán)重參數(shù)的個(gè)數(shù)也減少卷積層總參數(shù)量，并由表1可以看出，提高了訓(xùn)練效率。

1.3 AC-CNN的故障識(shí)別模型建立

利用非對(duì)稱卷積核的CNN模型(AC-CNN)對(duì)工況故障識(shí)別過程如下。

1.3.1 離線數(shù)據(jù)訓(xùn)練

步驟1 從故障數(shù)據(jù)樣本集X中隨機(jī)選取訓(xùn)練集，然后對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)預(yù)處理得到二維數(shù)據(jù)X2D∈RP×Q×N其中P、Q為二維數(shù)據(jù)尺寸，N為樣本個(gè)數(shù)；

步驟2 初始化AC-CNN網(wǎng)絡(luò)各層的權(quán)值、閾值以及學(xué)習(xí)率，并給出網(wǎng)絡(luò)的目標(biāo)輸出向量(標(biāo)簽)；

(6)

圖4 非對(duì)稱卷積輸出過程

(7)

其中， (u,v) 表示卷積核第u行、第v列對(duì)應(yīng)的元素，Cp表示第p個(gè)特征圖卷積輸出，Sq表示第q個(gè)特征圖池化輸出，S2為運(yùn)行步幅。

步驟6 由網(wǎng)絡(luò)的誤差反向傳播過程計(jì)算各權(quán)值的調(diào)整量Δkn,m、 ΔW和閾值的調(diào)整量Δbm、 Δb如下所示；

(1)全連接層的權(quán)系數(shù)矩陣的偏導(dǎo)數(shù)ΔW(i,j) 和偏置項(xiàng)參數(shù)的偏導(dǎo)數(shù)Δb(i) 如式(8)、式(10)所示

(8)

(9)

由式(8)和式(9)可得

(10)

同理可得全連接層偏置項(xiàng)參數(shù)的偏導(dǎo)數(shù)Δb(i) 為式(11)所示

(11)

(2)卷積核矩陣kn,m的偏導(dǎo)數(shù)Δkn,m如式(20)所示。其中一個(gè)卷積核偏導(dǎo)，為此，在計(jì)算積核矩陣kn,m的偏導(dǎo)數(shù)之前，先計(jì)算矩陣?yán)边B接、池化層涉及的偏導(dǎo)數(shù)

(12)

即由式(12)可得

(13)

又由全連接層的矩陣?yán)边B接可得，對(duì)于h個(gè)池化層輸出矩陣?yán)保B接成一維列向量，記為

f=F({Sm4}m4=1,…,h),f∈Rr×1

(14)

式中：r為全連接層輸出的維數(shù)。

基于獲得的式(13)得到的Δf以及根據(jù)式(14)的逆向過程可得到h個(gè)池化層矩陣的偏導(dǎo)數(shù)

{ΔSm4}m4=1,…,h=F-1(Δf)

(15)

由于池化層沒有模型參數(shù)，因此根據(jù)平均池化原理，利用 {ΔSm4}m4=1,…,h可將誤差傳播到卷積層輸出位置，即

ΔCm3(i,j)=ΔSm4(i,j)

(16)

(17)

為了把式(17)的卷積運(yùn)算統(tǒng)一到卷積定義框架下，分別令

ΔCm3,σ(i,j)=ΔCm3(i,j)Cm3(i,j)(1-Cm3(i,j))

(18)

xn3,rot180(u-i,v-j)=xn3(i-u,j-v)

(19)

則由式(17)、式(18)、式(19)得

Δkn,m=xn,rot180(u-i,v-j)*ΔCn,σ(i,j)

(20)

其中，式(19)中算子rot180表示對(duì)矩陣元素旋轉(zhuǎn)180度，式(20)中ΔCn,σ(i,j) 為卷積層誤差。

(3)卷積層偏置項(xiàng)參數(shù)bm的偏導(dǎo)數(shù)Δbm如式(22)所示，其中一個(gè)偏置的導(dǎo)數(shù)為Δbm3

(21)

則卷積層偏置項(xiàng)參數(shù)bm的偏導(dǎo)數(shù)

(22)

步驟7 獲得模型參數(shù)的偏導(dǎo)數(shù)之后，更新權(quán)值和閾值如式(23)所示

(23)

式中：η為學(xué)習(xí)率，W、b為全連接層權(quán)重和偏置項(xiàng)參數(shù)，bm、kn,m為卷積層偏置項(xiàng)參數(shù)和卷積核矩陣；

步驟8 當(dāng)經(jīng)過M次迭代后，判斷指標(biāo)是否滿足精度要求，若不滿足，則返回步驟3，繼續(xù)迭代；若滿足，訓(xùn)練結(jié)束。

1.3.2 在線數(shù)據(jù)測(cè)試

步驟1 從故障數(shù)據(jù)樣本集X中去除訓(xùn)練集后剩余樣本作為測(cè)試集，然后對(duì)測(cè)試集進(jìn)行數(shù)據(jù)預(yù)處理得到二維圖像數(shù)據(jù)XT2D；

步驟2 將XT2D輸入已經(jīng)訓(xùn)練好的AC-CNN網(wǎng)絡(luò)，從輸入層經(jīng)過逐級(jí)的變換得到輸出向量，然后對(duì)輸出向量和測(cè)試故障標(biāo)簽數(shù)據(jù)分別應(yīng)用max函數(shù)，比較兩個(gè)max函數(shù)的輸出結(jié)果，統(tǒng)計(jì)出結(jié)果相同的個(gè)數(shù)，將其與測(cè)試集樣本個(gè)數(shù)求百分比即為故障識(shí)別率，驗(yàn)證網(wǎng)絡(luò)的有效性；

步驟3 采集工業(yè)過程中實(shí)時(shí)運(yùn)行狀態(tài)下的樣本數(shù)據(jù)并對(duì)數(shù)據(jù)做預(yù)處理；

步驟4 將預(yù)處理后的實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入已經(jīng)訓(xùn)練好和測(cè)試良好的CNN網(wǎng)絡(luò)，得出各類故障狀態(tài)的概率，哪種狀態(tài)概率越大，則可以快速準(zhǔn)確地判定運(yùn)行過程中的故障類型。

2 仿真分析

為了說明提出的基于非對(duì)稱卷積核的CNN的工業(yè)過程識(shí)別方法的性能，本節(jié)在TE平臺(tái)進(jìn)行數(shù)值仿真實(shí)驗(yàn)分析，利用訓(xùn)練后的AC-CNN模型來識(shí)別測(cè)試集樣本故障類別，得到各類故障測(cè)試集樣本的識(shí)別率；最終實(shí)現(xiàn)故障識(shí)別。

2.1 AC-CNN網(wǎng)絡(luò)模型參數(shù)的設(shè)置

TE仿真平臺(tái)是一個(gè)開放的、具有挑戰(zhàn)性的化工模型仿真平臺(tái)，具體過程請(qǐng)參見文獻(xiàn)[12]，如圖5所示。其中TE過程包括12個(gè)操作變量和41個(gè)測(cè)量[12,13]，本文采用兩種選擇方式：選取52個(gè)變量和49個(gè)變量，據(jù)此采取將故障變量轉(zhuǎn)換成二維圖像的處理方法得到13×4矩形圖像和 7×7 方形圖像。在模擬故障工況時(shí)，分別進(jìn)行了48 h的運(yùn)行模擬，每隔3 min采樣一次，采集21種故障運(yùn)行時(shí)的960個(gè)樣本，故障均在樣本點(diǎn)161時(shí)引入，則選取后800個(gè)樣本作為訓(xùn)練集和測(cè)試集，其中隨機(jī)選取750個(gè)樣本作為訓(xùn)練集，剩余50個(gè)樣本或采集在線運(yùn)行的數(shù)據(jù)作為測(cè)試集，利用訓(xùn)練得到的AC-CNN模型，進(jìn)一步對(duì)測(cè)試集進(jìn)行故障識(shí)別。

圖5 TE過程的流程

為了體現(xiàn)故障變量與卷積核匹配的重要性，本文提出4種深度卷積神經(jīng)網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)模型見表2，然后選擇表2中識(shí)別率最高的AC-CNN模型作為最終的網(wǎng)絡(luò)模型。模型訓(xùn)練涉及的參數(shù)主要包含輸入層故障變量重構(gòu)情況、每個(gè)卷積層的濾波器數(shù)量和卷積核尺寸。

表2 深度卷積神經(jīng)網(wǎng)絡(luò)模型

表2的4種深度學(xué)習(xí)模型的訓(xùn)練還有學(xué)習(xí)率和批量大小需要進(jìn)行優(yōu)化。學(xué)習(xí)率表示深度學(xué)習(xí)模型的連接權(quán)重的更新速度，本文學(xué)習(xí)率的取值范圍是(0,1)。批量大小是用于一次權(quán)值更新的訓(xùn)練數(shù)據(jù)量，數(shù)值越低，權(quán)值更新越頻繁，并且模型訓(xùn)練需要更多時(shí)間?？紤]到預(yù)處理后的訓(xùn)練數(shù)據(jù)集的大小為750×4×21=63000，本文將批處理大小設(shè)置為100,50和20(對(duì)應(yīng)于每個(gè)訓(xùn)練迭代權(quán)值更新頻率分別為630,1260和3150)，同時(shí)記錄每次訓(xùn)練迭代的模型訓(xùn)練性能。模型訓(xùn)練的結(jié)果表明，4種模型的學(xué)習(xí)率為0.9，批量大小取為50，各模型具體結(jié)構(gòu)見表2。

2.2 故障識(shí)別結(jié)果

根據(jù)建立的AC-CNN和已有的標(biāo)準(zhǔn)CNN模型，依據(jù)表2的各網(wǎng)絡(luò)模型參數(shù)，得到模型1和模型4對(duì)故障1的訓(xùn)練誤差結(jié)果如圖6所示，即AC-CNN模型和標(biāo)準(zhǔn)CNN模型的訓(xùn)練誤差。

圖6 模型訓(xùn)練誤差

由圖6可知：AC-CNN模型迭代結(jié)束到23 000次時(shí)的訓(xùn)練誤差比標(biāo)準(zhǔn)的CNN模型的對(duì)應(yīng)值低了約1%。

利用63 000個(gè)訓(xùn)練集樣本建立表2的深度學(xué)習(xí)模型，然后用1050個(gè)測(cè)試集來評(píng)估所建立的深度學(xué)習(xí)模型，進(jìn)而得到4種模型對(duì)于21種故障測(cè)試正確率(識(shí)別率)以及訓(xùn)練時(shí)間見表3。其中模型4(AC-CNN模型)的故障識(shí)別率的混合矩陣如圖7所示。

表3 各模型故障識(shí)別率

由表3可見模型4即AC-CNN模型21種故障的平均識(shí)別率達(dá)到88.67%，另外，從表3也可以看出本模型的故障平均識(shí)別率比其它3種模型分別高出4.86%、5.05%、5.81%，且AC-CNN模型(模型4)每個(gè)epoch平均訓(xùn)練時(shí)間較其它3種模型分別縮短了0.129 s、0.243 s、0.329 s，又由圖7的AC-CNN模型的21種故障識(shí)別率的混合矩陣也可看出，本文提出的故障診斷模型使各類故障的識(shí)別性能和效率得到了顯著提高。

圖7 AC-CNN模型的故障識(shí)別率的混合矩陣

為了更好地理解AC-CNN模型，對(duì)實(shí)驗(yàn)結(jié)果利用可視化技術(shù)，通過可視化隨機(jī)選取11類故障的測(cè)試集所有樣本，在原始數(shù)據(jù)、CNN與AC-CNN模型全連接層的特征表達(dá)經(jīng)過t-SNE[14]降成3維后的分布，如圖8所示。

由圖8可以看出，工況采樣數(shù)據(jù)經(jīng)過AC-CNN模型操作之后，各類故障己經(jīng)可以很好的區(qū)分，這表明AC-CNN區(qū)分故障信號(hào)的能力很強(qiáng)，第7類與第8類故障在CNN模型分類后的依然特征表達(dá)線性不可分，但隨著AC-CNN模型使用之后，兩類故障的特征表達(dá)線性可分，這說明AC-CNN模型的增強(qiáng)了非線性表達(dá)能力。綜上， AC-CNN通過非對(duì)稱卷積使用，將不可分的特征映射到非線性可分空間，也驗(yàn)證了AC-CNN模型非對(duì)稱卷積核的設(shè)計(jì)思想的合理性和優(yōu)越性。

對(duì)比已有文獻(xiàn)故障識(shí)別率得出不同故障診斷方法的性能比較見表4：(a)基于PM-FD模型[5]；(b)基于PCA的優(yōu)化變量選擇模型[6]；(c)基于EM聚類的監(jiān)督式局部神經(jīng)網(wǎng)絡(luò)模型[7]；(d)基于多模過程的貝葉斯模型[8]；(e)基于深度置信網(wǎng)絡(luò)模型[9]；(f)基于AC-CNN模型(本文提出的)。具體表現(xiàn)如圖9所示。

所有21種故障的故障識(shí)別結(jié)果見表3，平均故障識(shí)別率為88.67%。取前20種故障與文獻(xiàn)中的故障診斷模型(見表4)相比，本文提出的故障診斷模型的性能得到了顯著提高，特別是Fault13和Fault15。根據(jù)表4，F(xiàn)ault13的故障識(shí)別率達(dá)到98%，尤其在故障15被認(rèn)為是最難識(shí)別的故障之一，在之前的文獻(xiàn)報(bào)告中的故障識(shí)別率都低于30%，而在本文提出的方法，故障15的識(shí)別率可以達(dá)到70%。另外，由圖9和圖7可以看出Fault15 和Fault16兩種故

圖8 數(shù)據(jù)經(jīng)過t-S NE可視化之后的分布

故障類別/%(a)(b)(c)(d)(e)(f)故障1395.759572.25958898故障1517.259.7521.121707020種故障74.5877.4478.738082.188.5

障特征相近，而已有文獻(xiàn)的抽象方法是基于空間域中開發(fā)，對(duì)故障變量沒有充分提取，本文從時(shí)域出發(fā)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，通過非對(duì)稱卷積核配置重構(gòu)變量充分提取故障特征，從而可以看出，在這兩種故障標(biāo)簽偏離正常狀態(tài)比其它故障要輕得多情況下，本模型的故障識(shí)別能力依然有較好的表現(xiàn)。

圖9 故障識(shí)別率對(duì)比

3 結(jié)束語

針對(duì)復(fù)雜工業(yè)過程中故障變量特征，并同時(shí)識(shí)別多類故障，提高識(shí)別性能，本文提出了一種具有AC架構(gòu)的CNN模型。研究了基于對(duì)稱卷積核的CNN改進(jìn)得到非對(duì)稱卷積核的AC-CNN模型，根據(jù)4種模型的故障診斷結(jié)果生成全面的故障識(shí)別結(jié)果。其中改進(jìn)的基于AC-CNN的故障識(shí)別模型在TE過程中的應(yīng)用表現(xiàn)出色，明顯優(yōu)于其它3種模型的平均故障診斷率和訓(xùn)練時(shí)間，而在20種被廣泛研究的故障中，與其它故障診斷方法報(bào)告的平均故障識(shí)別率相比，也表現(xiàn)突出，大幅度降低了計(jì)算復(fù)雜度并提高了識(shí)別率。TE過程實(shí)驗(yàn)結(jié)果表明：所構(gòu)造的基于AC-CNN的故障識(shí)別模型優(yōu)于已有的故障識(shí)別模型，在故障發(fā)生時(shí)，能實(shí)時(shí)準(zhǔn)確判斷出的故障類型，大大降低了復(fù)雜工業(yè)過程中的故障診斷成本。

嘗試通過調(diào)整超參數(shù)和模型部分結(jié)構(gòu)，探索AC-CNN模型其它工業(yè)故障實(shí)時(shí)分類標(biāo)注問題的應(yīng)用，是筆者下一步的工作。