Fault Classification in High-Dimensional Complex Processes Using Semi-Supervised Deep Convolutional Generative Models

计算机科学 人工智能 水准点(测量) 过程(计算) 机器学习 卷积神经网络 生成模型 数据建模 生成语法 故障检测与隔离 深度学习 任务(项目管理) 数据挖掘 模式识别(心理学) 断层(地质) 工程类 地质学 地震学 操作系统 执行机构 数据库 系统工程 地理 大地测量学
作者
Tae-young Ko,Heeyoung Kim
出处
期刊:IEEE Transactions on Industrial Informatics [Institute of Electrical and Electronics Engineers]
卷期号:16 (4): 2868-2877 被引量:49
标识
DOI:10.1109/tii.2019.2941486
摘要

In complex industrial processes, process fault detection and classification constitute an important task for reducing production costs and improving product quality. Most existing methods for fault classification assume that sufficient labeled data are available for training. However, label acquisition is costly and laborious in practice, whereas abundant unlabeled data are often available. To make effective use of a large amount of unlabeled data for fault classification, we propose in this article a new approach using semi-supervised deep generative models, allowing the complex relationship between high-dimensional process data and the process status to be modeled. In particular, to consider the temporal correlation and intervariable correlation in multivariate time series process data collected from multiple sensors, we propose two semi-supervised deep generative models incorporating convolutional neural networks. The proposed models are assessed on data from the Tennessee Eastman benchmark process. The results demonstrate the superior performances of the proposed models compared with competing methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
1秒前
周芷卉完成签到,获得积分10
1秒前
科研助手6应助cc采纳,获得10
1秒前
cwx发布了新的文献求助10
2秒前
曦之南。发布了新的文献求助10
2秒前
cc完成签到 ,获得积分10
2秒前
3秒前
3秒前
4秒前
称心采枫完成签到 ,获得积分0
4秒前
5秒前
啊娴仔发布了新的文献求助10
5秒前
勤恳觅珍发布了新的文献求助10
6秒前
不安的秋白完成签到,获得积分10
6秒前
勿忸发布了新的文献求助10
7秒前
斯文以蓝发布了新的文献求助10
8秒前
最後まで发布了新的文献求助10
8秒前
收拾收拾完成签到,获得积分10
8秒前
无言完成签到,获得积分10
9秒前
烂漫的筮发布了新的文献求助10
9秒前
冯涛发布了新的文献求助10
9秒前
zz发布了新的文献求助10
10秒前
10秒前
我是老大应助WQ采纳,获得10
11秒前
曦之南。完成签到,获得积分10
11秒前
cwx完成签到,获得积分10
11秒前
虚幻小丸子完成签到 ,获得积分10
11秒前
11秒前
科目三应助小土豆采纳,获得10
11秒前
11秒前
龍fei完成签到,获得积分10
11秒前
12秒前
NexusExplorer应助璟晔采纳,获得10
12秒前
wys关闭了wys文献求助
12秒前
12秒前
自觉的傲薇应助哈尼采纳,获得10
13秒前
英俊的铭应助qiuli采纳,获得10
13秒前
收拾收拾发布了新的文献求助30
13秒前
liz完成签到,获得积分10
14秒前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Cognitive Neuroscience: The Biology of the Mind 1000
Technical Brochure TB 814: LPIT applications in HV gas insulated switchgear 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
A Preliminary Study on Correlation Between Independent Components of Facial Thermal Images and Subjective Assessment of Chronic Stress 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3968964
求助须知:如何正确求助?哪些是违规求助? 3513877
关于积分的说明 11170569
捐赠科研通 3249201
什么是DOI,文献DOI怎么找? 1794692
邀请新用户注册赠送积分活动 875297
科研通“疑难数据库(出版商)”最低求助积分说明 804755