《表2 预处理对诊断率的影响 (%)》
由于本文使用的CNN模型采用多帧残差图像作为输入,网络也起到一部分时序特征提取作用,则卷积核W1的通道可以理解为卷积核随时间的分布图10(b)展示了L1conv层第3个卷积核(即图10 (a)中实线框标记出的卷积核) 随输入通道(即时间维度)的变化结果,可以看到卷积核随时序呈现较为缓慢的变化.但仅从10帧图像无法判断该特征是由故障工况引起还是由大范围水雾干扰引起.因此仅采用10帧图像作为CNN的输入无法提取足够的时序信息来判断故障工况的发生,而利用更多的时序图像来将图像随时间的变化建立到CNN中代价较高[24](例如,将30帧图像序列建立到模型中则需要第一层核函数为30层),这对网络收敛速度和后续的诊断速度都会产生较大的影响.由于循环神经网络有着出色的时序记忆特性,可以充分提取出序列图像随时间的变化关系,因此本文对电熔镁炉异常工况的时序特征提取主要通过循环神经网络来实现.
图表编号 | XD0070799100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 吴高昌、刘强、柴天佑、秦泗钊 |
绘制单位 | 东北大学流程工业综合自动化国家重点实验室、东北大学流程工业综合自动化国家重点实验室、国家冶金自动化工程技术研究中心、东北大学流程工业综合自动化国家重点实验室、国家冶金自动化工程技术研究中心、东北大学流程工业综合自动化国家重点实验室、美国南加州大学化工系 |
更多格式 | 高清、无水印(增值服务) |