基于优化堆叠自编码器的故障诊断方法

针对当前堆叠自编码器故障诊断方法在识别有效分类特征方面的缺陷,提出一种基于Fisher判别准则优化的堆叠自编码器故障诊断方法。将Fisher判别准则中寻找最佳投影方向的特征学习方法融入到堆叠自编码器的预训练中,利用样本标签信息在堆叠自编码器的逐层非线性映射中学习最佳的投影方向。在Fisher判别准则优化的损失函数约束下训练,增加不同类别故障特征的类间距离,减小同类别特征的类内距离。由于在堆叠自编码器的预训练中,同时设计最小化重构特征和最大化分类特征的约束条件,预训练后的堆叠自编码器能够提取到更有效的特征信息,以提升最终故障诊断的准确率。通过在Tennessee Eastman(TE)化工过程的应用验证了所提故障诊断方法的可行性。