具有潜在标签一致性和稀疏高斯特征学习的非线性工业过程故障诊断方法

随着工业过程复杂程度的不断提高,高维工业数据呈现出很强的非线性,给工业过程的故障诊断带来了相当大的挑战。为了有效提取对故障诊断至关重要的深层特征,首先,设计了稀疏高斯特征提取器(SGFE)来学习非线性映射,该映射能够将原始数据投影到具有故障标签维度的特征空间中。特征空间由故障类别标签的one-hot编码作为正交基构成。这样,SGFE可以从原始数据中逐步学习到与故障标签相关的深度稀疏高斯特征。然后,在特征空间中,设计了稀疏高斯(SG)损失函数,将特征约束为多个稀疏多元高斯分布。稀疏的高斯特征在特征空间是线性可分的,这有利于提高下游故障分类任务的性能。最后,对本文所提出的SGFE算法的可行性和实用性分别通过手写数字(MNIST)数据集和田纳西-伊士曼(TE)过程进行了验证。