仪器仪表学报

作者：尹刚，朱淼，颜玥涵，王怀江，江茂华，刘期烈

单位：尹刚,1.重庆大学煤矿灾害动力学与控制全国重点实验室重庆400044； 2.重庆大学资源与安全学院重庆400044,yk115@cqu.edu.cn,朱淼,1.重庆大学煤矿灾害动力学与控制全国重点实验室重庆400044； 2.重庆大学资源与安全学院重庆400044,,颜玥涵,贵州大学电气工程学院贵阳550025,,王怀江,中铝郑州研究院郑州450041,,江茂华,重庆高峰新材料科技有限公司 重庆404160,,刘期烈,重庆邮电大学重庆400065,

关键词：深度学习;故障诊断;多模态融合;神经网络;过程控制

基金：重庆市自然科学基金创新发展联合基金项目(CSTB2024NSCQ?LZX0166)、重庆英才·创新创业示范团队项目(cstc2024ycjh-bgzxm0131)、科技转化重大项目(H20201555)资助

基于深度学习的故障诊断是当前工业安全智能化管理的重要研究方向。工业实际生产中故障时常发生，导致生产效率下降，严重时会造成停产甚至人员伤亡。由于生产环境复杂多变，导致故障特征难以提取和识别，且工业现场需要实时监测和快速诊断，传统故障诊断方法通常依赖专家经验进行特征提取和模式识别，难以适应复杂动态的工业环境。针对上述问题，提出了一种基于深度学习的多模态工业故障诊断方法。采用极端梯度提升(XGBoost)筛选与工业故障相关的工艺参数，以此作为模型输入的多模态数据。通过深度极限学习机(DELM)提取生产工艺参数的非线性和高维特征，识别出异常状态的工业设备，并利用霜冰优化算法(RIME)优化DELM的关键参数，使模型达到最佳性能。RIME?DELM输出正常状态的设备样本，异常设备样本则继续输入至深度置信网络(DBN)和最小二乘支持向量机(LSSVM)，对异常样本进行故障类型的具体判别。将所提出的方法应用于铝电解生产过程，验证了模型的有效性。经铝电解生产现场实验结果表明，该模型的异常状态检测的准确率为97.96%，F1-score为0.9753，故障类型诊断的准确率为96.75%，Macro-F1分数为0.9447，通过消融实验、与常见深度学习模型对比，本文构建的DMIFD模型诊断精度更高，为实际工业生产的故障诊断提高了更准确、可靠的支持。

来源：2025年第6期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第6期