BriefGPT - AI 论文速递
·
基于迁移学习的输入输出解耦网络用于化工过程故障诊断中的生成无相关残差变量
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于迁移学习的输入输出解耦网络（TDN）用于诊断目的。TDN由一个输入输出解耦网络（IDN）和一个预先训练的变分自动编码器（VAE）组成。IDN通过对角化和并行计算操作生成无相关残差变量。在迁移学习阶段，根据VAE的损失和最大均值偏差损失提供正常状态的知识来指导IDN的训练。经过训练后，IDN学习从故障到正常的映射，同时作为故障检测指标和估计故障信号。通过数值示例和化学仿真验证了TDN的有效性。
🎯
关键要点
- 提出了一种基于迁移学习的输入输出解耦网络（TDN）用于诊断目的。
- TDN由输入输出解耦网络（IDN）和预先训练的变分自动编码器（VAE）组成。
- IDN通过对角化和并行计算生成无相关残差变量。
- 在迁移学习阶段，利用VAE的损失和最大均值偏差损失指导IDN的训练。
- 经过训练后，IDN学习从故障到正常的映射，作为故障检测指标和估计故障信号。
- 通过数值示例和化学仿真验证了TDN的有效性。
➡️
