控制与决策

作者：李歆,李显,李帅,周晓锋,金樑

单位：中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110169,,中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110169;中国科学院大学,北京 100049,,中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110169,,中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110169,,中国科学院 网络化控制系统重点实验室,沈阳 110016;中国科学院 沈阳自动化研究所,沈阳 110016;中国科学院 机器人与智能制造创新研究院,沈阳 110169,

关键词：新模态;故障诊断;元学习;网络结构搜索;小样本

基金：国家重点研发计划项目(2019YFB1706202).

实际多模态化工过程通常由于产品需求等调整而产生新模态,现有基于深度学习的故障诊断方法存在未充分利用现有模态设计经验、小样本下难以训练模型等局限.针对上述问题,提出一种基于元学习(meta learning, ML)和网络结构搜索(neural architecture search, NAS)的新模态故障诊断方法MetaNAS.首先,利用NAS自动获取现有模态性能最优的网络模型;然后,利用ML从现有模态的NAS过程中学习故障诊断模型的设计经验;最后,当新模态产生时,在已学习设计经验基础上进行梯度更新,即在小样本条件下快速得到新模态故障诊断模型.通过数值系统和田纳西伊斯曼(Tennessee Eastman, TE)化工过程的仿真实验充分验证所提出方法的有效性和可行性.

来源：2023年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第11期