基于两阶段多教师知识蒸馏的工业过程故障检测方法OA
现代工业过程数据具有大容量、高维度及复杂相关性等特征,单一多元统计监测方法难以兼顾不同类型特征的监测需求.现有多模型融合方法与深度学习技术虽能提升故障检测性能,但前者依赖模型库构建,难以统一建模,后者存在结构复杂与参数冗余问题.针对上述问题,提出一种基于两阶段多教师知识蒸馏的工业过程建模与故障检测方法.该方法通过蒸馏框架将核主成分分析与独立成分分析提取的异构知识内化至学生自编码器模型中,实现非线性与非高斯特征的统一建模,并通过两阶段蒸馏协同优化特征空间与重构空间.第一阶段在特征层蒸馏以引导学生模型学习教师模型的特征分布,第二阶段在重构层蒸馏以提升模型对过程变化的表征与重构能力.在田纳西-伊斯曼仿真过程及合成氨实际过程上的实验结果表明,该方法能够有效提升故障检测的准确性与鲁棒性,并通过离线知识蒸馏实现在线阶段的统一建模与高效监测.
陈光捷;张洪海;刘毅;周乐
浙江科技大学自动化与电气工程学院,杭州310023浙江科技大学自动化与电气工程学院,杭州310023浙江工业大学机械工程学院,杭州310023浙江科技大学自动化与电气工程学院,杭州310023
信息技术与安全科学
独立成分分析核主成分分析知识蒸馏多教师知识蒸馏故障检测
《自动化学报》 2026 (7)
P.1426-1437,12
国家重点研发计划(2025YFE0204600)浙江省自然科学基金(LR26F030005)国家自然科学基金(U23A20328)资助。
评论