基于顺序不变Transformer与自适应神经推理引擎的TSK故障诊断模型研究

《Processes》：An Order-Invariant Transformer-Based TSK Fault Diagnosis Model with Adaptive Neural Inference Engine

　　

摘要

现有基于高木 - 佐野 - 康（TSK）的故障诊断（FD）方法普遍存在前件特征交互能力不足、故障相关激活度消失以及后件表示能力有限的问题。为了解决这些问题，本文提出了一种基于顺序不变 Transformer 且具有自适应神经推理引擎的 TSK 模型（OIT-TSK-ANIE），旨在提高故障诊断性能。该模型首先采用顺序不变 Transformer 编码器单元来学习时间深度故障特征，同时减少特征顺序的影响。随后，具有自适应神经推理引擎单元的 TSK 模型——采用神经化的规则激活生成机制来增强特征交互并避免故障相关规则激活的衰减，同时使用深度故障特征作为后件输入——生成最终的故障诊断结果。一系列全面的实验表明，与最先进的深度学习和基于 TSK 的方法相比，所提出的模型在田纳西州东曼数据集和现实世界的三相流数据集上的故障识别准确率分别提高了至少 11.49% 和 0.76%。该模型代表了一种新颖且可推广的基于 TSK 的故障诊断范式，具有重要的实用价值。