49、基于图像编码和深度学习的SPS故障检测及信息检索模型对比研究

基于图像编码和深度学习的SPS故障检测及信息检索模型对比研究

基于图像编码和深度学习的SPS故障检测

在当今的技术领域中，故障检测是保障系统稳定运行的关键环节。对于SPS（可能是某种特定系统）而言，利用图像编码和深度学习进行故障检测具有重要的应用价值。

深度学习作为机器学习的一个子概念，它受到人类大脑活动的启发。深度学习算法能够从给定的数据集中提取高级特征，并且适用于处理非结构化数据，这对于分析故障数据非常有帮助。传统的预处理方法，如快速傅里叶变换（FFT）、滑动窗口和小波变换，主要适用于单变量时间序列。然而，多变量时间序列（MTS）由于包含丰富的环境信息，需要特殊的预处理方法。因此，研究中采用了多种图像编码技术。

Yang等人对多种预处理方法进行了比较，如DTW、combDTW、STKG - SVM - K3和STKG - IF - NB - SVM + M，它们的错误率分别为2.01%、2.01%、1.23%和2.23%。而在晶圆数据集上，附加GASF和GADF的错误率分别为1.06和1.57。这表明将MTS编码为图像可以降低错误率，提高准确性。将所有MTS数据聚合为单个图像，有助于从数据收集过程中的噪声中提取信息，并帮助我们了解变量之间的相关性。编码MTS为图像是一种丰富的数据表示方式，使得理解数据的共现和潜在状态变得更加容易。研究中使用了马尔可夫转移场（MTF）、格拉姆角求和场（GASF）、递归图（RP）和频谱图等方法。

方法

提出的SPS故障分类方法使用二维卷积神经网络（2 - D - CNN）将ADAPT数据分类为故障或正常状态。在分类之前，数据使用非重叠窗口进行窗口化，并使用MTF、GASF、RP和频谱图等预处理方法将其编