基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)過(guò)程故障檢測(cè)

王琪善，章國(guó)寶*，黃永明，張永春

（1.東南大學(xué) 自動(dòng)化學(xué)院，南京 210000；2.江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院，南京 2 100018）

0 引言

現(xiàn)代制造業(yè)設(shè)備的發(fā)展呈現(xiàn)出智能化、綜合化和復(fù)雜化的趨勢(shì)，系統(tǒng)各設(shè)備之間高度耦合，導(dǎo)致維護(hù)和保養(yǎng)的成本越來(lái)越高，同時(shí)某一個(gè)設(shè)備的故障可能引發(fā)連鎖反應(yīng)，引起系統(tǒng)的崩潰，因此降低故障的誤報(bào)和漏報(bào)率對(duì)保障系統(tǒng)安全性、降低維護(hù)成本，具有重要的價(jià)值和意義[1]。傳統(tǒng)的多元統(tǒng)計(jì)過(guò)程控制（MSPC）主要包括主成分分析（Principal Component Analysis，PCA）和偏最小二乘（Partial Least-Regression，PLS）法[2]，已被廣泛用于分析監(jiān)測(cè)數(shù)據(jù)和故障間潛在的關(guān)系，當(dāng)信號(hào)超過(guò)閾值或發(fā)生顯著變化時(shí)將觸發(fā)報(bào)警。然而隨著工業(yè)流程變得復(fù)雜，工況更加多變，制造過(guò)程呈現(xiàn)出運(yùn)行模態(tài)多樣、非高斯分布、非線性變化，故障類型多變等問(wèn)題，使得故障檢測(cè)變得更加復(fù)雜。

傳統(tǒng)PCA和PLS方法根據(jù)歷史數(shù)據(jù)的統(tǒng)計(jì)信息建立靜態(tài)模型，將高維變量映射到低維空間進(jìn)行分析，然而要求數(shù)據(jù)滿足高斯分布和線性特征，在非線性、非高斯的多模態(tài)過(guò)程中經(jīng)常產(chǎn)生誤報(bào)和漏報(bào)，效果不佳。對(duì)此，許多研究人員提出了改進(jìn)。為了解決非線性問(wèn)題，文獻(xiàn)[3]使用動(dòng)態(tài)主成分分析方法，生成增廣數(shù)據(jù)矩陣擬合非線性過(guò)程特征。文獻(xiàn)[4]使用局部近鄰標(biāo)準(zhǔn)化改進(jìn)最小二乘法的非線性表現(xiàn)。文獻(xiàn)[5]提出一種結(jié)合隨機(jī)投影和K近鄰的故障檢測(cè)方法，適應(yīng)了過(guò)程非線性的特點(diǎn)，文獻(xiàn)[6]提出非負(fù)矩陣分解和Fisher判別分析。為了解決非高斯問(wèn)題，文獻(xiàn)[7]結(jié)合核PCA和支持向量機(jī)（Support Vector Machine,SVM）進(jìn)行故障檢測(cè)，數(shù)據(jù)無(wú)需滿足高斯分布。文獻(xiàn)[8]使用獨(dú)立主成分分析（ICA）信息融合提取軸承故障特征。為了滿足多工況、多模態(tài)的故障檢測(cè)需要，文獻(xiàn)[9]針對(duì)各個(gè)模態(tài)使用MSPC單獨(dú)建模，而非全局建模來(lái)容納所有模態(tài)，因而隨著模態(tài)的增多，計(jì)算復(fù)雜度較高。文獻(xiàn)[10]將貝葉斯統(tǒng)計(jì)引入MSPC，通過(guò)后驗(yàn)概率和聯(lián)合概率評(píng)估檢測(cè)統(tǒng)計(jì)量在各模態(tài)下的故障概率。文獻(xiàn)[11]將局部熵引入ICA，將監(jiān)測(cè)數(shù)據(jù)轉(zhuǎn)化到局部熵空間，以提高多模態(tài)和非高斯過(guò)程檢測(cè)效果。

總體來(lái)說(shuō)，由于上述監(jiān)測(cè)方法的閾值和置信度是通過(guò)統(tǒng)計(jì)方式獲得，因此性能會(huì)受到基于MPSC方法設(shè)計(jì)參數(shù)選擇的顯著影響。因此，在解決非線性、非高斯的多模態(tài)過(guò)程故障檢測(cè)問(wèn)題上，MSPC方法首先較易忽略原始模式數(shù)據(jù)中的某些潛在關(guān)系，因而不能涵蓋對(duì)早期微小故障的準(zhǔn)確檢測(cè)[12]。此外，MPSC方法還會(huì)因變量間的耦合而產(chǎn)生意料之外的誤報(bào)和漏報(bào)。

近年來(lái)，通過(guò)將故障檢測(cè)視為一個(gè)判別性問(wèn)題，人工智能技術(shù)已在該領(lǐng)域得到了成功的應(yīng)用[13]。如果原始測(cè)量數(shù)據(jù)的潛在關(guān)系可以通過(guò)合適的學(xué)習(xí)算法來(lái)學(xué)習(xí)，則可以很容易地識(shí)別模式的從屬關(guān)系。對(duì)于高維工業(yè)制造數(shù)據(jù)，可以有效地使用深層結(jié)構(gòu)來(lái)發(fā)現(xiàn)低層特征固有的模式，從而提高分類準(zhǔn)確性。Hinton等人[14]提出了反向傳播算法，使得深層結(jié)構(gòu)的參數(shù)更新和高級(jí)抽象特征的獲取成為可能，其較強(qiáng)的學(xué)習(xí)能力強(qiáng)，適用于多模態(tài)過(guò)程的故障檢測(cè)。作為一種深度學(xué)習(xí)方法，CNN已證明其在各個(gè)領(lǐng)域如語(yǔ)音、圖像等多元模式識(shí)別中的功效[15]。其主要的優(yōu)勢(shì)體現(xiàn)在：

1）以卷積加采樣為核心的網(wǎng)絡(luò)結(jié)構(gòu)可以直接提取信號(hào)中的局部特征，不需要手動(dòng)提取；

2）隨著網(wǎng)絡(luò)堆疊層次的加深，模型可以獲得更好的能力來(lái)表征數(shù)據(jù)和設(shè)備健康狀況之間復(fù)雜的（線性或非線性）映射關(guān)系，從而提高判別能力；

3）數(shù)據(jù)不要求必須滿足高斯分布。在多模態(tài)過(guò)程故障檢測(cè)領(lǐng)域，基于CNN的深度學(xué)習(xí)判別方法方興未艾。文獻(xiàn)[16]將數(shù)值數(shù)據(jù)表示成雷達(dá)圖，然后將其輸入CNN中構(gòu)建分類模型，取得了優(yōu)異的故障檢測(cè)效果，然而同文獻(xiàn)，每個(gè)模態(tài)單獨(dú)建模將導(dǎo)致復(fù)雜性的增加。文獻(xiàn)[17]使用輕量級(jí)CNN提取多變量過(guò)程的高層特征，在測(cè)試集上提高了8%的故障檢測(cè)率，然而在將傳感器數(shù)值轉(zhuǎn)換成圖像的過(guò)程中沒(méi)有考慮變量的相關(guān)性。文獻(xiàn)[18]使用固定多重采樣CNN提取過(guò)程數(shù)據(jù)在不同時(shí)間尺度上的動(dòng)態(tài)特性用于故障檢測(cè)，然而沒(méi)有對(duì)模型提出進(jìn)一步的優(yōu)化。

為此，本文提出了一種基于TCNN的多模態(tài)過(guò)程故障檢測(cè)方法，提出了基于TCNN的在線監(jiān)測(cè)框架，建立關(guān)于多模態(tài)過(guò)程的全局判別模型，可以進(jìn)行實(shí)時(shí)的模態(tài)識(shí)別和故障檢測(cè)。與常規(guī)的MSPC方法不同，TCNN的非線性激活函數(shù)和模型結(jié)構(gòu)適用非高斯分布和非線性特征，深層的模型能夠擬合更深層次的結(jié)構(gòu)信息和數(shù)據(jù)本質(zhì)，提高了對(duì)多模態(tài)過(guò)程故障的檢測(cè)效果。最后將提出的方法用于田納西伊士曼工業(yè)過(guò)程(Tennessee Eastman Process,TEP)的故障檢測(cè)中，與MSPC（PCA）方法，SVM方法、深度置信網(wǎng)絡(luò)（Deep Belief Networks,DBN）方法進(jìn)行了實(shí)驗(yàn)比較，結(jié)果表明本文提出的方法總體上降低了故障的誤報(bào)和漏報(bào)率。

1 Tiled CNN

1.1 判別模型結(jié)構(gòu)

Tiled CNN（TCNN）是卷積神經(jīng)網(wǎng)絡(luò)的一種變體，使用卷積和多個(gè)特征圖來(lái)學(xué)習(xí)不變特征。其特殊性表現(xiàn)為本地連接和平鋪（tiled）權(quán)重共享，即使用參數(shù)k控制隱藏層的權(quán)重綁定距離，能夠?qū)W習(xí)平移不變性之外的復(fù)雜不變性（如尺度不變性和旋轉(zhuǎn)不變性）,更適用于復(fù)雜不變特征的學(xué)習(xí)。該模型由多個(gè)卷積和TICA采樣層堆疊而成，如圖1所示。卷積在局部感受野提取多個(gè)特征圖，作為T(mén)ICA采樣層的輸入。TICA采樣可從未標(biāo)記的圖像塊中學(xué)習(xí)特征，結(jié)構(gòu)如圖2所示,由兩層網(wǎng)絡(luò)構(gòu)成，分別具有平方和平方根非線性采樣功能，詳細(xì)介紹參見(jiàn)文獻(xiàn)[19]。

圖1 TCNN網(wǎng)絡(luò)結(jié)構(gòu)

圖2 TICA層結(jié)構(gòu)

1.2 判別模型訓(xùn)練

給定一組訓(xùn)練樣本X={x1,x2,x3,...,xk},由未標(biāo)記的多模態(tài)過(guò)程測(cè)量值構(gòu)成某一模式矩陣，xi=k為采樣點(diǎn)個(gè)數(shù)，n為傳感器個(gè)數(shù)，系統(tǒng)的模式即隱藏在矩陣之中。由于高維模式識(shí)別屬于非線性可分離問(wèn)題，因而可以轉(zhuǎn)換為學(xué)習(xí)一個(gè)可將特征映射到特定模式的函數(shù)，然后將模式與其相應(yīng)類別進(jìn)行匹配。對(duì)于本文的模型結(jié)構(gòu)來(lái)說(shuō)，即學(xué)習(xí)非線性函數(shù)以提取表征故障模式的高層矩陣特征X=FW,b,k(X)。FW,b,k模型的訓(xùn)練分為T(mén)ICA無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)兩部分。無(wú)監(jiān)督預(yù)訓(xùn)練階段，通過(guò)硬編碼固定第二采樣層的權(quán)重V來(lái)學(xué)習(xí)第一層中的權(quán)重W，即解決：

其中，x(t)為經(jīng)卷積后輸入的局部特征，n是輸入大小，m是隱藏層單元個(gè)數(shù)。有監(jiān)督微調(diào)階段使用softmax回歸計(jì)算梯度，將誤差從輸出端進(jìn)行反向傳播（BP）逐步更新權(quán)重。給定不同模態(tài)下的有標(biāo)簽數(shù)據(jù)集其中k為模態(tài)的個(gè)數(shù)，為了計(jì)算給定假設(shè)函數(shù)：

1.3 基于灰狼優(yōu)化算法的超參數(shù)尋優(yōu)

超參數(shù)的選擇對(duì)模型的訓(xùn)練速度和最終的分類效果具有重要的影響。目前沒(méi)有成熟的理論指導(dǎo)選擇超參數(shù)的值，通過(guò)反復(fù)試驗(yàn)手動(dòng)進(jìn)行調(diào)整是一項(xiàng)耗時(shí)的工作。本文使用灰狼優(yōu)化（WGO）群智能啟發(fā)式搜索算法[20]進(jìn)行超參數(shù)尋優(yōu)，以期獲得最佳的多模態(tài)分類模型?；依莾?yōu)化技術(shù)模仿了狼群尋找獵物位置的行為。從最初的隨機(jī)分配開(kāi)始，狼的位置會(huì)進(jìn)行迭代更新，以將其引導(dǎo)至獵物即最佳解決方案附近。在狩獵中，狼群采用α,β,δ,ω四層機(jī)制按順序搜索獵物，分別被稱為最佳、第二佳、第三佳和其他解決方案。對(duì)于本文，每只狼的位置都與CNN模型超參數(shù)的個(gè)數(shù)相對(duì)應(yīng)而構(gòu)成一個(gè)矢量Xi={Xi1,Xi2,...XiD}，D為搜索空間，即超參數(shù)的個(gè)數(shù)。x={X1,X2,...XN},N為灰狼的數(shù)量，那么α,β,δ狼各一只，ω狼有N-3只。在更新位置之前，每只狼首先計(jì)算自己和α,β,δ狼的距離：

其中D表示距離，X表示位置，r為隨機(jī)數(shù)。隨后每只狼按照以下的公式更新自己的位置：

其次，超參數(shù)尋優(yōu)的目的是提高分類準(zhǔn)確度，因而定義灰狼適應(yīng)性函數(shù)為：

本文基于灰狼優(yōu)化的TCNN模型超參數(shù)尋優(yōu)算法，見(jiàn)算法1。

算法的時(shí)間復(fù)雜度為O(itermax*N*t)，itermax為迭代次數(shù)，N為灰狼個(gè)數(shù)，t為T(mén)CNN一次前向計(jì)算的時(shí)間。

2 傳感器數(shù)據(jù)圖像編碼

將多維傳感器監(jiān)測(cè)數(shù)據(jù)轉(zhuǎn)換成圖像，是預(yù)處理步驟的核心問(wèn)題。為了滿足在線實(shí)時(shí)檢測(cè)同時(shí)充分保留傳感器數(shù)據(jù)特點(diǎn)的需求，本文提出基于格拉姆矩陣的差值圖像編碼方式，易于實(shí)施且不丟失原始數(shù)據(jù)的特征。在時(shí)間點(diǎn)t，工業(yè)現(xiàn)場(chǎng)采集到的多維傳感器數(shù)據(jù)V={v1,v1,...vm}，其中vi表示第i個(gè)傳感器的數(shù)值，m是傳感器的數(shù)量。首先使用z-scores[21]將數(shù)據(jù)歸一化，避免不同量綱帶來(lái)的影響。定義vi,j為兩個(gè)不同的傳感器數(shù)據(jù)的差值，即vi,j=vi-vj,i≠j。定義格拉姆差值矩陣G如下：

可以看出，格拉姆矩陣的主對(duì)角線保留了原始的傳感器數(shù)據(jù)，即Gii=vi。而每一行保留了每個(gè)傳感器和其他傳感器的數(shù)據(jù)差值特征，即Gij=vi,j，當(dāng)模態(tài)的變化或故障的發(fā)生表現(xiàn)為某些傳感器數(shù)值的變化時(shí)，這可以在矩陣的差值特征中表現(xiàn)出來(lái)。為了將矩陣轉(zhuǎn)化成圖像，可以按照公式進(jìn)行縮放：

其中Gmax,Gmin分別為G中的最大值和最小值，I為單位矩陣。圖3(a)展示了52個(gè)傳感器在兩個(gè)不同采樣時(shí)刻的采樣值，分別標(biāo)為紅色和藍(lán)色。通過(guò)差值編碼后對(duì)應(yīng)的圖像為圖3(b)和圖3(c)。可以看出兩個(gè)時(shí)刻傳感器數(shù)據(jù)的變化在圖像上表現(xiàn)為不同的局部特征，為模態(tài)的辨識(shí)和故障的檢測(cè)提供了基礎(chǔ)。

圖3 插值編碼

3 基于TCNN的多模態(tài)過(guò)程在線監(jiān)測(cè)方法

基于TCNN的多模態(tài)過(guò)程在線監(jiān)測(cè)方法的框架如圖4所示。首先基于歷史數(shù)據(jù)進(jìn)行離線的模型訓(xùn)練，數(shù)據(jù)經(jīng)過(guò)編碼之后構(gòu)成數(shù)據(jù)集用于訓(xùn)練TCNN，通過(guò)灰狼優(yōu)化進(jìn)行超參數(shù)尋優(yōu)以期獲得較優(yōu)的分類模型。在線階段使用訓(xùn)練好的模型提取在線數(shù)據(jù)的高層特征識(shí)別當(dāng)前運(yùn)行的模態(tài)，進(jìn)一步通過(guò)離線學(xué)習(xí)到的模式匹配當(dāng)前運(yùn)行狀況。

圖4 TCNN在線監(jiān)測(cè)框架

與傳統(tǒng)的MSPC方法不同，本文方法通過(guò)深層模型學(xué)習(xí)數(shù)據(jù)深層的特征，減少信息的丟失且不容易受到變量耦合的影響，以期提高在線監(jiān)測(cè)的效果。

4 TE過(guò)程實(shí)驗(yàn)驗(yàn)證

4.1 數(shù)據(jù)集介紹

本節(jié)以公開(kāi)標(biāo)準(zhǔn)化工過(guò)程TEP數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。TEP過(guò)程由美國(guó)某化工公司控制部門(mén)提出，由反應(yīng)器、冷凝器、分離器、循環(huán)壓縮機(jī)和汽提塔五個(gè)單元構(gòu)成，系統(tǒng)中有52個(gè)傳感器遍布管道、閥門(mén)和各種子設(shè)備進(jìn)行變量監(jiān)測(cè)，其運(yùn)行結(jié)構(gòu)如圖5所示，過(guò)程輸入反應(yīng)物料為A,C,D,E四種，生成物料有G,H,F三種。本文使用41種測(cè)量值，包括22個(gè)連續(xù)測(cè)量值和19個(gè)成分變量，采樣間隔為3分鐘。TEP過(guò)程有多種運(yùn)行模態(tài)，每種運(yùn)行模態(tài)都包含1種正常情況和21種故障情況。訓(xùn)練集每種情況包含480個(gè)樣本，共計(jì)10560個(gè)樣本。測(cè)試集每一類故障包含960個(gè)樣本，故障是在第160個(gè)樣本引入，共計(jì)17600個(gè)樣本。

圖5 TEP過(guò)程流程圖

4.2 模型離線訓(xùn)練

本文選擇了TEP的基本模態(tài)、模態(tài)1、模態(tài)3和模態(tài)4的歷史數(shù)據(jù)訓(xùn)練模型。各個(gè)模態(tài)的工藝參數(shù)如表1所示。

表1 TEP模態(tài)參數(shù)

總數(shù)據(jù)集數(shù)量為10560*4=42252個(gè)。使用Keras框架搭建TCNN模型結(jié)構(gòu)為:輸入層、卷積層*4、TICA采樣層*4、全連接層*1。初始化灰狼個(gè)數(shù)為50，迭代次數(shù)設(shè)置為50，初始權(quán)重采用隨機(jī)初始化方法并進(jìn)行三次實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為Intel i7,GPU 2080 Ti。三次實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 三次優(yōu)化實(shí)驗(yàn)結(jié)果

模型超參數(shù)選擇第三次實(shí)驗(yàn)的結(jié)果，超參數(shù)如表2所示。

表2 超參數(shù)尋優(yōu)結(jié)果

4.3 工作模態(tài)識(shí)別

首先驗(yàn)證TCNN網(wǎng)絡(luò)對(duì)工作模態(tài)的學(xué)習(xí)能力。TCNN模型最后學(xué)習(xí)到的全連接層特征是長(zhǎng)度為128的一維向量，在某采樣時(shí)間點(diǎn)，四種工作模態(tài)下的向量值如圖7所示（從上到下依次為基本模態(tài)，模態(tài)1，模態(tài)3和模態(tài)5）?？梢钥闯?，四種模態(tài)在該采樣時(shí)間的特征向量彼此相異，表現(xiàn)為不同的上限和變化特征。

圖7 四種模態(tài)特征向量值

進(jìn)一步為了說(shuō)明TCNN學(xué)習(xí)到的特征向量對(duì)模態(tài)的辨別能力，每個(gè)模態(tài)選取160個(gè)正常狀態(tài)的測(cè)試樣本進(jìn)行模式的辨別。分別選取特征向量的第2，4，18和23四個(gè)維度上分別進(jìn)行比較，如圖8所示。

圖8 四種模態(tài)在各個(gè)維度上的辨識(shí)結(jié)果

可以看到，在這四個(gè)維度上，四種模態(tài)分別在特定的范圍內(nèi)變化，可以和其他模態(tài)較好得識(shí)別開(kāi)?；灸B(tài)可以通過(guò)第18維識(shí)別，模態(tài)1可以通過(guò)第2維識(shí)別，模態(tài)3可以通過(guò)第23維識(shí)別，模態(tài)5可以通過(guò) 第4維識(shí)別。作為對(duì)比，使用文獻(xiàn)[22]的PCA方法，選取TP2和SPE控制限對(duì)基本模態(tài)進(jìn)行識(shí)別，其在線監(jiān)測(cè)結(jié)果如圖9所示?？梢钥闯隹刂葡薜膭澐謱?dǎo)致較多的漏識(shí)別情況。本文所提出的框架，學(xué)習(xí)到各個(gè)模態(tài)的特征更直接和清晰，可以起到相對(duì)較好的識(shí)別效果。

圖9 PCA方法對(duì)基本模態(tài)的識(shí)別結(jié)果

4.4 故障檢測(cè)

為了說(shuō)明所提出的框架在檢測(cè)故障狀態(tài)方面的有效性，以基本模態(tài)為例，在測(cè)試集上進(jìn)行了20種故障的實(shí)驗(yàn)。其中故障13為緩慢漂移故障。對(duì)過(guò)程的干擾較小因而較難檢測(cè)，TCNN模型第四層TICA采樣后學(xué)習(xí)到的正常狀態(tài)特征圖和故障13特征圖見(jiàn)圖10。在特征圖上故障13呈現(xiàn)局部亮點(diǎn)的特征，可以和正常狀態(tài)較好得區(qū)分開(kāi)。

圖10 正常和故障13的特征圖

在線檢測(cè)階段，在基本模態(tài)下模擬了24小時(shí)的運(yùn)行狀態(tài)，在第8個(gè)小時(shí)引入故障13，本文方法的檢測(cè)結(jié)果如圖11所示。圖中的異常說(shuō)明發(fā)生了漏報(bào)或者誤報(bào)。正常階段在4個(gè)采樣點(diǎn)產(chǎn)生了誤報(bào)，故障發(fā)生后在8個(gè)采樣點(diǎn)發(fā)生了漏報(bào)，誤報(bào)率和漏報(bào)率均為2.5%。作為對(duì)比，分別使用文獻(xiàn)[22]PCA和文獻(xiàn)[21]SVM方法,文獻(xiàn)[23]DBN方法對(duì)故障13進(jìn)行檢測(cè)。結(jié)果如圖12～圖14所示。

圖11 本文故障13在線監(jiān)測(cè)結(jié)果

圖12 PCA方法對(duì)故障13的監(jiān)測(cè)

圖13 SVM方法對(duì)故障13的監(jiān)測(cè)

圖14 DBN方法對(duì)故障13的監(jiān)測(cè)

從圖中可以直觀得看出PCA方法得漏報(bào)和誤報(bào)率較高，DBN方法優(yōu)之，SVM方法較優(yōu)，但都劣于本文方法。在誤報(bào)率上，上述三個(gè)方法分別為12.7%，6.2%和5%，均高于本文的2.5%。在漏報(bào)率上，上述方法分別為15.6%，7.5%和10.9%，均高于本文的2.5%。在故障13的綜合檢測(cè)率上，本文方法取得了較好的結(jié)果。

接著，在基本模態(tài)下所有20種故障的檢測(cè)率和對(duì)比結(jié)果如表3所示。

表3 各方法故障監(jiān)測(cè)率對(duì)比

表中每類故障最好的檢測(cè)結(jié)果均加粗標(biāo)出，其中CNN方法取得了14次最好的結(jié)果，高于其它方法。同時(shí)CNN方法對(duì)故障10，16和19的檢測(cè)率高于其他方法10%以上。此外TCNN方法的平均故障檢測(cè)率最佳，高出PCA方法11.27%，高出SVM方法1.83%。

5 結(jié)語(yǔ)

本文提出了一種基于TCNN的多模態(tài)過(guò)程故障檢測(cè)方法，利用差值編碼將傳感器數(shù)值轉(zhuǎn)換成圖像，用于訓(xùn)練全局判別模型，使用灰狼優(yōu)化算法進(jìn)行超參數(shù)尋優(yōu)。提出的方法可以進(jìn)行在線的模態(tài)識(shí)別和故障檢測(cè)，在TEP數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，該方法有較好的模態(tài)識(shí)別率和故障檢測(cè)率，降低了誤報(bào)率和漏報(bào)率。該方法為多模態(tài)故障智能檢測(cè)提供了新的思路。