一种基于深度学习的新模型，用于高不确定性复杂系统的故障诊断

《Engineering Applications of Artificial Intelligence》：A novel deep learning-based model for fault diagnosis of complex systems with high uncertainty

故障诊断模型IT2FS-CNN-GRU-SC通过融合区间二型模糊集提升复杂系统高不确定性故障诊断精度，在AP1000反应堆冷却系统工程案例中，低噪声（SD=0.1）场景下准确率达99.71%，高噪声（SD=0.5）场景仍保持87.14%准确率，显著优于传统模型。

　　

陶代|杨遂|严家胜|朱家豪|李晓涵

华南理工大学核科学技术学院，衡阳，421001，中国

摘要

确定性卷积神经网络（CNN）、门控循环单元（GRU）和softmax分类器（SC）的组合（CNN-GRU-SC）是一种成熟的深度学习模型，用于复杂系统的故障诊断。然而，该模型无法准确诊断具有高不确定性的复杂系统的故障。本研究旨在提出一种新的模型，集成区间二型模糊集（IT2FS）来解决这一挑战。具体来说，IT2FS用于定义CNN中的卷积和池化操作、GRU中的重置和更新门以及候选隐藏状态和隐藏状态，以及SC中的全连接和softmax操作，分别得到IT2FS-CNN、IT2FS-GRU和IT2FS-SC模型。这些模型结合在一起，提出了一种基于IT2FS的深度学习模型，用于具有高不确定性的复杂系统的故障诊断。使用来自个人计算机瞬态分析器（PCTRAN）的AP1000反应堆冷却系统（RCS）的数据集（2096个样本：1404个训练样本，692个测试样本，涵盖8种条件），所提出的模型在较低噪声水平（标准差（SD）= 0.1）下的准确率为99.71%，召回率为99.75%，精确率为99.71%，F1分数为99.73%，曲线下面积（AUC）为1.00；在较高噪声水平（SD = 0.5）下的准确率为87.14%，召回率为86.76%，精确率为87.49%，F1分数为86.28%，AUC为0.98），在识别故障模式、位置和严重程度方面优于传统模型。该模型提高了工程应用中的诊断可靠性，并有望在具有内在不确定性的安全关键系统中得到更广泛的应用。

引言

复杂系统由于组件众多且相互关联，因此表现出动态性、非线性和不确定性，这主要是由于其规模增大、结构复杂和控制复杂所致（García和Aguilar，2022；Wang等人，2022a）。这类系统中的故障可能会中断操作，导致重大损失（Huang等人，2022）。故障诊断，即识别和评估故障特征（如类型、位置和严重程度）的过程，对于维护系统安全至关重要（Liu等人，2023；Chen等人，2020）。

传统的故障诊断方法分为基于模型的方法和基于数据的方法（Liu等人，2024）。基于模型的方法需要准确的系统模型，而这在复杂的工业过程中通常不可用（Noom等人，2023）。相比之下，基于数据的方法利用历史数据和实时数据来诊断故障，而不依赖于系统模型（Bakhtiaridoust等人，2023）。

确定性卷积神经网络（CNN）、门控循环单元（GRU）和softmax分类器（SC）的组合（CNN-GRU-SC）是一种成熟的深度学习模型，用于复杂系统的故障诊断（Chen等人，2023b；Zhao等人，2021；Chada等人，2022；Holm等人，2023）。然而，该模型无法准确诊断具有高不确定性的复杂系统的故障。在这项研究中，我们提出了一种新的深度学习模型，将区间二型模糊集（IT2FS）集成到CNN-GRU-SC模型中，以提高具有高不确定性的复杂系统的故障诊断准确性。

章节片段

文献综述

数据驱动的故障诊断方法，特别是那些使用机器学习和深度学习的方法，变得越来越流行（Yin和Wang，2024）。机器学习处理数据以做出决策，但往往依赖于先验知识，并且在提取深层和不明显的故障特征方面存在困难（Gawde等人，2023；Guo等人，2024）。然而，深度学习可以从数据中学习内在规律和表示层次，从而提供对系统状态的更好理解（Li等人，2024）。

CNN模型中的IT2FS操作

为了使模型能够捕捉一系列可能的特征强度而不是精确的点估计，传感器数据应转换为基于IT2FS的形式，以嵌入不确定性。鉴于获得的传感器数据遵循高斯分布，序列中每个数据点可以使用公式（1）重新格式化为类型一高斯模糊集（Seifi等人，2022）。

$x=\{\begin{array}{cc}\frac{d^{\lambda }?1}{\lambda },& \lambda \ne 0\\ \ln d,& \lambda =0\end{array}$其中$\lambda$表示转换参数。

公式（1）中x的隶属度函数

工程应用

在本节中，我们将所提出的模型应用于一个工程案例，目的是验证其有效性。

结论

本研究提出了一种基于IT2FS的深度学习模型，用于具有高不确定性的复杂系统的故障诊断。通过将IT2FS无缝集成到CNN-GRU-SC模型中，所提出的模型克服了传统确定性深度学习模型的局限性，后者通常难以处理复杂系统中的内在不确定性。通过在AP1000反应堆冷却系统（RCS）上的工程案例研究进行验证，所提出的模型取得了出色的诊断性能。

CRediT作者贡献声明

陶代：撰写——原始草稿，软件开发，形式分析，数据整理，概念构思。杨遂：撰写——审阅与编辑，监督，资源协调，项目管理，资金获取。严家胜：方法论研究，调查，概念构思。朱家豪：验证，调查。李晓涵：可视化，调查。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢

作者感谢中国国家自然科学基金（编号42577529和52174189）和湖南省自然科学基金（编号2023JJ10035）的支持。