[發明專利]一種應用于間歇過程的故障檢測方法

有效

• 申請號: 201810169863.X
• 申請日: 2018-02-28
• 公開（公告）號: CN108255656B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 王培良;王碩
• 申請（專利權）人: 湖州師范學院
• 主分類號: G06F11/22
• 分類號: G06F11/22;G06N3/063
• 代理公司: 杭州宇信知識產權代理事務所(普通合伙) 33231
• 代理人: 張宇娟

1.一種應用于間歇過程的故障檢測方法，包括以下步驟：

步驟1：針對一種屬于間歇過程的故障檢測對象，選取包含已知故障的測試數據集，并對網絡設置超參數，包括LSTM中三個門控輸入門，遺忘門，輸出門的門控函數和每個LSTM的輸入輸出激活函數、LSTM的網絡深度、網絡學習率，并根據輸入序列的長短設計每層的LSTM單元數；

步驟2：利用BN批規范化方法將每層LSTM的輸出值進行零均值和方差歸一化處理，根據測試數據的準確率調節步驟1中的超參數，從而根據調節的最終結果進行訓練得到輸入向量的特征；

步驟3：使用基于多項式分布的SoftMax分類器，將步驟2得到的特征輸入到SoftMax函數中轉換為概率分布，再通過與真實標簽比較建立交叉熵損失得到損失函數，根據損失函數的梯度反向傳播，采用RMSProp算法進行學習訓練，逐漸接近損失函數的局部最小值；

步驟4：每一次對網絡學習訓練后都進行測試數據的準確率檢測，當測試數據的預測與真實值之間的交叉熵損失不再明顯的降低時停止訓練；

步驟5：將步驟4訓練后的網絡用于對步驟1中的故障檢測對象做當前故障檢測。

2.根據權利要求1所述的方法，其特征在于：網絡輸入一批包含已知故障的測試數據集，只取最后一層中最后一個LSTM單元的輸出值。

3.根據權利要求1所述的方法，其特征在于：每個LSTM單元的三個門控輸入門均由上一個單元的記憶c，輸出y和這一時刻的輸入x組合成輸入向量a，則有：

a^t＝[c^t-1，y^t-1，x^t] (1)

其中a^t表示t時刻的輸入向量，c^t-1上表示t時刻的上一時刻的記憶c，y^t-1上表示t時刻的上一時刻的輸出，x^t表示t時刻的輸入，W和b是對應門控的權重和偏置，門控函數g為tanh激活函數，LSTM的輸入輸出激活函數f為sigmoid激活函數；是t時刻f與g乘后的輸出門；

所述的遺忘門

將與相加后存入新的記憶單元并表示為c^t；

所述的輸出門的輸出y為：y^t＝h(c^t)·f(W_oa^t+b_o) (4)

其中門控函數h為tanh激活函數，h(c^t)是c^t在遺忘門與相加時，對門控函數g的替換表達；y^t是t時刻的當前LSTM單元的最終輸出，W_o和b_o是t-1時刻時門控的權重和偏置。

4.根據權利要求1所述的方法，其特征在于：步驟2中所述的BN批規范化方法中的歸一化方法是對每一個LSTM網絡層的輸出進行白化預處理：

其中E[x^(k)]指其中一批LSTM的輸出x^(k)的平均值，Var[x^(k)]為公式(5)所計算的該層LSTM的輸出x^(k)的標準差，∈是極小的正數，以保證分母不為零。

5.根據權利要求4所述的方法，其特征在于：所述的歸一化方法中增加有比例及平移操作，即：

其中是白化預處理后的數據，參數γ，β，同權重和偏置一樣，是隨著網絡中的迭代訓練而得到學習，BN是歸一化方法在函數中的表示；x^j與公式5中的x^(k)相同。

6.根據權利要求5所述的方法，其特征在于：采用滑動平均的方式記錄并更新均值和方差，并在步驟5的檢測中使用最后一次修改的均值方差。