[發(fā)明專利]一種應用于間歇過程的故障檢測方法

有效

• 申請?zhí)枺?/td>: 201810169863.X
• 申請日: 2018-02-28
• 公開（公告）號: CN108255656B
• 公開（公告）日: 2020-12-22
• 發(fā)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

一種應用于間歇過程的故障檢測方法，針對一種屬于間歇過程的故障檢測對象采用LSTM作為基本神經元，結合批規(guī)范化BN技術將每層LSTM的輸出值進行零均值和方差歸一化處理；再使用SoftMax分類器，通過與真實標簽比較建立交叉熵損失得到損失函數(shù)，將輸入向量的特征轉換為概率分布；根據(jù)損失函數(shù)的梯度反向傳播，運用自適應RMSProp學習方法，逐漸接近損失函數(shù)的局部最小值；每一次對網絡學習訓練后都進行測試數(shù)據(jù)的準確率檢測，當測試數(shù)據(jù)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；利用該發(fā)明方法設計的網絡模型，經過訓練后可對間歇過程進行故障識別，在提高識別準確率的同時，逐漸提高網絡的深度。

技術領域

本發(fā)明涉故障檢測領域，尤其涉及一種應用于間歇過程的故障檢測方法。

背景技術

隨著工業(yè)系統(tǒng)呈現(xiàn)向大型化、復雜化方向發(fā)展，使得傳統(tǒng)數(shù)據(jù)驅動的故障診斷方法無法適應新時期這種工業(yè)大數(shù)據(jù)特性的故障診斷需求，具體表現(xiàn)在過程數(shù)據(jù)量大、種類多，且價值密度低，雖然數(shù)據(jù)維數(shù)多，但其中對于監(jiān)測診斷任務來說不一定都是有用有價值的。其中，間歇生產過程具有非線性、多時段或多工況的間歇過程的特征。具體是指生產過程在同一位置而不同的時間分批進行，其操作狀態(tài)不穩(wěn)定，過程參數(shù)隨時間而變，由于不同的操作階段具有不同的過程特性，使得監(jiān)測變量會受到時間維度上的影響。

傳統(tǒng)的基于數(shù)據(jù)驅動的間歇過程故障診斷方法往往需要對過程數(shù)據(jù)的分布進行假設，而且特征提取難度較大，對于非高斯性等復雜數(shù)據(jù)的監(jiān)控往往會出現(xiàn)誤報和漏報。

深度學習的概念起源于神經網絡的研究，有多個隱含層的多層感知器是深度學習模型的顯著特征，由于普通人工神經網絡方法收斂速度慢，尤其在大數(shù)據(jù)上需要更多的參數(shù)，在故障識別上易發(fā)生震蕩，分類準確率不高。相對于普通人工神經網絡而言，深度學習算法具有更好的逼近復雜非線性函數(shù)的能力，并有許多方法來解決普通多層神經網絡梯度消失、過擬合等問題，比起淺層神經網絡所需參數(shù)更少，且收斂速度和分類準確率都有所提升。

深度學習的基本模型是深度神經網絡(Deep Neural Network，DNN)，在此基礎又改進出現(xiàn)了許多基本框架，包括深度置信網絡(Deep Belief Network，DBN)、卷積神經網絡(Convolutional Neural Network，CNN)、堆疊自動編碼器(Stacked Autoencoders，SAE)、遞歸神經網絡(Recurrent Neural Network，RNN)。其中，DBN是由多個限制玻爾茲曼機(Restricted Boltzmann Machine，RBM)組成的多隱含層網絡，近年來基于DBN的故障診斷方法主要是先用無監(jiān)督逐層訓練方法，不斷挖掘各類信號的故障特征，然后在相應的分類器中，通過反向的有監(jiān)督微調來優(yōu)化網絡的故障識別能力。CNN是一種有監(jiān)督的深度網絡模型，可用于提取輸入數(shù)據(jù)的局部特征，并逐層組合抽象為高層特征，多半用于視覺、圖像特征提取等等，一般要求輸入數(shù)據(jù)具有二維相關性，對于實現(xiàn)基于其它信號的特征提取與識別比較困難；RNN是一種帶有記憶單元的神經網絡，其特點是充分考慮了樣本批次之間的關聯(lián)關系，可用于處理時序數(shù)據(jù)或者前后關聯(lián)數(shù)據(jù)，適用于復雜設備或系統(tǒng)的實時故障診斷，對于深層網絡，RNN往往會出現(xiàn)一些問題，比如后面時間點往往會對較前時間點的感知力下降而造成梯度消失，或者前面時間點權重的微小改變都會對輸出產生巨大影響而產生截斷梯度問題。

LSTM(Long Short-Term Memory)是長短期記憶網絡，是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。區(qū)別于RNN的地方，主要就在于它在算法中加入了一個判斷信息有用與否的“處理器”，這個處理器作用的結構被稱為cell。一個cell當中被放置了三扇門，分別叫做輸入門、遺忘門和輸出門。一個信息進入LSTM的網絡當中，可以根據(jù)規(guī)則來判斷是否有用。只有符合算法認證的信息才會留下，不符的信息則通過遺忘門被遺忘。但在LSTM算法運用中隨著層次的增多，信號的正向傳播和梯度的反向計算會越來越大或越來越小，造成梯度彌散或梯度爆炸問題。

發(fā)明內容