[發(fā)明專利]一種基于深度卷積網(wǎng)絡(luò)特征融合的化工過程性能評測方法

在審

• 申請?zhí)枺?/td>: 202010877983.2
• 申請日: 2020-08-27
• 公開（公告）號: CN112001123A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計）人: 王楠;張日東
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

本發(fā)明涉及一種基于深度卷積網(wǎng)絡(luò)特征融合的化工過程性能評測方法。本發(fā)明在DCNN網(wǎng)絡(luò)中加入批歸一化層構(gòu)建歸一化DCNN，來加速神經(jīng)網(wǎng)絡(luò)的收斂以及避免梯度消失問題，然后采用雙線性卷積網(wǎng)絡(luò)（BCNN）原理進行特征融合，最終進行故障診斷。本發(fā)明加快了網(wǎng)絡(luò)的收斂速度，也避免了梯度消失等問題；融合的兩路特征來自于同一個卷積網(wǎng)絡(luò)，使得模型參數(shù)相對于BCNN網(wǎng)絡(luò)減少了一半，加快了訓(xùn)練的速度，同時特征融合的效果也達到了，得到了更加高效精確的故障特征。本發(fā)明在不增加模型復(fù)雜度的同時，盡最大可能提取精確詳細的特征，以提高故障診斷的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及化工過程的故障診斷方法，尤其涉及一種基于深度卷積網(wǎng)絡(luò)的特征融合化工過程故障診斷方法。

背景技術(shù)

在這個大數(shù)據(jù)、高智能時代，隨著現(xiàn)代化工科技的發(fā)展，化工過程朝著大規(guī)模復(fù)雜化的方向發(fā)展，一旦過程出現(xiàn)故障問題，若不能及時檢測出來，將會造成不可估量的損失，因此進行準(zhǔn)確高效的化工過程故障診斷具有重大意義。

化工過程數(shù)據(jù)呈現(xiàn)出大規(guī)模、高維、非線性以及時變等特點，這給化工過程的故障診斷又提供了一個解決的方向，即以數(shù)據(jù)驅(qū)動的故障診斷方法。但隨著數(shù)據(jù)復(fù)雜度的提升，以及化工過程復(fù)雜度的提升，這給最初基于統(tǒng)計學(xué)原理的數(shù)據(jù)驅(qū)動的故障診斷方法造成了一定程度的困難。

逐步地深度學(xué)習(xí)技術(shù)在故障診斷領(lǐng)域取得了不錯的成效，深度學(xué)習(xí)技術(shù)非常適合處理大規(guī)模的高維復(fù)雜數(shù)據(jù)，可以從數(shù)據(jù)中提取隱含的特征，用于整個化工過程狀態(tài)的識別，將故障的識別精度提升到了一個新的高度，成為目前一種主要的故障診斷方法。深度學(xué)習(xí)方法相對于之前的故障診斷方法有了一定程度的進步，但仍需進一步研究，因為該方法還是會存在一些缺陷。從以往的研究不難看出，在復(fù)雜化工過程中，有很多系統(tǒng)狀態(tài)是十分相似的，這就給深度學(xué)習(xí)識別造成了一定的困擾，盲目增加模型復(fù)雜度會提取到更加精確的故障特征，但會造成很嚴重地過擬合情況，使得故障診斷的精度反而下降，只會得不償失，由于幾種故障狀態(tài)的相互錯誤識別，必將導(dǎo)致識別精度下降。

發(fā)明內(nèi)容

針對目前深度學(xué)習(xí)故障診斷方法存在的技術(shù)缺陷，本發(fā)明提出了一種基于歸一化深度卷積網(wǎng)絡(luò)(DCNN)的特征融合的化工過程故障診斷方法。本發(fā)明在普通DCNN網(wǎng)絡(luò)中加入批歸一化層(BN)構(gòu)建歸一化DCNN，來加速神經(jīng)網(wǎng)絡(luò)的收斂以及避免梯度消失問題，然后采用雙線性卷積網(wǎng)絡(luò)(BCNN)原理進行特征融合，最終進行故障診斷。

本發(fā)明包括以下步驟

步驟1、對實驗采集得到的數(shù)據(jù)進行預(yù)處理

1.1、將原始數(shù)據(jù)標(biāo)注好標(biāo)簽后隨即打亂；

1.2、對數(shù)據(jù)進行規(guī)范化處理，將所有數(shù)據(jù)點縮放到相同的取值范圍內(nèi)；

1.3、按照一定的比例將數(shù)據(jù)集劃分為訓(xùn)練集與測試集；

步驟2、將訓(xùn)練集輸入歸一化DCNN中進行特征提取；

2.1、在DCNN結(jié)構(gòu)的每一層卷積層后加入一層BN層，構(gòu)成歸一化DCNN網(wǎng)絡(luò)；

2.2、將訓(xùn)練集輸入構(gòu)建好的歸一化DCNN網(wǎng)絡(luò)中提取特征；

步驟3、構(gòu)建特征融合層

3.1、根據(jù)BCNN的特征融合原理，構(gòu)建特征融合層；

3.2、將步驟2中歸一化DCNN所提取的特征，輸入按照BCNN的特征融合層構(gòu)建的雙線性特征融合層，進行特征融合，以得到更加高效精確的特征；

步驟4、將融合后的特征輸入全連接網(wǎng)絡(luò)，進行接下來的特征融合與提取；

步驟5、由softmax進行結(jié)果輸出，并進行反向傳播，以調(diào)整整個網(wǎng)絡(luò)模型的參數(shù)，優(yōu)化模型，提高診斷精度；最終通過將測試集輸入優(yōu)化好的網(wǎng)絡(luò)模型，以顯示網(wǎng)絡(luò)模型的診斷性能。