[發明專利]一種基于動態估計的深度自編碼網絡過程監控方法

在審

• 申請號: 202011504999.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112612260A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 呂菲亞;高國偉;劉家磊;石聰明;王波;宋雪紅
• 申請（專利權）人: 安陽師范學院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 鄭海峰

1.一種基于動態估計的深度自編碼網絡多變量過程監控方法，包括離線建模環節和在線監控環節，其特征在于，

所述的離線建模環節包括：

1.1)數據預處理：對于給定的訓練集X_train，進行標準化預處理得到

1.2)基于k近鄰算法對當前監測樣本點實現“時間-空間”拓撲結構的動態重建

1.3)設置棧式稀疏自編碼網絡的初始化結構參數，即隱層的層數和每層單元數；同時隨機初始化其連接參數，即權重和偏差；

1.4)網絡無監督訓練：以未標記歷史樣本的動態估計值作為網絡輸入，采用逐層貪婪的方法訓練網絡參數；

1.5)分類器有監督訓練：對于有標記歷史樣本的動態估計值利用訓練集訓練的多隱層網絡進行特征提?。粚⑻崛〉奶卣髯鳛榉诸惼鞯妮斎耄鶕p失函數進行誤差的反向傳播，實現分類器參數的訓練及網絡參數的有監督微調；最終得到訓練好的棧式自編碼網絡；

所述在線監控環節包括：

2.1)數據預處理：對于測試樣本X_test，利用訓練集的均值和方差進行預處理得到

2.2)采用k近鄰算法實現在線測試樣本拓撲結構的動態重建

2.3)基于步驟1.4)訓練好的棧式自編碼網絡進行測試樣本的表示學習，實現對過程數據的實時檢測與辨識。

2.如權利要求1所述的基于動態估計的深度自編碼網絡多變量過程監控方法，其特征在于，所述的步驟1.1)具體為：

1.1.1)對于給定的測試樣本X_train，按下式進行標準化預處理得到

其中，mean(X_train)為對訓練集X_train的均值，std(X_train)為X_train的標準偏差。

3.如權利要求1所述的基于動態估計的深度自編碼網絡多變量過程監控方法，其特征在于所述的步驟1.2)具體為：

1.2.1)對于當前樣本數據X_i＝[x⁽¹⁾,x⁽²⁾,…,x^(s)]^T，選定時間窗口長度L＝2k+1，沿采樣時間軸從t_i-2k到t_i構建時間序列{X_i-2k,…,X_i-k,…,X_i-1,X_i}；

1.2.2)設置k值，采用k近鄰方法從所構建的時間序列中選擇近鄰，并構建拓撲結構

1.2.3)結合權重w_ij揭示時間尺度中不同樣本的距離特征：

其中，為第i個時刻點t_i關于其第j個近鄰t_j的時間偏差因子；k為近鄰點的個數；σ是一個超參數。

1.2.4)重構當前樣本點

4.如權利要求1所述的基于動態估計的深度自編碼網絡多變量過程監控方法，其特征在于所述的步驟2.1)具體為：

2.1.1)對于測試樣本X_test，利用訓練集的均值和標準差進行預處理得到

5.如權利要求1所述的基于動態估計的深度自編碼網絡多變量過程監控方法，其特征在于所述的步驟2.2)具體為：

2.2.1)對于當前樣本數據X_i＝[x⁽¹⁾,x⁽²⁾,…,x^(s)]^T，選定時間窗口長度L＝2k+1，沿采樣時間軸從t_i-2k到t_i構建時間序列{X_i-2k,…,X_i-k,…,X_i-1,X_i}；

2.2.2)基于k近鄰方法從所構建的時間序列中選擇k個近鄰，并構建拓撲結構

2.2.3)結合權重w_ij揭示時間尺度中不同樣本的距離特征：

2.2.4)重構當前樣本點