[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

本發明屬于工業過程監控領域，提出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。本發明所提出的方法將時間序列的統計分析技術與深度網絡的表示學習能力相結合，在不增加網絡結構復雜度的前提下，無監督地獲取過程的動態、不確定性以及傳感器量測數據中的高階相關性信息?；凇皶r間?空間”拓撲結構的動態估計使得該發明不僅保持了原始數據的可分離性，而且增加了類別之間的可區分距離；利用深度自編碼網絡提取數據中隱含的相關性特征，打破了傳統技術針對微小故障檢測的瓶頸；此外，無監督學習不受工業過程中樣本標簽不足、數據不均衡等因素的影響。因此，本發明對于解決實際工業過程監控問題具有重要的現實意義。

技術領域

本發明屬于工業過程控制領域，從“時間-空間”拓撲結構重構的角度出發研究動態估計算法對過程監控的有效性，結合深度自編碼網絡提取隱含的高階相關性特征用于故障的檢測和診斷，從而實現對復雜工業過程的實時監控，特別是對于微小故障和早期故障的快速檢測。

背景技術

數據驅動技術是計量學中用于識別異常過程的有效工具，多變量統計過程監控是過程控制領域過去幾十年研究中最活躍的領域之一，并取得了巨大成功。然而，隨著分布式控制系統的廣泛應用和先進信息技術的實施，海量高維度的監測數據及動態的工業過程特性給傳統的多變量統計故障診斷算法帶來極大的計算復雜度和建模復雜度，目前的統計分析技術仍然存在難以利用高階信息的不足。

面對工業系統的不確定性和復雜性，人工智能技術已成功用于過程監控。由于傳統的人工智能技術是淺層架構，即只有少數級數據相關的計算元件，因此它們在計算表示和逼近精度方面的效率非常低。隨著深度學習算法的提出，關于深度網絡在多變量過程中的應用受到廣泛關注，包括化工過程、微電子制造和制藥工藝等工業領域。

基于深度學習的過程監控方法通過多級特征提取(非線性)的方法獲取隱含的相關性關系(高階)和過程變化，用于診斷異常操作情況。深度網絡的結構不僅決定著特征提取的完備性，而且關系著解決方法的復雜度。鑒于微小故障和早期故障的細節及微小變化可能反映在監測數據的高階相關關系中，棧式稀疏自編碼網絡可用于細節和微小變化的提取與表示，在信號處理中廣泛使用。

基于深度網絡的過程監控方法主要是依賴歷史數據，雖然歷史數據蘊含了復雜系統大量的運行機理和規律，但工業過程是動態的生產過程，在線監測數據不僅包含了生產運行過程的累積關聯性，而且更能反映系統當前狀態的最新變化。盡管可以以時間序列作為深度網絡的輸入，但基于滑動窗的方法不利于對過程異常的快速檢測。因而，在不增加棧式自編碼網絡結構復雜度的前提下，有待進一步研究時間序列的統計分析與處理技術，以提高診斷系統的實時性和精確性。

發明內容

本發明的目的在于克服現有技術的不足，提出了一種基于動態估計的深度自編碼網絡過程監控方法：采用k近鄰算法從“時間-空間”拓撲結構重構的角度對過程數據(時間序列)進行動態估計；結合深度自編碼網絡進行無監督學習，以提取監測數據的高階相關性特征，進而保持對工業過程運行的實時、精確監控與診斷。

為了達到上述目的，本發明的技術方案為：

本發明提供了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，

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)根據經驗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：以大量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；