[發(fā)明專利]一種基于優(yōu)化堆棧自編碼網絡的化工過程故障分類方法

在審

• 申請?zhí)枺?/td>: 202210705720.2
• 申請日: 2022-06-21
• 公開（公告）號: CN114925783A
• 公開（公告）日: 2022-08-19
• 發(fā)明（設計）人: 徐琛;李啟澤;陶洪峰
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 呂永芳

1.一種基于優(yōu)化堆棧自編碼網絡的化工過程故障分類方法，其特征在于，所述方法包括：

步驟一、采集化工過程中的故障變量參數，構成訓練集X_train＝{x₁,x₂,…,x_p,…,x_m}，1≤p≤m，m表示采樣樣本的數量；每個采樣樣本包含J個測量變量，x_p＝{X¹,X²,…,X^k,…,X^J}；所述測量變量包括流量、壓力、溫度和液位；

步驟二、構建堆棧自編碼網絡模型并使用改進的Fisher判別準則對其進行優(yōu)化，得到優(yōu)化后的堆棧自編碼網絡模型；

步驟三、對步驟一所采集的訓練集添加標簽后對步驟二得到的優(yōu)化后的堆棧自編碼網絡模型進行訓練，得到訓練完成的堆棧自編碼網絡模型；

步驟四、利用步驟三所得到的訓練完成的堆棧自編碼網絡模型實現對于化工過程的故障分類。

2.根據權利要求1所述的方法，其特征在于，所述步驟二中使用Fisher判別準則對堆棧自編碼網絡模型進行優(yōu)化時，重構堆棧自編碼網絡模型的誤差損失函數以及Fisher判別準則的損失函數，同時約束堆棧自編碼網絡中間層學習的輸出。

3.根據權利要求1所述的方法，其特征在于，所述步驟二中構建堆棧自編碼網絡模型包括：

使用訓練集數據X_train，訓練第一個自編碼網絡并獲得權重矩陣和偏置向量以及隱藏層輸出

接下來以h₁作為輸入，訓練第二個自編碼網絡模型，和訓練第一個自編碼網絡相同，獲得權重矩陣和偏置向量以及隱藏層輸出

重復上述過程，直到完成堆棧自編碼網絡搭建并初始化參數；

最終搭建完成n層自編碼網絡組成的堆棧自編碼網絡的輸入層和中間層之間的關系表示為：

其中為編碼器的全部權重矩陣，為編碼器的全部偏置向量；x為輸入層數據，h為堆棧自編碼器中間層及編碼器輸出，f_n和f_n-1分別表示堆棧自編碼器中第n層激活函數和第n-1層激活函數；

最終搭建完成n層堆棧自編碼網絡的解碼器輸出和中間層之間的關系表示為：

其中為解碼器的全部權重矩陣，為解碼器的全部偏置向量；為解碼器輸出數據，即重構數據。

4.根據權利要求3所述的方法，其特征在于，所述步驟二中所構建的n層堆棧自編碼網絡模型的重構誤差函數為：

P(x)代表輸入數據的理論概率密度分布函數：

其中δ(·)是Dirac Delta函數，x_k∈R^J×1是第k個采樣變量，R^J×1表示J×1維的實數空間；

根據Dirac Delta函數的挑選性：

其中t₀表示中間推導變量；

推導出如下損失函數：

進一步簡化為：

將上述式(8)所示的誤差損失函數作為約束堆棧自編碼網絡中間層學習的輸出的條件一。