[發明專利]一種基于優化堆棧自編碼網絡的化工過程故障分類方法

在審

• 申請號: 202210705720.2
• 申請日: 2022-06-21
• 公開（公告）號: CN114925783A
• 公開（公告）日: 2022-08-19
• 發明（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

本發明公開了一種基于優化堆棧自編碼網絡的化工過程故障分類方法，屬于故障分類技術領域。所述方法通過在自監督學習訓練階段，使用有標簽和無標簽樣本，結合Fisher判別準則優化堆棧自編碼網絡，尋找有利于分類的映射方向，逐層減小同類故障特征的類內距離，增大異類特征的類間距離。通過改進后的損失函數約束模型訓練，使得堆棧自編碼網絡在反向傳播時更新的神經元參數，既能最小化重構誤差，使堆棧自編碼網絡從大量無標簽樣本中提取重構特征，又考慮到標簽信息的利用，使堆棧自編碼網絡提取到盡可能多的分類特征。因此本發明提出的基于優化堆棧自編碼網絡的故障分類方法可以學習有效分類特征信息，提升的故障分類的準確率。

技術領域

本發明涉及一種基于優化堆棧自編碼網絡的化工過程故障分類方法，屬于故障分類技術領域。

背景技術

在現代過程工業中，隨著科技的進步和發展，化工過程的復雜程度越來越高，為了保證生產過程的安全性和可靠性，故障診斷受到了越來越多的關注；為了提供有效的故障解決方案，需要在診斷出化工過程的故障后確定其故障類別，而化工過程的復雜性給故障分類提出了巨大的挑戰。

現有的化工過程分類方法中，基于堆棧自編碼網絡的化工過程故障分類方法，在特征提取階段是采用自監督學習的方式訓練，通過最小化損失函數來實現深度神經網絡中參數的更新，其訓練目標為最小化重構誤差損失函數，但由于只考慮重構特征，而沒有考慮到類別標簽的信息。因此自監督學習所提取的特征中可能包含與分類結果無關的重構信息，因此會對故障分類的結果造成影響，導致分類結果不準確。

發明內容

為了解決現有基于堆棧自編碼網絡的化工過程故障分類方法中存在的問題以進一步提高故障分類的精度，本發明提供了一種基于優化堆棧自編碼網絡的化工過程故障分類方法，針對傳統堆棧自編碼網絡的化工過程故障分類方法在自監督學習訓練階段沒有利用標簽信息，導致的深度神經網絡逐層映射缺少標簽信息約束、提取的重構特征信息類別可辨識度差等問題，本發明提出基于Fisher判別準則優化的堆棧自編碼網絡故障分類方法。在自監督學習訓練階段，使用有標簽和無標簽樣本，結合Fisher判別準則優化堆棧自編碼網絡，尋找有利于分類的映射方向，逐層減小同類故障特征的類內距離，增大異類特征的類間距離。通過改進后的損失函數約束模型訓練，使得深度神經網絡在反向傳播時更新的神經元參數，既能最小化重構誤差，使堆棧自編碼網絡從大量無標簽樣本中提取重構特征，又考慮到標簽信息的利用，使堆棧自編碼網絡提取到盡可能多的分類特征。因此本發明提出的基于優化堆棧自編碼網絡的故障分類方法可以學習有效分類特征信息，提升的故障分類的準確率；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化，得到優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。

可選的，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。

可選的，所述步驟二中構建堆棧自編碼網絡模型包括：