[发明专利]一种基于稀疏过滤和逻辑回归的化工过程故障检测方法

权利要求书

1.一种基于稀疏过滤和逻辑回归的化工过程故障检测方法，其特征在于，所述方法包括以下步骤：

步骤一、数据采集与预处理：

将DCS采集到的各相关变量在各种故障下的时序数据，分成训练样本集X_train和测试样本集X_test，其中训练样本集X_train包含正常工况下的时序数据和各种故障下的时序数据，用于训练本方法的模型，测试样本集X_test是在线监测的实时工况数据，也包含正常工况下的时序数据和各种故障下的时序数据，用于故障检测以验证本方法的诊断精度；

求取训练样本集X_train正常工况下时序数据的均值X_mean和标准差X_std，然后将训练样本集X_train和测试样本集X_test都利用上述求得的均值X_mean和标准差X_std进行标准化预处理，预处理后的训练样本集X_trainstd和测试样本集X_teststd再进行白化预处理，以消除数据之间的冗余性；

步骤二、特征学习：

将经过步骤一白化预处理后的训练样本集X_trainwhite输入到稀疏过滤模型中，用于训练稀疏过滤模型，首先初始化权重矩阵W，然后求取非线性激活函数变换的初步特征矩阵f，通过优化成本函数并求解出最优化解权重矩阵W₁和最优化特征矩阵f₁，将最优化特征矩阵f₁当成稀疏过滤模型的输入，再次训练稀疏过滤模型，通过优化成本函数并求解出最优化解权重矩阵W₂和特征空间f₂，得到最终训练好的稀疏过滤模型，该模型中通过训练样本集X_trainwhite求解了稀疏过滤模型的两个最优化解权重矩阵W₁和W₂，对于经过步骤一白化预处理后的训练样本集X_trainwhite和测试样本集X_testwhite，利用已经训练好的最优化解权重矩阵W₁得到中间隐层的训练样本特征矩阵f₁’和测试样本特征矩阵f₁”，将训练样本特征矩阵f₁’和测试样本特征矩阵f₁”作为模型输入，利用已经训练好的最优化解权重矩阵W₂得到输出层的训练样本特征矩阵f₂’和测试样本特征矩阵f₂”，该特征矩阵即为最终学习好的训练特征和测试特征，能够用于后续的分类；

步骤三、分类：

将所有学习到的每一个训练样本的特征附加对应的工况标签yⁱ，yⁱ＝0代表该训练样本是正常的，yⁱ＝1代表该训练样本是故障，对于步骤二学习到的训练样本特征矩阵f₂’，首先初始化逻辑回归二分类模型的参数θ，将训练样本特征矩阵f₂’和对应的标签集合y输入到逻辑回归二分类模型中训练，求解损失函数最小时的逻辑回归二分类模型的参数θ，然后利用训练好的逻辑回归二分类模型对测试样本特征矩阵f₂”采用预测函数求解预测概率，当预测概率值大于0.5时，认为该样本是故障，当预测概率值小于0.5时，即样本认定为正常，统计各故障的检出率；

将测试样本集看作实时工况数据，通过以上三个步骤便能够对实际化工过程采集到的实时数据做出故障诊断。