[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

说明书

本发明公开了一种基于稀疏过滤和逻辑回归的化工过程故障检测方法，所述方法包括数据采集与预处理、特征学习、分类三个步骤，从而实现化工过程的故障检测。所述方法首次将深度学习中的稀疏过滤算法应用到化工过程的特征学习中，所学习到的特征再应用逻辑回归进行分类，该方法进行特征学习阶段时采用的是无监督学习，无需人工标注数据，能够实现自适应学习原数据所具有的特征，并且能够将正常数据和各故障数据区分开来，因此应用到工业中更加简便和智能。

技术领域

本发明涉及化工过程故障检测与诊断领域，具体涉及一种基于稀疏过滤和逻辑回归的化工过程故障检测方法。

背景技术

在现代化学工业中，过程安全一直是最为重要的关注问题之一。而故障检测与诊断作为化工异常工况管理最有力的工具，给过程安全提供了一定的保障。随着控制系统的快速发展，化工过程变得越来越自动化。故障检测与诊断(FDD)自提出以来已经有40余年，实际生产中的FDD却并不能够实现自动化，这与过程的复杂性、方法的适用性都有很大关联。

基于数据的化工过程故障检测方法可以适用于复杂的化工过程系统，不需要提前获取大量的专家知识。最早期的基于数据的方法有PCA方法和ICA方法，这些方法可以有效地检测出某些故障，然而化工数据具有非线性、高维、非高斯分布等特征，导致这些方法具有一定的局限性。近年来发展了一些核的多元统计过程控制监控方法，例如KPCA、KICA以及一些对这些方法的改进，并应用到TE过程做验证，结果表明这些方法的诊断精度也较高，但对某些微小扰动性的故障依然未能及时检测出。在实际工业过程中，过程变量是复杂的，并不是绝对的高斯或非高斯分布。任何一种技术都不足以提取隐藏的信息，这就需要更好的特征提取算法来提取过程数据隐藏的知识。

化学工业过程原始数据的知识依靠专家来获得是耗时和劳动密集型的，所以对于过程的特征通常采用特征提取算法，提取出来的特征然后用于分类，测试数据学习到的特征通常表示了该数据的主要信息，一个好的特征提取算法应该能够具有泛化能力和能够将工业数据中的故障信息提取出来，以区别正常数据。而现有的很多技术泛化能力并不好，并且建模复杂，难以应用到工业过程。

伴随着深度学习理论的不断发展与成熟，近年来深度学习理论已经在图像分类、对象检测、语音识别、人脸识别等人工智能领域得到广泛应用，并逐步应用到机械、医疗领域，然而深度学习技术在化工过程中的应用却很少，将已经发展成熟的深度学习最新算法应用到故障诊断中来解决实际工业问题是故障检测的新思路。

无监督特征学习是深度学习中研究最为广泛的算法。无监督特征学习算法的主要思想是使用一些未标记的原始数据通过学习某种非线性函数而转化为特征空间。当一种无监督特征学习算法被训练得很好时，该特征学习模型能够捕获一些隐藏在原始数据中的信息，并放大对识别到的具有区分性的重要信息，而抑制一些不相关的变化。2011年，Ngiam等提出了稀疏过滤无监督特征学习算法，并在图像分类和语音识别等领域得到了很多应用，然而未曾见到稀疏过滤特征学习算法应用到化工过程故障诊断中的报道，稀疏过滤的原理是优化特征的分布，而非原始数据的分布，使学习到的特征具有稀疏性，通过非线性变换特征空间并优化其成本函数，可以达到放大识别到的具有区分性的重要信息得目的，而抑制一些不相关的变化的效果，因此该算法学习到的特征可以很好地区分正常状态和故障状态。

逻辑回归算法是一种机器学习中的经典分类器算法。该算法和支持向量机的区别在于该算法对于给定的输入样本可以给出该样本属于0类或1类的概率，得出来的结果实际是输入样本属于子类的概率值，因此可以将概率值大于0.5的划分成1类，概率值小于0.5的划分成0类，该算法没有其他复杂的可调参数，只需在应用该模型前训练好一个回归参数向量，因此应用较为简便和广泛。

发明内容