[发明专利]一种基于稀疏深度神经网络的工业数据非线性因果分析方法

权利要求书

1.一种基于稀疏深度神经网络的工业数据非线性因果分析方法，其特征在于，包括以下步骤：

(1)采集待检测工业过程中全部控制回路的过程输出信号；

(2)选取一个过程输出信号作为输出变量，全部变量的各阶滞后作为输入变量，构建稀疏深度神经网络；构建稀疏深度神经网络的过程为：

(2-1)选取一个过程输出信号X_i(t)作为输出变量，全部变量的各阶滞后X₁(t-1),X₁(t-2),…,X₁(t-K),…,X_p(t-1),X_p(t-2),…,X_p(t-K)作为输入变量，取前3/4时间的数据作为训练集，后1/4时间的数据作为测试集，设计包含三个隐层的全连接神经网络，选取ReLU激活函数；

其中，i＝1,2,…,p，表示待分析的变量的编号；K表示滞后阶次，p表示变量个数；

(2-2)定义该神经网络的损失函数，在均方误差的基础上添加损失函数为：

其中，T表示总时间长度，x_it表示第i个变量的当前值信号序列，x_(t-1):(t-K)表示全部变量的第1至第K阶滞后信号构成的信号矩阵，W表示神经网络的权重系数矩阵，表示输入层由第j组神经元中的第k个至第一隐层每一个神经元的权重系数，‖·‖_F表示矩阵的Frobenius范数；

(2-3)选取神经网络的反向传播优化算法为近端梯度法，具体公式为：

其中，代表参数目标值，为通过迭代得到的使得该目标函数最小的x作为迭代结果，λ为参数范围的阈值，x_gh为经过第h次迭代得到的结果；

(2-4)生成会话，在训练集上反复运行反向传播优化算法，不断优化模型各层间的权重系数得到在训练集上损失函数最小的模型参数，计算其在测试集上的全均方误差；

(3)通过依次删减输入变量，逐个完成格兰杰因果检验，得到此过程输出信号的全部格兰杰原因；

(4)重复步骤(2)和(3)，得到全部过程输出信号间的因果关系；

(5)综合全部过程输出信号间的因果关系，定位故障源位置及故障传播路径。

2.根据权利要求1所述的基于稀疏深度神经网络的工业数据非线性因果分析方法，其特征在于，步骤(3)的具体过程为：

(3-1)找出可能为输出变量的格兰杰原因的全部输入变量；

(3-2)轮流从找到的全部输入变量的各阶滞后中成组地删去每个变量的各阶滞后X_ir(t-1),X_ir(t-2),…,X_ir(t-K),r＝1,2,…,n_i，将其余的信号作为输入变量，取前3/4时间的数据作为训练集，后1/4时间的数据作为测试集，设计包含三个隐层的全连接神经网络，选取ReLU激活函数；

(3-3)选取均方差作为该神经网络的损失函数，具体公式为：

其中，T表示总时间长度，x_it表示第i个变量的当前值信号序列，x_(t-1):(t-K)表示全部变量的第1至第K阶滞后信号构成的信号矩阵，W表示神经网络的权重系数矩阵；

(3-4)选取神经网络的反向传播优化算法为随机梯度下降法；

(3-5)生成会话，在训练集上反复运行反向传播优化算法，不断优化模型各层间的权重系数得到在训练集上损失函数最小的模型参数，计算其在测试集上的限制均方误差；

(3-6)利用步骤(3-5)得到的限制均方误差与步骤(2-4)得到的全均方误差，在格兰杰因果检验的框架下判定两个信号是否具有因果关系，具体方式为：

认为均方误差遵循自由度为q和(n-k)的F分布，其中，n是样本容量，q等于滞后项x的个数，即有约束回归中待估参数的个数，k是无约束回归中待估参数的个数；如果在选定的显著性水平α上计算的F值超过临界值Fα，则拒绝零假设，认为测试的可能为原因的输入变量是待分析输出变量的原因。