[发明专利]基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法

说明书

本发明公开了一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法，它采用堆叠自编码器的结构；在自编码器的有监督微调阶段加入无标签样本进行训练，将有标签样本和无标签样本通过自编码器提取的特征之间分布的距离通过瓦瑟斯坦距离进行计算，并且将该距离加入损失函数进行优化。该网络将无标签样本加入了自编码器在微调阶段的训练，解决了自编码器在微调阶段只能使用有标签数据导致的过拟合问题，从而提升了模型的泛化能力，提高了故障分类的准确率。

技术领域

本发明属于工业过程领域，涉及一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法。

背景技术

为了提高工业生产过程中的安全性和生产质量，过程监测方法在工业生产过程中受到了越来越多的应用。故障分类属于过程监测方法的一部分，是指通过建立变量与故障类别之间的数学模型来对故障进行分类的一种方法。通过故障分类将检测到的故障划分到已知类别有利于我们发现故障的原因，对故障进行修复。目前故障分类的方法主要分为机理建模和数据驱动建模的方法，随着现代工业的逐渐集成化和复杂化，基于机理建模的方法很难再满足我们的要求，同时DCS系统带来了大量的工业过程数据，这使得数据驱动的故障分类方法得以广泛应用。

目前常见的基于数据驱动的故障分类方法主要有：KNN,PCA,FDA，SVM，RF,ANN等等，ANN作为一种非线性方法，可以很好的处理过程变量之间的非线性关系，同时具有强大的特征提取能力，近年来在故障分类领域获得了广泛的使用。

以上的方法都属于有监督学习的范畴，需要大量的有标签数据进行训练。然而，在实际的工业生产过程中，有标签数据往往比较难获得，需要耗费大量的时间和专家知识。因此，我们往往只有少量的有标签样本和大量的无标签样本，这使得建立半监督学习的方法成为必要。

自编码器(Auto-encoder，AE)是一种常见的深度学习的方法，它通过编码器将输入变量变为隐变量，再通过解码器将隐变量还原成输入变量，其中，编码器和解码器都是通过神经网络实现。通过这个编码和解码的过程，神经网络可以学习到数据内部之间的关联，这赋予了自编码器强大的特征提取能力，使AE在工业过程建模(故障检测、故障分类、软测量)领域获得了广泛的使用。自编码器属于无监督学习，只对输入进行重构，不需要数据的标签，它可以很容易的拓展到半监督学习的方法：先通过所有数据(有标签和无标签)进行重构的预训练，再在训练好的AE的基础上接一个全连接层输出数据的类别，通过有标签数据训练整个网络，进行微调。然而，以上方法在微调阶段只能使用有标签数据，这使得AE有过拟合有标签数据的风险，同时，在无标签数据上学习到的特征可能会被湮没。因此，我们提出了一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法(WASS-AE)的方法，让无标签数据也能够参与AE微调阶段的训练，这增强了AE在无标签数据上的泛化能力，减小了在有标签数据上过拟合的风险，提高了故障分类的准确率。

发明内容

针对现有的自编码器在微调阶段只能使用有标签数据的缺点，本发明提出了一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法，该方法将无标签数据也加入了AE的微调阶段，在微调过程中使得有标签数据和无标签数据的特征(隐变量)分布一致，增强了AE在无标签数据上的泛化能力，提高了故障分类的准确率。

本发明具体技术方案如下：

一种基于WASS-AE的半监督深度学习故障分类方法，包括如下步骤：

步骤一：收集历史工业过程故障数据建立训练数据集，所述的训练集包括含有故障类别标签的有标签数据集D＝{X，Y}＝{(x^h，y^h)}，以及不含有故障类别标签的无标签数据集D_u＝{X}＝{x^k}，其中，x为样本，y为标签，y^h∈{1，2，...，C}，h＝1，2，...，n，k＝1，2，...，m，C表示故障的类别个数，n代表有标签数据集的样本个数，m代表无标签数据集的样本个数。