[发明专利]一种基于深度学习多模型融合的复杂化工过程故障诊断方法

说明书

本发明公开了一种基于深度学习多模型融合的复杂化工过程故障诊断方法。本发明中两个神经网络分别从两方面自动提取故障特征，再将特征进行融合并输入多层感知器（MLP）进行进一步的特征压缩与提取，最终输出诊断结果。本发明通过卷积神经网络（CNN）与长短期记忆网络（LSTM）分别进行提取特征，使得网络最终所提取的特征同时具有空间以及时间特性，综合两方面特性进行最终诊断，由此不但克服了现有传统诊断技术计算量大的问题，而且还克服了因单一网络所提取特征过于片面，而导致的无法准确在复杂化工过程进行故障诊断的技术问题。

技术领域

本发明涉及化工过程故障诊断方法，特别是一种基于深度学习多模型融合的复杂化工过程故障诊断方法。

背景技术

化工是国家发展的基础的行业，随着现代化工业技术以及过程控制技术的发展，使得化工技术朝着复杂化的方向发展，其过程信号数据具有高维、时变、非高斯分布、非线性以及强耦合等特点，且数据量极其庞大，故障特征难以选择，导致了化工过程的故障诊断精确度较为低下，且一旦出现故障，将会将会引发一系列的问题，造成不可估量的损失，因此进行准确高效的故障诊断对化工过程安全生产意义重大。

现有传统的故障识别方法计算量大，且需要一定的工业知识，不论是诊断精度还是诊断时间都难以满足现有的复杂化工过程故障诊断的要求。随着机器学习技术的迅猛发展，深度学习技术随之诞生，且在图像、文本以及语音等多个领域广泛运用，深度学习技术借助其强大的学习能力在故障诊断方面也取得了新的研究进展，国内外故障诊断研究者针对诊断对象有目标的搭建深度学习网络模型进行故障诊断，实验效果良好，性能优异。

发明内容

针对现有的技术缺陷，本发明提出了一种基于深度学习多模型融合的复杂化工过程故障诊断方法，本发明中的两个神经网络分别从两方面自动提取故障特征，再将特征进行融合并输入多层感知器(MLP)进行进一步的特征压缩与提取，最终输出诊断结果。

本发明包括以下步骤：

步骤一、对实验数据集进行预处理

1-1、将用于实验的数据集标注标签之后随机打乱，并且通过降维去掉与故障无关的数据点。

1-2、将数据进行规范化处理，即将数据按比例进行缩放，将所有特征数据点的取值范围缩放到0至1之间。

1-3、将规范化处理之后的数据按一定比例划分为训练集与测试集。

步骤二、构建多模型融合的神经网络模型

2-1、训练集经过批标准化层进行标准化处理后，构建CNN与LSTM的并行网络，分别对训练集样本数据进行自动特征提取。

2-2、将并行网络提取的特征经随机丢弃层后，融合输入MLP进行进一步的特征压缩与提取。

2-3、将融合后的特征展开为x₁,x₂,x₃...，作为向量X[1]，MLP输入层到下一层之间权重为w₁,w₂,w₃...，看成向量W[1]，则第一层的输出为A[1]＝σ(W[1]X[1]+b[1])，其中σ为激活函数，b[1]为第一层偏置，输出A[1]也是下一层的输入值，即X[2]＝A[1]，依次类推到下一层。

步骤三、得到诊断结果，并通过反向传播训练神经网络模型

最后一层全连接层由softmax分类器输出得到诊断结果，再将神经网络模型输出的诊断结果与真实标签之间的交叉熵作为损失函数，通过优化函数反向传播更新整个神经网络模型的参数，对损失函数进行收敛优化，提高诊断精度，通过测试集去显示神经网络模型最终效果，并针对测试集的诊断结果对超参数进行相应调整。