[发明专利]一种基于优化堆栈自编码网络的化工过程故障分类方法

权利要求书

1.一种基于优化堆栈自编码网络的化工过程故障分类方法，其特征在于，所述方法包括：

步骤一、采集化工过程中的故障变量参数，构成训练集X_train＝{x₁,x₂,…,x_p,…,x_m}，1≤p≤m，m表示采样样本的数量；每个采样样本包含J个测量变量，x_p＝{X¹,X²,…,X^k,…,X^J}；所述测量变量包括流量、压力、温度和液位；

步骤二、构建堆栈自编码网络模型并使用改进的Fisher判别准则对其进行优化，得到优化后的堆栈自编码网络模型；

步骤三、对步骤一所采集的训练集添加标签后对步骤二得到的优化后的堆栈自编码网络模型进行训练，得到训练完成的堆栈自编码网络模型；

步骤四、利用步骤三所得到的训练完成的堆栈自编码网络模型实现对于化工过程的故障分类。

2.根据权利要求1所述的方法，其特征在于，所述步骤二中使用Fisher判别准则对堆栈自编码网络模型进行优化时，重构堆栈自编码网络模型的误差损失函数以及Fisher判别准则的损失函数，同时约束堆栈自编码网络中间层学习的输出。

3.根据权利要求1所述的方法，其特征在于，所述步骤二中构建堆栈自编码网络模型包括：

使用训练集数据X_train，训练第一个自编码网络并获得权重矩阵和偏置向量以及隐藏层输出

接下来以h₁作为输入，训练第二个自编码网络模型，和训练第一个自编码网络相同，获得权重矩阵和偏置向量以及隐藏层输出

重复上述过程，直到完成堆栈自编码网络搭建并初始化参数；

最终搭建完成n层自编码网络组成的堆栈自编码网络的输入层和中间层之间的关系表示为：

其中为编码器的全部权重矩阵，为编码器的全部偏置向量；x为输入层数据，h为堆栈自编码器中间层及编码器输出，f_n和f_n-1分别表示堆栈自编码器中第n层激活函数和第n-1层激活函数；

最终搭建完成n层堆栈自编码网络的解码器输出和中间层之间的关系表示为：

其中为解码器的全部权重矩阵，为解码器的全部偏置向量；为解码器输出数据，即重构数据。

4.根据权利要求3所述的方法，其特征在于，所述步骤二中所构建的n层堆栈自编码网络模型的重构误差函数为：

P(x)代表输入数据的理论概率密度分布函数：

其中δ(·)是Dirac Delta函数，x_k∈R^J×1是第k个采样变量，R^J×1表示J×1维的实数空间；

根据Dirac Delta函数的挑选性：

其中t₀表示中间推导变量；

推导出如下损失函数：

进一步简化为：

将上述式(8)所示的误差损失函数作为约束堆栈自编码网络中间层学习的输出的条件一。