[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

说明书

本发明公开了一种基于优化堆栈自编码网络的化工过程故障分类方法，属于故障分类技术领域。所述方法通过在自监督学习训练阶段，使用有标签和无标签样本，结合Fisher判别准则优化堆栈自编码网络，寻找有利于分类的映射方向，逐层减小同类故障特征的类内距离，增大异类特征的类间距离。通过改进后的损失函数约束模型训练，使得堆栈自编码网络在反向传播时更新的神经元参数，既能最小化重构误差，使堆栈自编码网络从大量无标签样本中提取重构特征，又考虑到标签信息的利用，使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息，提升的故障分类的准确率。

技术领域

本发明涉及一种基于优化堆栈自编码网络的化工过程故障分类方法，属于故障分类技术领域。

背景技术

在现代过程工业中，随着科技的进步和发展，化工过程的复杂程度越来越高，为了保证生产过程的安全性和可靠性，故障诊断受到了越来越多的关注；为了提供有效的故障解决方案，需要在诊断出化工过程的故障后确定其故障类别，而化工过程的复杂性给故障分类提出了巨大的挑战。

现有的化工过程分类方法中，基于堆栈自编码网络的化工过程故障分类方法，在特征提取阶段是采用自监督学习的方式训练，通过最小化损失函数来实现深度神经网络中参数的更新，其训练目标为最小化重构误差损失函数，但由于只考虑重构特征，而没有考虑到类别标签的信息。因此自监督学习所提取的特征中可能包含与分类结果无关的重构信息，因此会对故障分类的结果造成影响，导致分类结果不准确。

发明内容

为了解决现有基于堆栈自编码网络的化工过程故障分类方法中存在的问题以进一步提高故障分类的精度，本发明提供了一种基于优化堆栈自编码网络的化工过程故障分类方法，针对传统堆栈自编码网络的化工过程故障分类方法在自监督学习训练阶段没有利用标签信息，导致的深度神经网络逐层映射缺少标签信息约束、提取的重构特征信息类别可辨识度差等问题，本发明提出基于Fisher判别准则优化的堆栈自编码网络故障分类方法。在自监督学习训练阶段，使用有标签和无标签样本，结合Fisher判别准则优化堆栈自编码网络，寻找有利于分类的映射方向，逐层减小同类故障特征的类内距离，增大异类特征的类间距离。通过改进后的损失函数约束模型训练，使得深度神经网络在反向传播时更新的神经元参数，既能最小化重构误差，使堆栈自编码网络从大量无标签样本中提取重构特征，又考虑到标签信息的利用，使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息，提升的故障分类的准确率；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。

可选的，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。

可选的，所述步骤二中构建堆栈自编码网络模型包括：