System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及流程工业过程故障检测,特别是指一种基于双隐层特征对抗自编码网络的故障检测方法及系统。
技术介绍
1、随着现代工业过程生产规模的不断扩大,生产单元之间的高关联性使得过程故障具有了比以往更强的破坏性。在实际生产过程中,工艺参数的变化、传感器问题、外界环境的干扰都有可能导致系统组件和功能异常,进而引发故障。利用有效的过程监测方法能保证系统安全稳定的运行以及正常工况下的连续生产,同时对产品质量的保障、降低消耗损失和减少成本等具有重要的现实意义。过程监测的主要研究任务包括过程故障检测、故障幅度辨识、故障时间推断、故障机理诊断以及故障恢复等多个方面。故障检测是过程监控的基础步骤,是过程监测的核心任务之一,通过监测和分析生产过程中的各种参数和变量,可以帮助及时发现工业生产过程中的异常情况和潜在故障,及时采取措施防止事故发生,保障生产设备和人员的安全。
2、故障检测方法包括基于模型的方法、基于知识的方法和基于数据驱动的方法。基于模型的方法通过建立工业过程的解析模型实现对系统的监测,但实际系统结构复杂且存在不确定性,因此难以建立精确的机理模型。基于知识的方法非常依赖工艺知识和生产经验,难以运用到大规模、强耦合的现代工业生产过程。近年来,由于现场总线技术和集散控制系统在工业过程中的广泛应用,使得大量的工业过程数据通过成熟的数据采集与存储系统保存下来,基于数据驱动的方法迅速发展。
3、由于多元统计方法在处理高维耦合数据方面的独特优势,近几十年来这类方法迅速发展广泛应用于各种工业过程。但值得注意的是,实际工业过程中
4、近年来,能够处理时间相关性的深度神经网络被广泛研究。比如通过引入长短时记忆网络的门控机制和记忆单元有效捕捉时间序列数据中的长期依赖关系。但这类方法在捕捉工业数据的复杂和不均匀的动态特征方面往往存在局限性,过于专注于时序信息的提取而忽略了过程变化的总体趋势,网络层次单一、难以提取多层信息。由此造成特征时序信息不足,影响了故障检测的精度。
技术实现思路
1、本专利技术提供了一种基于双隐层特征对抗自编码网络的故障检测方法及系统,以解决现有故障检测方法难以提取多层信息,造成检测精度偏低的技术问题。
2、为解决上述技术问题,本专利技术提供了如下技术方案:
3、一方面,本专利技术提供了一种基于双隐层特征对抗自编码网络的故障检测方法,所述基于双隐层特征对抗自编码网络的故障检测方法包括:
4、获取工业生产过程中的历史生产数据;
5、构建双隐层特征对抗自编码网络模型,并利用历史生产数据对双隐层特征对抗自编码网络模型进行训练,得到训练好的双隐层特征对抗自编码网络模型;
6、获取工业生产过程中的实时生产数据;
7、将实时生产数据输入训练好的双隐层特征对抗自编码网络模型,基于双隐层特征对抗自编码网络模型的输出结果,实现工业生产过程的故障检测。
8、进一步地,双隐层特征对抗自编码网络模型包括编码器、解码器和判别器;
9、所述编码器的输出层包括第一隐藏层结构和第二隐藏层结构;其中,所述第一隐藏层结构用于输出编码器输入数据对应的潜变量;所述第二隐藏层结构用于基于慢特征分析,输出编码器输入数据对应的慢特征,作为特征数据;
10、所述解码器用于根据所述编码器中的第一隐藏层结构输出的潜变量,得到编码器输入数据对应的重建数据;
11、所述判别器用于在训练时,识别其输入数据是来源于所述编码器中的第二隐藏层结构输出的慢特征还是服从高斯分布的真实数据。
12、进一步地,所述双隐层特征对抗自编码网络模型的损失函数包括重建损失lr、慢特征损失ls以及生成器和判别器的损失;其中,
13、重建损失lr定义为最小化解码器输出的重建数据与编码器输入数据的差距;
14、慢特征损失ls定义为:
15、
16、其中,zsi1=[zsi,2,zsi,3,zsi,4,…,zsi,n],zsi2=[zsi,1,zsi,2,zsi,3,…,zsi,n-1],zsi,j表示第i个慢特征向量zsi的第j个样本;j=1,2,…,n;n表示训练样本数;q表示特征个数;
17、生成器的损失旨在使编码器输出的慢特征服从高斯分布,以使判别器混淆,难以分辨其输入数据是编码器输出的慢特征还是服从高斯分布的真实数据;判别器的损失旨在提升判别器的分类能力,以使判别器能够区分其输入数据是编码器输出的慢特征还是服从高斯分布的真实数据。
18、进一步地,利用历史生产数据对双隐层特征对抗自编码网络模型进行训练,包括:
19、对历史生产数据进行归一化处理,得到训练样本,将训练样本按照设定的批次和周期送进双隐层特征对抗自编码网络模型进行训练;训练时,以编码器作为生成器,与判别器组成生成对抗网络,将编码器的第二隐藏层结构输出的慢特征zs和随机生成的服从高斯分布的真实数据xd送进判别器,判别器判断其输入数据是zs还是xd;生成器旨在使zs服从高斯分布,以使判别器混淆,难以分辨其输入数据是zs还是xd;判别器旨在提升自己的分类能力以区分zs和xd。生成器和判别器对抗训练,使损失达到一个纳什均衡;
20、使用重建损失和慢特征损失对编码器和解码器进行迭代训练,使用对抗和生成损失对判别器和编码器进行迭代训练,从而得到训练好的模型。
21、进一步地,在利用历史生产数据对双隐层特征对抗自编码网络模型进行训练之后,所述基于双隐层特征对抗自编码网络的故障检测方法还包括:
22、利用双隐层特征对抗自编码网络模型得到训练数据的重建数据和特征数据;
23、利用训练数据的重建数据和训练数据构建训练数据的残差空间,利用训练数据的特征数据构造训练数据的特征空间,在训练数据的残差空间中建立训练数据的spe统计量,在训练数据的特征空间中建立训练数据的t2统计量;
24、基于训练数据计算出spe统计量的控制限以及t2统计量的控制限。
25、进一步地,所述将实时生产数据输入训练好的双隐层特征对抗自编码网络模型,基于双隐层特征对抗自编码网络模型的输出结果,实现工业生产过程的故障检测,包括:
26、对实时生产数据进行归一化处理,将归一化处理之后的实时生产数据输入训练好的双隐层特征对抗自编本文档来自技高网...
【技术保护点】
1.一种基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,包括:
2.如权利要求1所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述双隐层特征对抗自编码网络模型包括编码器、解码器和判别器;
3.如权利要求2所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述双隐层特征对抗自编码网络模型的损失函数包括重建损失Lr、慢特征损失Ls以及生成器和判别器的损失;其中,
4.如权利要求3所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,利用历史生产数据对双隐层特征对抗自编码网络模型进行训练,包括:
5.如权利要求2所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,在利用历史生产数据对双隐层特征对抗自编码网络模型进行训练之后,所述基于双隐层特征对抗自编码网络的故障检测方法还包括:
6.如权利要求5所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述将实时生产数据输入训练好的双隐层特征对抗自编码网络模型,基于双隐层特征对抗自编码网络模型的输出结果,实现工业生产过程
7.如权利要求6所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述基于实时生产数据的SPE统计量和T2统计量判断当前生产过程是否发生故障,包括:
8.一种基于双隐层特征对抗自编码网络的故障检测系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,包括:
2.如权利要求1所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述双隐层特征对抗自编码网络模型包括编码器、解码器和判别器;
3.如权利要求2所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,所述双隐层特征对抗自编码网络模型的损失函数包括重建损失lr、慢特征损失ls以及生成器和判别器的损失;其中,
4.如权利要求3所述的基于双隐层特征对抗自编码网络的故障检测方法,其特征在于,利用历史生产数据对双隐层特征对抗自编码网络模型进行训练,包括:
5.如权利要求2所述的基于双隐层特征对抗自编码网...
【专利技术属性】
技术研发人员:杨旭,肖婕诗,黄健,高晶晶,崔家瑞,张涛,阎群,
申请(专利权)人:北京科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。