[发明专利]基于卷积神经网络(CNN)的间歇工业过程故障诊断

权利要求书

1.一种基于卷积神经网络(CNN)的间歇工业过程故障诊断，所述间歇工业过程指操作步骤在同一位置而在不同的时间进行，操作状态不稳定，参数随时间而变的工业过程；其过程数据的特征在于数据量巨大、不确定性、动态性和时变性；所述卷积神经网络主要包含输入层、卷积层、池化层、全连接层和池化层；所述输入层和卷积层前后连接；所述卷积层和池化层前后连接；所述全连接层和池化层前后连接；所述全连接层作为输出层的前一层。

2.根据权利要求1所述的基于卷积神经网络(CNN)的间歇工业过程故障诊断，其特征在于将间歇工业过程中收集到的原始工业数据按时间轴组成二维网格数据（图片）；通过对网格数据的卷积操作，实现对原始工业过程的故障诊断。

3.根据权利要求2所述的基于卷积神经网络(CNN)的间歇工业过程故障诊断，其特征在于包括以下步骤：

1）采集间歇工业生产过程正常工况和不同故障工况下的批次数据，其中m代表过程变量个数，n代表一个批次过程内采样个数；

2）每一个批次内，将数据堆叠形成二维网格数据，由于原始变量统计单位的不同，需要进行归一化，即通过 将网格数据信号转换为像素在0到255之间的二维灰度图片，其中和 分别代表第i行j列的网格数据归一化前后的值； 代表第i行数据；

3）设置两层卷积-池化网络，随机初始化权重矩阵W和偏置B，并且设置kenel-regularization=0.00001使矩阵稀疏化，每一个卷积层和池化层后设置dropout=0.1参数防止过拟合；

4）输入预处理过后的二维灰度图片，卷积层通过式提取图片的深度特征，式中，I表示输入的网格数据；K表示卷积核，也是一个网格数据；S表示经过特征映射后的数据，也即提取后的特征网格数据；

5）对步骤4）得到的网格数据进行多次卷积-池化操作，得到最终的特征图；

6）对步骤5）得到的特征图进行全连接操作，得到最后的输出向量；

7）对步骤6）得到的输出向量进行softmax回归处理，得到最终的概率分布；

8）将实际数据经过预处理后，输入到已经训练好的网络与标签数据对比，输出网络模型对每类故障的诊断结果。

4.根据权利要求3所述的基于卷积神经网络(CNN)的间歇工业过程故障诊断，其特征在于：

1）卷积层用到的激活函数为；

2）softmax用到的回归函数为 ；

3）网络包含多个卷积-池化层，每层参数可单独设置。