[发明专利]基于卷积神经网络(CNN)的间歇工业过程故障诊断

说明书

本发明公开了一种基于卷积神将网络（CNN）的间歇工业过程故障诊断方法，将深度学习方法应用到工业现场故障诊断当中。该方法具体包括如下步骤：1）间歇工业过程现场数据的采集；2）按时间轴对采集的数据进行网格化处理，并且将其标准化为0到255之间的灰度图片；3）由大量已知工况的离线数据训练搭建好的CNN网络模型，得到网络的各项参数；4）输入在线数据，进行故障诊断。

技术领域

本发明涉及一种针对间歇工业过程的基于卷积神经网络的故障诊断方法，主要涉及将间歇过程的原始信号转换为二维灰度图片的策略。

背景技术

间歇过程作为现代工业过程中极其重要的一种生产方式，已经被广泛应用于医药、食品、生物化工、半导体等多品种、高附加值产品的生产中。但是在实际过程中，由于设备老化和外在环境突变等一系列问题，使得故障时有发生。因此，对间歇过程进行故障诊断对于保证生产过程的安全以及提高产品质量变得至关重要。对于间歇过程的故障诊断，目前比较常用的方法有贡献图和模式识别的方法，有些学者利用多元统计方法对间歇过程进行在线监控，并利用贡献图的方法追溯故障变量，但该方法采用正常的数据进行故障诊断，不能够真正反应故障的信息，且忽略了变量之间的相关性，只能诊断单变量故障间歇过程的故障诊断，而模式识别的方法是在已知故障类型的训练集的基础上，确定一个新的数据样本属于哪个故障类别的问题。支持向量机与Fisher判别分析作为线性分类技术在间歇过程的故障分类中得到了广泛应用。但是它们都只是在小样本下才能取得不错的分类效果，同时模型的鲁棒性较弱，诊断的准确率也相对较低。

发明内容

为了克服现有技术的不足，本发明提供了一种基于卷积神经网络(CNN)的间歇过程故障诊断方法，自动提取各个变量之间的深层特征，并且可以充分考虑变量在时间上的连续性，为生产决策提供参考。

本发明采用了如下的技术方案及实现步骤。

A.数据采集和处理

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值在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。

B.搭建卷积神经网络CNN模型

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

2）输入预处理过后的二维灰度图片，卷积层通过下式提取图片特征：

，

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；

3）卷积层中用到的sigmoid激活函数为：

；

4）经过卷积后得到的深层特征经过的最大池化，减少一半需要训练的参数；

5）重复步骤2)到4)提取得到最终的特征图；

6）将得到的特征图经过全连接层转化为长度为的一维输出向量。