[发明专利]一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法

说明书

本发明属于自动化过程控制领域，公开了一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法。本发明开发了一种新的混合XGBoost算法与DRSN的故障诊断方法。其中，DRSN中的残差学习能有效避免模型退化问题，软阈值操作能够有效降低噪声和冗余信息对特征学习的影响。此外，使用效果更好的Nadam优化算法来更新网络参数，而不是传统的Adam算法。在最后的分类阶段，采用XGBoost分类算法对提取到的特征信息进行故障识别和分类，而不是传统的softmax分类器。实验结果表明，XGBoost具有更好的分类性能。

技术领域

本发明属于自动化过程控制领域，尤其涉及一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法。

背景技术

现代故障诊断技术的产生对保障工业过程的生产安全，减少资源浪费发挥了重要的作用，其先后发展出了基于模型的方法，基于知识推理的方法和基于数据驱动的方法。基于模型的方法和基于知识推理的方法由于自身的局限性，对当前具有高维性、非线性、间歇性以及动态性等特点的复杂工业过程数据并不能取得令人满意的结果。基于数据驱动的方法由于局限性较小，只依赖于过往的故障数据，因此得到了较好的发展和应用。

基于数据驱动的方法可以进一步分为基于多元统计的方法、浅层学习方法以及深度学习方法。基于多元统计的方法和浅层学习的方法是工业过程常用的方法之一，但是面对工业数据中的高维性、非线性数据时，并不能取得令人满意的效果。深度学习技术是在浅层学习的基础上发展而来，其摆脱了传统方法需要手工提取特征的繁琐步骤，能够端到端自动的提取原始数据中非线性高维特征，不仅如此，深度学习还解决了浅层学习容易过拟合、陷入局部最优、梯度消散以及泛化能力弱等问题，对非线性、间歇性以及动态性等复杂工业过程也具有较好的诊断精度。

深度学习相较于传统方法具有巨大的优势，其利用多隐层的网络结构直接对输入的数据样本进行有效分析并提取隐藏的数据特征信息，非常适用于大规模复杂的工业过程数据，是目前故障诊断领域研究的热点。但是不可否认的是，每种深度学习模型都有其自身的优缺点，其整体的诊断精度有待进一步提高。目前基于深度学习的故障诊断方法在工业过程的应用主要存在以下问题：

提取特征中含有大量的冗余信息，影响最终的诊断精度。

常见的softmax分类器无法进一步提高诊断精度。

发明内容

本发明目的在于提供一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法,该方法其能够有效去除提取特征中的冗余数据，大幅提高工业过程的故障诊断精度。

为解决上述技术问题，本发明的一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法的具体技术方案如下：

一种混合深度残差收缩网络与XGBoost算法的工业过程性能评估方法，包括如下步骤：

步骤1：以频率f_s采集工业过程系统变量的运行数据，建立一个含有多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；

步骤2：将训练集输入到由多个残差收缩子块组成的网络中进行特征的初步提取；

步骤3：FC层通过权值矩阵将提取的深层特征进行融合，经Dropout层后，输入到softmax层，并将输出结果与真实标签的交叉熵作为损失函数；

步骤4：利用Nadam优化器沿梯度下降方向反向传播更新整个模型的参数，并优化交叉熵损失函数；

步骤5：将模型性能最好时所提取到的特征输入到XGBoost分类器中拟合提升树；

步骤6：故障诊断。

进一步地，步骤1包括如下具体步骤：