[发明专利]一种基于循环神经网络的工业流程异常监控方法

权利要求书

1.一种基于循环神经网络的工业流程异常监控方法，其特征在于，适用于循环神经网络模型，所述方法包括模型训练步骤以及异常监测步骤；

所述循环神经网络模型训练步骤包括：

采用原始训练集对第一神经子网络进行训练，获得中间特征值；其中，所述原始训练集包括工业训练数据和所述工业训练数据对应的结果数据，所述中间特征值包括所述第一神经子网络的第一中间输出数据、第一隐藏状态数据；

将第一隐藏状态数据作为第二神经子网络的初始隐藏状态数据，采用所述中间特征值以及对应的所述结果数据对所述第二神经子网络进行训练，获得所述循环神经网络模型；其中，所述第一神经子网络和所述第二神经子网络的精度和计算量不同；

所述异常监测步骤包括：

采集工业流程中产生的初始工业数据；其中，所述初始工业数据为序列数据；

将所述初始工业数据输入所述循环神经网络模型，以使所述循环神经网络模型输出与所述初始工业数据对应的事件数据；

根据所述事件数据判断所述工业流程是否出现异常。

2.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述第一神经子网络为快速长短期记忆神经网络，所述第二神经子网络为门控循环单元网络。

3.根据权利要求2所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述方法还包括：

采用的Relu激活函数用以替代所述快速长短期记忆神经网络中的Sigmoid激活函数，提高所述快速长短期记忆神经网络的运行效率。

4.根据权利要求2所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述方法还包括：

在所述门控循环单元网络中附加Sigmoid激活函数，以提高所述门控循环单元网络的平滑度。

5.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，在对所述第一神经子网络进行训练之前，所述方法还包括：

采用字典映射对所述原始训练集进行数值化处理，获得数值化的所述原始训练集；

采用嵌入方式对数值化后的所述原始训练集进行格式处理，以使原始训练集中的各个数据格式相同。

6.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，在将所述初始工业数据输入所述循环神经网络模型之前，所述方法还包括：

采用字典映射对所述初始工业数据进行数值化处理；

采用嵌入方式对数值化后的所述初始工业数据进行格式处理，以使所述初始工业数据中的每一条数据的输入格式相同。

7.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述根据所述事件数据判断所述工业流程是否出现异常之后，所述方法还包括：

响应于所述工业流程出现异常，确定所述初始工业数据的异常种类；

根据所述异常种类，生成对应的处理方案；

根据处理方案对工业流程进行调整处理。

8.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述根据所述事件数据判断所述工业流程是否出现异常之后，所述方法还包括：

响应于所述工业流程出现异常，将异常对应的各个信息记录进异常日志。

9.根据权利要求1所述基于循环神经网络的工业流程异常监控方法，其特征在于，在采用所述中间特征值对所述第二神经子网络进行训练之前，所述方法还包括：

丢弃中间特征值中的部分数据，防止所述第二神经子网络过拟合。

10.根据权利要求9所述基于循环神经网络的工业流程异常监控方法，其特征在于，所述丢弃中间特征值中的部分数据，具体为：

其中，为所述第二神经子网络的输入，为所述第一神经子网络的所述第一中间输出数据，所述为所述第二神经子网络的隐藏状态数据，为所述第一神经子网络的所述第一隐藏状态数据，所述dropout()为丢弃部分数据函数。