[发明专利]一种基于稀疏过滤和逻辑回归的化工过程故障检测方法

摘要

本发明公开了一种基于稀疏过滤和逻辑回归的化工过程故障检测方法，所述方法包括数据采集与预处理、特征学习、分类三个步骤，从而实现化工过程的故障检测。所述方法首次将深度学习中的稀疏过滤算法应用到化工过程的特征学习中，所学习到的特征再应用逻辑回归进行分类，该方法进行特征学习阶段时采用的是无监督学习，无需人工标注数据，能够实现自适应学习原数据所具有的特征，并且能够将正常数据和各故障数据区分开来，因此应用到工业中更加简便和智能。

主权项

一种基于稀疏过滤和逻辑回归的化工过程故障检测方法，其特征在于，所述方法包括以下步骤：步骤一、数据采集与预处理：将DCS采集到的各相关变量在各种故障下的时序数据，分成训练样本集Xtrain和测试样本集Xtest，其中训练样本集Xtrain包含正常工况下的时序数据和各种故障下的时序数据，用于训练本方法的模型，测试样本集Xtest是在线监测的实时工况数据，也包含正常工况下的时序数据和各种故障下的时序数据，用于故障检测以验证本方法的诊断精度；求取训练样本集Xtrain正常工况下时序数据的均值Xmean和标准差Xstd，然后将训练样本集Xtrain和测试样本集Xtest都利用上述求得的均值Xmean和标准差Xstd进行标准化预处理，预处理后的训练样本集Xtrainstd和测试样本集Xteststd再进行白化预处理，以消除数据之间的冗余性；步骤二、特征学习：将经过步骤一白化预处理后的训练样本集Xtrainwhite输入到稀疏过滤模型中，用于训练稀疏过滤模型，首先初始化权重矩阵W，然后求取非线性激活函数变换的初步特征矩阵f，通过优化成本函数最小化并求解出最优化解权重矩阵W1和特征矩阵f1，将特征矩阵f1当成稀疏过滤模型的输入，再次训练稀疏过滤模型，通过优化成本函数最小化并求解出最优化解权重矩阵W2和特征空间f2，得到最终训练好的稀疏过滤模型，该模型中通过训练样本集Xtrainwhite求解了稀疏过滤模型的两个权重矩阵W1和W2，对于经过步骤一白化预处理后的训练样本集Xtrainwhite和测试样本集Xtestwhite，利用已经训练好的模型权重矩阵W1得到中间隐层的训练样本特征矩阵f1’和测试样本特征矩阵f1”，将训练样本特征矩阵f1’和测试样本特征矩阵f1”作为模型输入，利用已经训练好的模型权重矩阵W2得到输出层的训练样本特征矩阵f2’和测试样本特征矩阵f2”，该特征矩阵即为最终学习好的训练特征和测试特征，能够用于后续的分类；步骤三、分类：将所有学习到的每一个训练样本的特征附加对应的工况标签yi，yi＝0代表该训练样本是正常的，yi＝1代表该训练样本是故障，对于步骤二学习到的训练样本特征矩阵f2’，首先初始化一个回归参数向量θ，将训练样本特征矩阵f2’和对应的标签集合y输入到逻辑回归二分类模型中训练，求解损失函数最小时的回归参数θ，然后利用训练好的逻辑回归二分类模型对测试样本特征矩阵f2”采用预测函数求解预测概率，当预测概率值大于0.5时，认为该样本是故障，当预测概率值小于0.5时，即样本认定为正常，统计各故障的检出率；将测试样本集看作实时工况数据，通过以上三个步骤便能够对实际化工过程采集到的实时数据做出故障诊断。