[发明专利]一种基于动态估计的深度自编码网络过程监控方法

说明书

本发明属于工业过程监控领域，提出一种基于动态估计的深度自编码网络多变量过程监控方法。本发明所提出的方法将时间序列的统计分析技术与深度网络的表示学习能力相结合，在不增加网络结构复杂度的前提下，无监督地获取过程的动态、不确定性以及传感器量测数据中的高阶相关性信息。基于“时间‑空间”拓扑结构的动态估计使得该发明不仅保持了原始数据的可分离性，而且增加了类别之间的可区分距离；利用深度自编码网络提取数据中隐含的相关性特征，打破了传统技术针对微小故障检测的瓶颈；此外，无监督学习不受工业过程中样本标签不足、数据不均衡等因素的影响。因此，本发明对于解决实际工业过程监控问题具有重要的现实意义。

技术领域

本发明属于工业过程控制领域，从“时间-空间”拓扑结构重构的角度出发研究动态估计算法对过程监控的有效性，结合深度自编码网络提取隐含的高阶相关性特征用于故障的检测和诊断，从而实现对复杂工业过程的实时监控，特别是对于微小故障和早期故障的快速检测。

背景技术

数据驱动技术是计量学中用于识别异常过程的有效工具，多变量统计过程监控是过程控制领域过去几十年研究中最活跃的领域之一，并取得了巨大成功。然而，随着分布式控制系统的广泛应用和先进信息技术的实施，海量高维度的监测数据及动态的工业过程特性给传统的多变量统计故障诊断算法带来极大的计算复杂度和建模复杂度，目前的统计分析技术仍然存在难以利用高阶信息的不足。

面对工业系统的不确定性和复杂性，人工智能技术已成功用于过程监控。由于传统的人工智能技术是浅层架构，即只有少数级数据相关的计算元件，因此它们在计算表示和逼近精度方面的效率非常低。随着深度学习算法的提出，关于深度网络在多变量过程中的应用受到广泛关注，包括化工过程、微电子制造和制药工艺等工业领域。

基于深度学习的过程监控方法通过多级特征提取(非线性)的方法获取隐含的相关性关系(高阶)和过程变化，用于诊断异常操作情况。深度网络的结构不仅决定着特征提取的完备性，而且关系着解决方法的复杂度。鉴于微小故障和早期故障的细节及微小变化可能反映在监测数据的高阶相关关系中，栈式稀疏自编码网络可用于细节和微小变化的提取与表示，在信号处理中广泛使用。

基于深度网络的过程监控方法主要是依赖历史数据，虽然历史数据蕴含了复杂系统大量的运行机理和规律，但工业过程是动态的生产过程，在线监测数据不仅包含了生产运行过程的累积关联性，而且更能反映系统当前状态的最新变化。尽管可以以时间序列作为深度网络的输入，但基于滑动窗的方法不利于对过程异常的快速检测。因而，在不增加栈式自编码网络结构复杂度的前提下，有待进一步研究时间序列的统计分析与处理技术，以提高诊断系统的实时性和精确性。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于动态估计的深度自编码网络过程监控方法：采用k近邻算法从“时间-空间”拓扑结构重构的角度对过程数据(时间序列)进行动态估计；结合深度自编码网络进行无监督学习，以提取监测数据的高阶相关性特征，进而保持对工业过程运行的实时、精确监控与诊断。

为了达到上述目的，本发明的技术方案为：

本发明提供了一种基于动态估计的深度自编码网络多变量过程监控方法，包括离线建模环节和在线监控环节，

所述的离线建模环节包括：

1.1)数据预处理：对于给定的训练集X_train，进行标准化预处理得到

1.2)基于k近邻算法对当前监测样本点实现“时间-空间”拓扑结构的动态重建

1.3)根据经验设置栈式稀疏自编码网络的初始化结构参数，即隐层的层数和每层单元数；同时随机初始化其连接参数，即权重和偏差；

1.4)网络无监督训练：以大量未标记历史样本的动态估计值作为网络输入，采用逐层贪婪的方法训练网络参数；