[发明专利]一种基于深度卷积网络特征融合的化工过程性能评测方法

说明书

本发明涉及一种基于深度卷积网络特征融合的化工过程性能评测方法。本发明在DCNN网络中加入批归一化层构建归一化DCNN，来加速神经网络的收敛以及避免梯度消失问题，然后采用双线性卷积网络（BCNN）原理进行特征融合，最终进行故障诊断。本发明加快了网络的收敛速度，也避免了梯度消失等问题；融合的两路特征来自于同一个卷积网络，使得模型参数相对于BCNN网络减少了一半，加快了训练的速度，同时特征融合的效果也达到了，得到了更加高效精确的故障特征。本发明在不增加模型复杂度的同时，尽最大可能提取精确详细的特征，以提高故障诊断的准确度。

技术领域

本发明涉及化工过程的故障诊断方法，尤其涉及一种基于深度卷积网络的特征融合化工过程故障诊断方法。

背景技术

在这个大数据、高智能时代，随着现代化工科技的发展，化工过程朝着大规模复杂化的方向发展，一旦过程出现故障问题，若不能及时检测出来，将会造成不可估量的损失，因此进行准确高效的化工过程故障诊断具有重大意义。

化工过程数据呈现出大规模、高维、非线性以及时变等特点，这给化工过程的故障诊断又提供了一个解决的方向，即以数据驱动的故障诊断方法。但随着数据复杂度的提升，以及化工过程复杂度的提升，这给最初基于统计学原理的数据驱动的故障诊断方法造成了一定程度的困难。

逐步地深度学习技术在故障诊断领域取得了不错的成效，深度学习技术非常适合处理大规模的高维复杂数据，可以从数据中提取隐含的特征，用于整个化工过程状态的识别，将故障的识别精度提升到了一个新的高度，成为目前一种主要的故障诊断方法。深度学习方法相对于之前的故障诊断方法有了一定程度的进步，但仍需进一步研究，因为该方法还是会存在一些缺陷。从以往的研究不难看出，在复杂化工过程中，有很多系统状态是十分相似的，这就给深度学习识别造成了一定的困扰，盲目增加模型复杂度会提取到更加精确的故障特征，但会造成很严重地过拟合情况，使得故障诊断的精度反而下降，只会得不偿失，由于几种故障状态的相互错误识别，必将导致识别精度下降。

发明内容

针对目前深度学习故障诊断方法存在的技术缺陷，本发明提出了一种基于归一化深度卷积网络(DCNN)的特征融合的化工过程故障诊断方法。本发明在普通DCNN网络中加入批归一化层(BN)构建归一化DCNN，来加速神经网络的收敛以及避免梯度消失问题，然后采用双线性卷积网络(BCNN)原理进行特征融合，最终进行故障诊断。

本发明包括以下步骤

步骤1、对实验采集得到的数据进行预处理

1.1、将原始数据标注好标签后随即打乱；

1.2、对数据进行规范化处理，将所有数据点缩放到相同的取值范围内；

1.3、按照一定的比例将数据集划分为训练集与测试集；

步骤2、将训练集输入归一化DCNN中进行特征提取；

2.1、在DCNN结构的每一层卷积层后加入一层BN层，构成归一化DCNN网络；

2.2、将训练集输入构建好的归一化DCNN网络中提取特征；

步骤3、构建特征融合层

3.1、根据BCNN的特征融合原理，构建特征融合层；

3.2、将步骤2中归一化DCNN所提取的特征，输入按照BCNN的特征融合层构建的双线性特征融合层，进行特征融合，以得到更加高效精确的特征；

步骤4、将融合后的特征输入全连接网络，进行接下来的特征融合与提取；

步骤5、由softmax进行结果输出，并进行反向传播，以调整整个网络模型的参数，优化模型，提高诊断精度；最终通过将测试集输入优化好的网络模型，以显示网络模型的诊断性能。