[发明专利]基于去噪自编码器的非线性过程中的故障隔离与识别方法

权利要求书

1.一种基于去噪自编码器的故障隔离与识别方法，其特征在于：方法包括以下步骤：

步骤1，通过分布式传感器采集正常工况下工业设备运行过程中真实数据作为训练数据，通过分布式传感器采集待测工况下工业设备运行过程中的数据作为测试数据；通过在正常数据中添加噪声或随机丢弃正常数据中的部分数据获得损坏训练数据，利用损坏训练数据训练去噪自编码器；然后用训练后的去噪自编码器对测试数据进行处理，去噪自编码器输出测试数据的统计量及其控制限：

步骤2，当去噪自编码器输出的测试数据的统计量超过训练数据的统计量的控制限，则认为监测到故障，该测试数据为故障数据，否则认为未监测到故障，该测试数据为正常数据；

步骤3，针对故障数据，故障数据中加入故障赋值获得消除故障影响之后的数据，通过将故障赋值引入故障数据来消除故障对每个变量的影响，实现故障隔离，使测试数据中存在故障的过程变量达到正常状态；

步骤4，以测试数据和训练数据的统计量作为过程监测统计量，构造基于过程监测统计量的优化目标函数，使正常数据经过去噪自编码器重构后与训练数据拟合；

所述的步骤4中，当测试数据的统计量数据超过训练数据的H²统计量的控制限，建立以下公式的优化目标函数对Δx进行估计：

其中，表示故障幅值的递归量；λ表示项权值；W表示去噪自编码器的权重；||Δx||₁为故障幅值Δx的l₁范数，.σ表示sigmod激活函数；

当测试数据的统计量数据超过训练数据的R统计量的控制限，建立以下公式的优化目标函数对Δx进行估计：

其中，(X_f-Δx)′是消除故障影响之后的数据X^*的重构值，T表示矩阵转置，m表示测试数据中的数据样本的总数，||Δx||₂为Δx的l₂范数，X_f为故障数据的单个数据样本；

步骤5，求解优化目标函数，求解获得最优的故障幅值Δx，利用最优的故障幅值Δx实现故障的隔离和识别，完成工业设备生产过程的故障隔离和识别；

所述的步骤3中，若为故障数据，按照以下公式将故障数据的单个数据样本X_f分解减去故障幅值Δx获得消除故障影响之后的数据X^*：

X^*＝X_f-Δx。

2.如权利要求1所述的一种基于去噪自编码器的故障隔离与识别方法，其特征在于：所述的步骤1中，具体根据去噪自编码器进行过程监测：

步骤1.1：将损坏的训练数据进行归一化处理，得到零均值和单位方差的训练数据；

步骤1.2：利用步骤1.1中的训练数据训练去噪自编码器(DAE)：

去噪自编码器包含了编码过程和解码过程，训练数据通过去噪自编码器的编码过程映射到隐藏特征空间，去噪自编码器对训练数据在隐藏特征空间的映射进行解码，得到重构数据，然后将重构数据和训练数据比较并不断优化去噪自编码器，使去噪自编码器学习到训练数据的特征；

步骤1.3：将测试数据中的数据样本进行归一化处理后得到测试数据样本再利用训练数据训练得到的去噪自编码器计算测试数据样本的H²统计量和R统计量；

H²统计量计算为：

H²＝h^Th

R统计量计算为：

R＝e^Te：

其中，h表示去噪自编码器经过降维后隐藏空间的低维数据，e表示去噪自编码器重构数据与输入数据的差值。

3.如权利要求1所述的一种基于去噪自编码器的故障隔离与识别方法，其特征在于：所述的步骤5具体为：获得的故障幅值Δx为n维向量，n为每个时刻采集数据的分布式传感器的总数，即数据样本中的数据值的个数，故障幅值Δx中不为零的元素所对应的分布式传感器在对应数据样本所在的时刻发生了故障，从而将各个分布式传感器的故障情况进行了隔离与识别。