[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

说明书

本发明公开了一种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。利用传感器采集训练数据和测试数据，在去噪自编码器残差空间和隐藏特征空间构建统计量；计算测试数据的过程监测统计量，当测试数据过程监测统计量超过过程监测统计量控制限，则出现故障；通过引入正则化项来建立目标函数，并基于自适应矩估计求解获得故障幅值，利用故障幅值判断各个传感器的故障，从而实现故障的隔离和识别。本发明能够满足工业过程中大规模过程故障诊断的速度和精度要求，为工业生产过程控制提供了可靠有效的技术支持。

技术领域

本发明属于工业非线性过程中的故障隔离及识别领域的一种故障数据处理方法，具体涉及一种基于去噪自编码器(DAE)的非线性过程中的故障隔离与识别方法。

背景技术

科学技术的发展使得现代工业体系结构越来越复杂，基于数据驱动的过程监测方法能够有效确保该类系统的安全性和可靠性，其中以主成分分析(PCA)，核PCA，典型相关分析等多元统计分析方法的研究为主。然而，传统方法虽然能够实现故障检测，但工业工程的发展使得变量和样本数量增加，传统方法在处理非线性工业过程中受到“拖尾效应”等问题的限制。

近年来，深度学习方法，尤其是自编码器(AE)被发现能够有效实现非线性过程监控。自编码器将输入的非线性数据经过多层神经网络映射到低维空间(编码层)，然后利用重构目标函数将映射低维空间数据重新拟合逼近训练数据(解码层)，并根据隐藏特征空间中发生的变化和重构误差空间的变化构建监测统计量。虽然AE能够实现工业过程监测，但多数方法仅专注于故障检测，从而忽视了故障隔离和识别问题。

发明内容

为了解决背景技术中存在的技术问题，本发明提供了一种基于去噪自编码器(DAE)的非线性过程中的故障隔离与识别方法，通过在目标函数中引入l₁范数来获得稀疏的向量矩阵，并采用ADAM算法来估计故障幅值，实现故障变量的分离。该方法能够检测出故障发生时间，并通过非线性故障重构技术隔离故障和确定故障变量，对推动流程工业知识自动化和工业大数据技术的发展具有重要意义。

本发明通过引入l₁范数等具有稀疏特性的约束来获得稀疏贡献图从而解决传统贡献图方法面临的“拖尾效应”等问题，识别出导致故障发生的主要变量，实现故障隔离，有助于实现大规模过程的故障诊断。

本发明方法能够通过在DAE残差空间和隐藏特征空间构建的过程监测统计量H²和R实现非线性工业过程中的故障诊断，实现非工业生产过程的可靠性和安全性，提高非线性工业过程的故障隔离和识别。该方法受“拖尾效应”影响较小，对于实现非线性大工业生产过程的故障隔离和识别具有重要的实用价值。

本发明采用的技术方案是：

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；

所述的变量是指分布式传感器的检测值。

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，通过在优化目标函数中加入l₁范数约束来准确定位出主要故障变量，使正常数据经过去噪自编码器重构后与训练数据拟合，故障数据经过去噪自编码器重构后于训练数据出现分离，便于故障隔离；