[发明专利]一种基于正交自编码神经网络的工业过程监测方法

说明书

本发明公开了一种基于正交自编码神经网络的工业过程监测方法，可在自编码神经网络的训练过程中，在保证解码误差最小化的同时将编码特征的正交性统计条件考虑进来，从而构建一个正交自编码神经网络对工业过程实施过程监测。本发明方法巧妙的将正交性目标和重构目标融合进一个由正交编码网络和解码重构网络组成的正交自编码神经网络中，通过依次训练正交编码网络和解码重构网络实现了提取正交特征和生成重构误差的目的，从而可通过监测正交特征和重构误差的变化情况来反映工业过程运行是否正常。与传统方法相比，本发明方法不仅可以如多变量统计过程监测方法一样分析提取出非线性的正交特征成分，也可以像自编码器那样生成重构误差。

技术领域

本发明涉及一种工业过程监测方法，特别涉及一种基于正交自编码神经网络的工业过程监测方法。

背景技术

实时监测工业过程的运行状态是保证生产安全的最直接技术手段，只有工业生产一直持续稳定运行于期望的正常状态时，生产过程才能持续不断产出符合品质标准的产品。在当前智能制造的大背景下，工业生产过程，尤其是流程工业过程中配套安装的测量仪表，能为我们实施数据驱动的工业过程监测提供实时的采样数据。随着工业过程规模的大型化与复杂化趋势，建立机理模型实施过程监测变得越来越困难。而实时的采样数据蕴含着大量的有用信息，在通过适宜的数据分析技术的挖掘后，可以更容易得实现对工业过程的监测。近些年来，以多变量统计过程监测为代表的过程监测方法已经得到了广泛的研究，而这其中又以主成分分析和偏最小二乘为主要的数据挖掘方法。

由于工业过程的历史采样数据库中最多的是正常运行状态下的采样数据，无监督型的特征学习因而成为数驱动的过程监测方法的核心本质。经典的多变量统计过程监测方法就是分析提取出采样数据中的统计变化特征(如：方差，正交性或相关性，独立性)，从而定义相应的正常变化特点。传统的主成分分析和偏最小二乘又可以通过核学习技巧扩展成能分析提取非线性统计特征的方法技术。此外，以自编码器为代表的神经网络建模技术也可以实现无监督特征学习，从而也能提供一类数据驱动的工业过程监测方法技术。不同于多变量统计特征学习关注于统计特征的表示，自编码器更侧重于对原采样数据的特征编码和解码重构，从而消除原采样数据中的噪声干扰信息。

由于是无监督型的特征学习，统计分析和自编码器都是从不同的角度来挖掘正常工况采样数据中蕴藏的正常变化特征。在缺少异常或故障工况采样数据的条件下，两者的优劣是无法进行比较的，也可有其独自的技术优势。例如：主成分分析可以挖掘出正交的主成分避免了冗余，自编码器能较好的消除采样数据中的噪声干扰信息。可想而知，若是能将两者进行有机的结合，就可以同时发挥两者的技术优势。然而，神经网络的训练一般都是通过反向传播的梯度下降策略优化得到网络参数，很难在训练的过程中进行某一方面的统计特征量的导向。

发明内容

本发明所要解决的主要技术问题是：在自编码神经网络的训练过程中，如何在保证解码误差最小化的同时将编码特征的正交性统计条件考虑进来，从而构建一个正交自编码神经网络对工业过程实施过程监测。具体来讲，本发明方法将正交编码和解码重构分为两个子网络分别实施训练；其中，正交编码网络实现编码的正交性，解码重构网络实现重构误差的最小化。然后，通过正交编码网络和解码重构网络实现对工业过程实时采样数据的特征表示和误差生成，从而通过监测编码特征和重构误差的变化来反映工业过程是否出现异常或故障。

本发明方法解决上述问题所采用的技术方案为：一种基于正交自编码神经网络的工业过程监测方法，包括以下所示步骤：

首先，训练正交编码神经网络前的准备，具体包括以下所示三个步骤。

步骤(A)，准备训练用的N个数据向量具体包括以下所示步骤(A-1)至步骤(A-4)。

步骤(A-1)：从工业过程的历史采样数据库中，选取N组采集于正常工况的样本数据，并将每组样本数据对应表示成一个M×1维的数据向量，从而得到N个数据向量其中，工业过程在每个采样时刻都可通过M个测量仪表对应采集M个测量变量的样本数据，并将这M个测量变量的样本数据按照相同的测量变量排列顺序组成一个M×1维的数据向量。