The invention discloses a fault classification model and method based on stacked sparse Gauss Bernoulli restricted Boltzmann machine and reinforcement learning, which is composed of reinforcement learning Q learning method and sparse depth belief network model, through unsupervised layer-by-layer pre-training SDBN network, and then combined with reinforcement learning Q learning method for the whole system. The network carries out gradient descent training, adjusts the weight of the network, fully considers the correlation of adjacent sampling points between samples and the dynamic characteristics of process data in time series, further improves the feature extraction ability of the model for process non-linear and dynamic data, thereby improving the accuracy of fault classification; the invention can be effective. To solve the problem of low accuracy of fault classification caused by the non-linearity of process data and the dynamics of fault data.
【技术实现步骤摘要】
一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
本专利技术属于工业过程故障诊断和分类领域,涉及一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法。
技术介绍
在过程监测中,当检测到故障发生时,根据异常的过程传感数据,及时准确的识别并判断故障类别,对于保障工业过程的安全运行和产品的优质产出具有至关重要的意义。精确的故障分类可以帮助操作人员进一步定位故障发生的环节和引发故障的过程变量,有助于故障清除和过程恢复,因此故障分类在工业生产中有不容忽视的地位。随着现代工业规模日趋庞大,过程数据也越来越复杂,过程变量之间往往存在较强的非线性关系,传统基于线性假设的建模方法在工业数据的故障分类中往往会造成故障的错分或者无法准确识别故障发生的种类,传统的线性建模因此具有很大的局限性,不再能适应数据特性越趋复杂的实际工业背景。近年来,随着深度学习的方法被广泛的研究和应用,基于神经网络的方法在处理非线性数据上具有优良的表现,其中基于堆叠的受限玻尔兹曼机构成的深度信念网络由于能够针对不同概念的粒度大小进行特征提取,从而在很多领域得到广泛的应用。在传统的深度信念网络的训练过程中,都需要假设数据样本是独立的,即训练需要大量的有标签的数据样本并且样本间相互没有关系。然而由于过程的反馈,自相关的噪声干扰等,导致数据的动态性,也称为自相关性,成为工业过程故障数据不容忽视的重要特征。因此在实际建模中同时也需要一个动态模型来克服数据的动态性问题,有效地引入动态方法对于区分故障是十分有效的。
技术实现思路
针对目前工业过程中有标签样本少、相关性强等问题,本 ...
【技术保护点】
1.一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型,其特征在于,所述的堆叠稀疏高斯伯努利受限玻尔兹曼机模型分为四层,第一层为输入层,第二、三层为隐藏层,第四层为类别层,其中第一层和第二层构成一个稀疏高斯伯努利受限玻尔兹曼机,即SGRBM,第二层又和第三、四层构成一个稀疏类别高斯伯努利受限玻尔兹曼机,即SCGRBM,经过堆叠共同构成稀疏深度信念网络;模型相关的参数包括:输入层和隐藏层1的连接权重为W1,隐藏层1和隐藏层2的连接权重为W2,隐藏层2和类别层的连接权重为U,输入层、隐藏层1、隐藏层2和类别层的偏置分别为a、b1、b2、c;该模型对应数据的输入变量为X,输出变量为Y;所述的模型训练过程包括预训练和微调两步,其中,所述的预训练的过程如下:应用CD算法更新参数θ1={W1,a,b1},更新隐藏层偏置b1使之满足稀疏约束条件,不断重复更新θ1和b1直至收敛;在SGRBM训练完成后,即可从输入数据中提取出隐藏层1的特征h1=σ(W1X+b1),其中,σ(·)表示非线性激活函数;再将提取出来的特征h1作为SCGRBM网络的输入,结合类别标签信息,进行SCGRBM的训练, ...
【技术特征摘要】
1.一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型,其特征在于,所述的堆叠稀疏高斯伯努利受限玻尔兹曼机模型分为四层,第一层为输入层,第二、三层为隐藏层,第四层为类别层,其中第一层和第二层构成一个稀疏高斯伯努利受限玻尔兹曼机,即SGRBM,第二层又和第三、四层构成一个稀疏类别高斯伯努利受限玻尔兹曼机,即SCGRBM,经过堆叠共同构成稀疏深度信念网络;模型相关的参数包括:输入层和隐藏层1的连接权重为W1,隐藏层1和隐藏层2的连接权重为W2,隐藏层2和类别层的连接权重为U,输入层、隐藏层1、隐藏层2和类别层的偏置分别为a、b1、b2、c;该模型对应数据的输入变量为X,输出变量为Y;所述的模型训练过程包括预训练和微调两步,其中,所述的预训练的过程如下:应用CD算法更新参数θ1={W1,a,b1},更新隐藏层偏置b1使之满足稀疏约束条件,不断重复更新θ1和b1直至收敛;在SGRBM训练完成后,即可从输入数据中提取出隐藏层1的特征h1=σ(W1X+b1),其中,σ(·)表示非线性激活函数;再将提取出来的特征h1作为SCGRBM网络的输入,结合类别标签信息,进行SCGRBM的训练,包括双向吉布斯采样、梯度下降法更新参数并使优化函数满足稀疏性约束条件;所述的微调为通过Q-learning方法对整个稀疏深度信念网络的权重进行微调,过程如下:(1)将输入数据按照采样时间序列化,使相邻样本的采样时间也相邻,假设状态和动作序列是:St=X1,a1,X2,a2,...,at-1,Xt,其中,Xt表示t时刻下的状态,对应于t时刻下的输入数据,at表示t时刻下采取的动作,对应于t时刻稀疏深度信念网络输出的类别,基于动作at,得到一个对应的奖励rt,rt表示对样本拟合程度;(2)经过轮次t,得到累计奖励为其中T为完成训练的轮次,γ为折扣系数,最大化每个序列轮次的累计奖励,即Q-learning的训...
【专利技术属性】
技术研发人员:葛志强,孙庆强,杨杰,宋执环,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。