一种基于深度学习的间歇过程故障检测方法技术

一种基于深度学习的间歇过程故障检测方法。该方法不需要对原始数据进行假设，首先对原始数据进行等长和缩放处理，并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练，以非线性的方式自动、精确地进行阶段划分和特征提取；然后在网络的编码层上建立高斯混合模型并进行聚类，在提取特征的同时大大减少了建立模型的计算量；最后结合马氏距离提出全局概率检测指标，实现故障检测。通过在一类半导体蚀刻过程的仿真实验，结果表明该方法可以有效地提高故障检测率。

A Fault Detection Method for Intermittent Process Based on Deep Learning

A fault detection method for batch process based on deep learning is presented. This method does not need to assume the original data. Firstly, the original data is processed by equal length and scaling, and the principle of minimum reconstruction error is used to train deep neural networks with convolution and multiple intermediate layers, which can automatically and accurately divide stages and extract features in a non-linear way. Then, the Gauss mixture model is established on the coding layer of the network and clustered. At the same time, it greatly reduces the computational load of building the model. Finally, it proposes a global probability detection index combined with Mahalanobis distance to realize fault detection. The simulation results of a kind of semiconductor etching process show that the method can effectively improve the fault detection rate.

【技术实现步骤摘要】
一种基于深度学习的间歇过程故障检测方法
本专利技术涉故障检测领域，尤其涉及一种基于深度学习的间歇过程故障检测方法。
技术介绍
间歇生产过程是一类复杂工业过程，是指生产过程在同一位置而在不同的时间分批进行，已广泛应用于生物制药、食品、半导体加工等工业生产领域，其操作状态不稳定，过程参数随时间而变，与连续生产相比，过程更加复杂多变，即使任意过程微小的异常状况都会影响最终产品的质量，所以找到有效的过程监控方法对间歇过程进行故障检测具有重要意义。由于不同的操作阶段具有不同的过程特性，使得监测变量会受到时间维度上的影响，所以针对具有多阶段操作特性的间歇生产过程进行正确的操作阶段划分，通过深度学习对实现间歇过程数据的检测具有很重要的作用。深度学习涉及的模型算法有许多，根据参考文献：GeZQ在Chemometrics&IntelligentLaboratorySystems杂志2017-171:16-25发表的Reviewondata-drivenmodelingandmonitoringforplant-wideindustrialprocesses论文中提到的传统的基于数据驱动的多向主本文档来自技高网...

【技术保护点】
1.一种基于深度学习的间歇过程故障检测方法，包括以下步骤：步骤1：对原始数据进行等长和缩放处理，并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练，以非线性的方式进行阶段划分和特征提取；步骤2：通过深层自编码器在网络的编码层上建立高斯混合模型并进行聚类；步骤3：结合马氏距离提出全局概率检测指标，实现故障检测。

【技术特征摘要】
1.一种基于深度学习的间歇过程故障检测方法，包括以下步骤：步骤1：对原始数据进行等长和缩放处理，并以最小重构误差的原则在具有卷积和多个中间层的深层神经网络上进行训练，以非线性的方式进行阶段划分和特征提取；步骤2：通过深层自编码器在网络的编码层上建立高斯混合模型并进行聚类；步骤3：结合马氏距离提出全局概率检测指标，实现故障检测。2.根据权利要求1所述的方法，其特征在于：所述的等长处理是在所有的批次中找到最短的一批数据，然后以这批数据作为标准，将其他批次的数据的相应区间进行截取，即使得所有批次具有等长数据。3.根据权利要求1所述的方法，其特征在于：所述的缩放处理是采用训练数据的最大最小值来对测试数据进行缩放处理。4.根据权利要求1所述的方法，其特征在于：所述的深层自编码器是一维卷积自动编码器，用堆叠编码器方式进行逐层预训练，包括编码和解码两个部分；所述的编码部分具体是在神经网络编码层的第一层加入了一维卷积层，首先将一批预处理数据重新排列为二维数据，在局部感受范围内构造全连接神经网络，形成一个卷积核，每个局部感受域可以有多个卷积核，之后每隔一定的卷积步长选取一次局部感受域，并构造同样数目的卷积核，以此类推，所有卷积核...

【专利技术属性】
技术研发人员：王培良，王硕，蔡志端，徐静云，周哲，钱懿，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：浙江,33