一种基于批次图像化的卷积自编码故障监测方法技术

本发明专利技术公开一种基于批次图像化的卷积自编码故障监测方法，属于间歇过程故障监测技术领域。包括离线建模和在线监测两个步骤。离线建模步骤首先将间歇过程三维数据归一化；之后将每个批次的二维数组作为图像直接输入卷积自编码器(convolutional autoencoder,CAE)中进行深度无监督特征学习；最后，利用一类支持向量机对CAE学到的特征构造统计量和相应的控制限。在线监测步骤将采集到的数据归一化，并进行批次填充；将归一化及填充后的批次图输入训练好的CAE中学习特征；计算在线统计量，并与离线控制限比较。相比于现有技术，本发明专利技术的技术方案避免了数据展开导致的信息丢失，无需划分阶段减少建模工作量，深层地提取过程变量的变化特征，降低间歇过程监测的误报和漏报率。

A fault detection method of convolutional self coding based on batch image

【技术实现步骤摘要】
一种基于批次图像化的卷积自编码故障监测方法
本专利技术属于故障监测
，涉及基于数据驱动的间歇过程在线故障监测技术，特别是涉及一种基于批次图像化的卷积自编码故障监测方法。
技术介绍
目前，间歇生产过程正在向精细化、集约化发展，对生产全流程进行有效监控至关重要，因为这不仅可以保障间歇过程的生产安全，还能提高产品质量和生产效率，降低企业能耗和污染。间歇过程故障监测研究中最常用的方法是以多向主成分分析(multiwayprincipalcomponentanalysis,MPCA)和多向偏最小二乘(multiwaypartialleastsquares,MPLS)为核心的多元统计方法，通过构造T2(Hotelling-T2)和SPE(平方预测误差)统计量，并与正常状态下历史数据建模得到的统计量控制限进行比较实现故障监测，T2统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度,是对模型内部化的一种度量,它可以用来对多个主元同时进行监测；SPE统计量刻画了输入变量的测量值对主元模型的偏离程度,是对模型外部变化的一种度量。针对间歇过程典型的本文档来自技高网...

【技术保护点】
1.一种基于批次图像化的卷积自编码故障监测方法，其特征在于：将批次数据进行图像化处理，建立卷积自编码器(CAE)模型并利用一类支持向量机法(OCSVM)进行故障监测，具体步骤如下：/nA.离线建模阶段：/n1)历史数据的采集：间歇生产按照一定的周期循环往复，单个周期结束后按批次获得批量产物；每个批次内采集K个过程变量J个时刻的数据得到一个二维矩阵X(K×J)，其中K为采集的过程变量个数，J为采样点的个数，I个批次就组成了间歇过程典型的三维数据表示形式——X(I×K×J)；/n2)数据归一化：采用最大最小值归一化数据处理方法，消除不同过程变量间量纲的影响，将过程变量实际数据范围转化为满足计算机处...

【技术特征摘要】
1.一种基于批次图像化的卷积自编码故障监测方法，其特征在于：将批次数据进行图像化处理，建立卷积自编码器(CAE)模型并利用一类支持向量机法(OCSVM)进行故障监测，具体步骤如下：
A.离线建模阶段：
1)历史数据的采集：间歇生产按照一定的周期循环往复，单个周期结束后按批次获得批量产物；每个批次内采集K个过程变量J个时刻的数据得到一个二维矩阵X(K×J)，其中K为采集的过程变量个数，J为采样点的个数，I个批次就组成了间歇过程典型的三维数据表示形式——X(I×K×J)；
2)数据归一化：采用最大最小值归一化数据处理方法，消除不同过程变量间量纲的影响，将过程变量实际数据范围转化为满足计算机处理的灰度图的数据范围，即0到1之间的数字；计算公式如下：



具体步骤为：
a)将历史三维数据X(I×K×J)沿变量方向展开成二维数据X(IK×J)；
b)求每个变量的最大值及最小值；
c)对每个变量进行归一化处理；
d)将二维数组重新折叠成三维数组；
e)所有训练批次求平均值，得到正常批次数据各个时刻的平均值；
3)设置CAE网络参数，并将数据输入CAE中训练；在CAE中，若干个卷积层、池化...

【专利技术属性】
技术研发人员：王普，张海利，高学金，高慧慧，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11