面向非线性动态工业过程的慢特征网络监测方法技术

本发明专利技术公开了面向非线性动态工业过程的慢特征网络监测方法。该方法充分考虑了复杂工业过程的线性与非线性、静态与动态特性并存的特点，通过设计一种新的神经网络结构，即慢特征网络来建立过程监测模型。本方法利用线性映射模块提取过程的线性信息，并将其与传统的编码器神经网络得到的信息进行融合，用于同时处理变量间的线性与非线性关系。本方法在优化目标中加入了特征的缓变约束来同时提取动静态信息。同时引入弹性网正则化对特征进行稀疏选择，防止过拟合现象。本方法综合考虑了线性与非线性、动态与静态过程信息，具有很强的可解释性，相比传统的监测方法，提高了监测精度，丰富了监测信息，为过程监测方法的研究指明了新的方向。的方向。的方向。

【技术实现步骤摘要】
面向非线性动态工业过程的慢特征网络监测方法


[0001]本专利技术属于工业过程监测领域，特别是涉及一种考虑工业过程兼具静态与动态特性、过程变量间线性与非线性关系并存的情况，将线性特性纳入非线性神经网络结构，并提取过程动态信息的慢特征网络监测方法。

技术介绍

[0002]随着工业制造水平的提高和经济的飞速发展，现代工业过程规模不断扩大、过程的复杂性不断提升。这种种趋势，在提高制造效率与产品质量的同时，也为生产过程的安全性带来了一定的挑战。庞大的系统，复杂的工作机理，都使得生产过程中发生故障的可能性大大增加，且故障所造成的危害与损失也随之变得更为严重。诸如石油化工、火力发电等大型工业制造过程，一旦出现故障，轻则造成财产损失，重则导致人员伤亡与安全性事故。因此，对于生产过程的运行状态进行精确、细致地监测尤为重要。
[0003]同时，随着物联网、大数据与人工智能技术的进步与普及，数据驱动的过程监测手段也被广泛研究与应用。然而，以主成分分析为代表的传统的过程监测模型均为线性模型，无法有效处理过程变量间的非线性关系，且仅能捕捉过程的静态特性。以慢特征分析为代表的动态过程监测模型虽能同时检测到过程的异常动态行为，但仍然为线性方法。显然，对于线性与非线性关系并存、静态与动态特性兼有的复杂工业过程，应全面地监测其稳态特性与静态特性，并对过程本身的线性与非线性信息进行提取与融合，从而达到提高监测精度与灵敏度，增加监测结果的可靠性与可解释性的目的。

技术实现思路

[0004]本专利技术的目的在于针对现有非线性的动态工业过程的监测技术的不足，提供一种慢特征网络过程监测模型。该方法能自动地提取过程的线性与非线性的动静态信息，捕捉潜在过程特性的变化，反映过程的真实运行状态，区分过程的工况切换、潜在异常和真正的故障，并指明异常或故障发生在过程的线性部分还是非线性部分。本专利技术提高了在线过程监测的可解释性与性能，并可应用于实际工业生产，从而确保生产过程的安全性与生产效率。
[0005]本专利技术的目的是通过以下技术方案来实现的：面向非线性动态工业过程的慢特征网络监测方法，该方法包括以下步骤：
[0006]步骤1：建模数据收集与预处理：收集正常运行状态下的过程数据作为训练数据集，并进行标准化预处理。
[0007]收集正常工况下的原始过程数据矩阵X0，并对其进行减均值除以标准差的标准化，从而得到训练数据X：
[0008][0009]其中mean(X0)和std(X0)分别为原始过程数据X0的均值向量与标准差向量。
[0010]步骤2：搭建慢特征网络模型。
[0011](1)对于输入数据矩阵X中的某个样本x，分别利用可训练的线性映射矩阵W
lin
和多层全连接神经网络组成的编码器E提取线性特征向量f
l
与非线性特征f
n
:
[0012]f
l
＝W
linT
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0013]f
n
＝E(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0014]其中，对于深度为L层的编码器E第l层的输入x
in，l
(为第l-1层的输出x
out,l-1
)与输出x
out,l
的关系为：
[0015][0016]其中W
l
与b
l
均为可训练参数，分别为参数矩阵与偏置向量。
[0017](2)对于得到的线性特征向量f
l
与非线性特征f
n
进行加权融合，得到融合后的特征向量 f，其融合方式为：
[0018]f＝f
n
⊙
T(f
l
,f
n
)+f
l
⊙
[1-T(f
l
,f
n
)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0019]其中[
·
]为拼接操作，W
T
与b
T
为可训练的权重参数，g 为sigmoid函数，即g(x)＝1/(1+e-x
)。此后，需对特征f进行标准化处理，得到标准化后的特征
[0020][0021](3)利用多层全连接网络组成的解码器D将特征向量f映射到与输入数据x相同的维度，得到重构数据
[0022][0023]其中编码器D中每层的传递关系与公式(4)一致。
[0024]步骤3：利用训练数据集训练慢特征网络。
[0025]建立优化目标，同时最小化重构误差与标准化特征的变化速度，此外引入弹性网的思想，加入L1与L2正则化，总体优化目标为：
[0026][0027]其中λ为调节因子，控制了优化目标间的相对重要性，β1和β2为正则化系数。利用随机梯度下降法求解此优化问题，得到网络中各权重参数。
[0028]步骤4：通过训练数据经过慢特征网络提取的特征构建监测统计量以及各统计量的相应控制限。
[0029]根据已训练好的慢特征网络得到的线性与非线性特征及重构结果，建立如下5个统计量：
[0030](1)预测误差平方和(SPE)：
[0031][0032](2)线性静态统计量T
l2
：
[0033][0034]其中和Ω
l
分别为线性特征f
l
的均值和方差。
[0035](3)非线性静态统计量T
n2
：
[0036][0037]其中和Ω
n
分别为线性特征f
n
的均值和方差。
[0038](4)线性动态统计量S
l
：
[0039][0040]其中为第i个线性特征随时间的一阶差分，是的方差。
[0041](5)非线性动态统计量S
n
：
[0042][0043]其中为第i个非线性特征随时间的一阶差分，是的方差。
[0044]对于以上5个监测统计量，利用核密度估计，计算其各自的控制限。
[0045]步骤5：在线监测，根据各个统计量的超限情况分析过程运行状态。
[0046]对于在线监测采集到的新样本，首先对其进行标准化，再利用慢特征网络求取其重构结果与特征，并计算其5个统计量，将其5个统计量与各自的控制限进行比较。统计量超限情况的分析遵循以下两条规则：
[0047](1)若三个静态统计量(T
l2
，T
n2
，SPE)中有至少一个超出控制限，则表明过程的静态工作点产生了偏移；若两个动态统计量(S
l
，S
n
)中有至少一个超过控制限，则表明过程的产生了异常的动态行为，其控制性能发生了改变。
[0048](2)若超出控制限的统计量均为线性统计量(T
...

【技术保护点】

【技术特征摘要】
1.面向非线性动态工业过程的慢特征网络监测方法，其特征在于，该方法包括以下步骤：步骤1：建模数据收集与预处理：收集工厂正常运行状态下的过程数据作为训练数据集，并进行标准化预处理。步骤2：搭建慢特征网络模型；所述慢特征网络模型包括用于提取线性特征的线性映射模块、用于提取非线性特征的编码器、融合线性特征和非线性特征的传递门以及解码融合特征的解码器。步骤3：利用训练数据集训练慢特征网络。步骤4：通过训练数据经过慢特征网络提取的特征构建线性和非线性监测统计量以及各统计量的相应控制限；步骤5：在线监测，根据各个统计量的超限情况分析过程运行状态。2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：收集正常工况下的过程数据，其中，一次采样的过程变量组成一个样本，N次采样得到的样本组成原始过程数据矩阵X0，并对其进行减均值除以标准差的标准化，从而得到训练数据X：其中mean(X0)和std(X0)分别为原始过程数据X0的均值向量与标准差向量。3.根据权利要求1所述的方法，其特征在于，所述步骤2具体为：(1)采用可训练的线性映射矩阵W
lin
作为线性映射模块，同时构建多层全连接神经网络组成编码器E，分别提取线性特征向量f
l
与非线性特征f
n
，对于输入数据矩阵X中的某个样本x:f
l
＝W
linT
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)f
n
＝E(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，对于深度为L层的编码器E第l层的输入x
in，l
与输出x
out,l
的关系为：其中W
l
与b
l
均为可训练参数，分别为参数矩阵与偏置向量。(2)构建融合线性特征和非线性特征的传递门，具体如下：对于得到的线性特征向量f
l
与非线性特征f
n
进行加权融合，得到融合后的特征向量f，其融合方式为：f＝f
n
⊙
T(f
l
,f
n
)+f
l
⊙
[1-T(f
l
,f
n
)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中[
·
]为拼接操作，W
T
与b
T

【专利技术属性】
技术研发人员：赵春晖，宋鹏宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：