一种基于CPSAMLP的工业过程微小故障分类方法技术

一种基于CPSAMLP的工业过程微小故障分类方法，涉及一种工业过程故障诊断方法，该方法针对多层感知机(Multilayer Perceptron,MLP)用于过程故障诊断时，没有考虑数据的局部和动态特征、以及对微小故障不敏感的情况，提出一种中心聚合自注意力多层感知机微小故障诊断方法。在数据与处理中采用滑动窗口在时间维度和空间维度滑动,增强数据的时序相关性和空间相关性，加入自注意力机制增强局部相关信息的提取，采用交叉熵损失和中心损失联合训练神经网络，提升模型对微小故障的识别能力。在田纳西伊士曼(TE)过程数据集进行仿真验证，并与MLP、SAMLP方法进行对比，CPSAMLP故障诊断效果更优，准验证了所提方法的有效性。

【技术实现步骤摘要】

本专利技术涉及一种工业过程故障诊断方法，特别是涉及一种基于cpsamlp的工业过程微小故障分类方法。

技术介绍

1、随着科学技术与生产技术不断发展，工业过程越来越复杂，在工业生产过程中，各种高维复杂的故障数据被记录储存，对数据进行分析，挖掘有效信息，利用故障数据进行故障分类能够避免严重安全事故的发生，保证产品的质量，是众多学者共同关注的课题。

2、在复杂的工业过程当中，各部分联系更加紧密，往往某些微小故障就引发连锁反应，造成重大事故。一般将幅值变化缓慢，特征不明显，容易受噪声影响，难以识别的故障称为微小故障。微小故障，由于幅值变化缓慢，特征不明显，往往难以识别。

3、针对mlp方法，目前由woa优化mlp的故障诊断方法解决了神经网络训练陷入局部最优，诊断精度低的问题。但是该方法没有考虑故障数据的动态特性。多特征融合的mlp故障诊断模型，利用多层感知器处理非线性数据的优势，有效地提升了故障诊断效果。然而故障数据各个变量之间具有局部的相关性，上述方法忽略了这一特点。

4、还有一种基于小波变换的mlp神经网络方法并结合支持向量本文档来自技高网...

【技术保护点】

1.一种基于CPSAMLP的工业过程微小故障分类方法，其特征在于，所述方法采用滑动窗口在时间维度和空间维度滑动,增强数据的时序相关性和空间相关性，将自注意力机制引入MLP模型增强局部相关信息的提取，同时使用Swish激活函数提取数据的非线性特征；采用交叉熵损失和中心损失联合训练神经网络，使特征信息向中心聚合，提升模型对微小故障的分类能力,在田纳西伊士曼(TE)过程所提方法的有效性；

2.根据权利要求1所述的一种基于CPSAMLP的工业过程微小故障分类方法，其特征在于，所述收集历史数据使用滑动窗技术对数据进行增强处理，X＝{xi|xi∈Rm*1,i＝1,2,3,...,n}经过...

【技术特征摘要】

1.一种基于cpsamlp的工业过程微小故障分类方法，其特征在于，所述方法采用滑动窗口在时间维度和空间维度滑动,增强数据的时序相关性和空间相关性，将自注意力机制引入mlp模型增强局部相关信息的提取，同时使用swish激活函数提取数据的非线性特征；采用交叉熵损失和中心损失联合训练神经网络，使特征信息向中心聚合，提升模型对微小故障的分类能力,在田纳西伊士曼(te)过程所提方法的有效性；

2.根据权利要求1所述的一种基于cpsamlp的工业过程微小故障分类方法，其特征在于，所述收集历史数据使用滑动窗技术对数据进行增强处理，x＝{xi|xi∈rm*1,i＝1,2,3,...,n}经过动态滑动窗口采样，l为滑动窗口宽度，得到新的样本集z＝{xi，xi+1，...，xi+l-1}n为样本数量...

【专利技术属性】
技术研发人员：郭小萍，霍冠男，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：