一种基于对抗自编码网络的化工过程故障检测方法

本发明涉及化工过程故障检测与诊断领域，具体涉及一种基于对抗自编码网络的化工过程故障检测方法。

背景技术：

1、随着信息化进程的快速推进，分布式控制系统(dcs)在化学工业中被广泛应用，化工过程变得更加自动化。然而，风险和事故依然存在。故障检测与诊断(fdd)技术作为安全管理的重要手段，给过程安全提供了一定保障。故障检测的目的是确定是否有故障发生，故障诊断的目的是判断发生了哪一种故障，从而帮助操作人员采取相应措施来消除故障。

2、到目前为止，fdd方法大致分为以下三类：基于知识的方法、基于模型的方法和基于数据的方法。现代化工过程具有耦合性、非线性和海量化的特性，因此如何从海量的数据中提取有效的信息，进行精确快速的检测是目前化工故障诊断研究领域亟待解决的问题。由于基于知识的方法和基于模型的方法自身的缺陷，在现代化工中的应用难度较大，而基于数据的方法能够处理大量且复杂的信息，越来越受到专家学者的青睐。

3、基于数据的方法包括传统的机器学习方法和深度学习方法。传统的机器学习方法如主成分分析(pca)，独立成分分析(ica)，支持向量机(svm)等，这些方法常被用于化工故障检测与诊断并取得了一定的成果，但是现代化工过程数据的高维度、非线性和海量化特征，导致这些方法在应用中存在一定的局限性。近年来随着人工智能技术的发展，深度学习方法在许多领域中表现出了比传统机器学习方法更好的性能，在故障诊断领域的应用也越来越广泛，如深度置信网络，卷积网络，循环网络等。venkatasubramanian等首次提出将bp网络应用于化工过程故障诊断，借助于流化催化裂化过程的炼油厂案例研究证明了这种方法的潜力；江升等人将长短期记忆神经网络(lstm)应用于te过程故障诊断，利用lstm网络对信息在时间维度上的动态自适应学习，得到了相比于传统机器学习方法更好的诊断结果；wu等人利用卷积神经网络对te过程进行故障诊断，验证了卷积网络在故障诊断中具有良好的性能。上述方法均为监督学习方法，通过有标签的样本数据训练网络模型。而在实际工业中，故障样本十分稀有，少量的故障样本不足以支持深度学习。而且现实中故障是不可预见的，故障类型是无法枚举的，这进一步降低了监督学习在故障诊断中的稳定性和扩展性。hinton最先在2006年提出自动编码器(ae),其主要思想是将高维数据通过编码网络层缩放到一个低维的隐藏层，再通过解码网络将低维数据重构回原始数据。目前ae及其改进方法在图像检测领域表现出强大的能力，然而此类学习算法在化工过程故障诊断中的报道较少。对抗自编码网络(aae)是将输入数据从高维空间映射到低维空间，再从特征空间重构输入数据，与ae不同的是aae通过一个判别器来保证特征空间的有效分布，使特征空间满足我们所期望的分布，生成更加逼真的样本。

技术实现思路

1、为了解决以上现有技术的缺点和不足之处，本发明的目的在于提供一种基于对抗生成网络的化工过程故障检测方法。

2、本发明至少通过如下技术方案之一实现。

3、一种基于对抗自编码网络的化工过程故障检测方法，包括以下步骤：

4、步骤一、采集化工过程的原始数据及预处理；

5、步骤二、构建及训练对抗自编码网络；

6、步骤三、将训练好的网络模型进行在线监测。

7、进一步地，所述预处理包括步骤如下：

8、(1)用小波阈值降噪方法对原始数据降噪；

9、(2)对降噪后的数据进行标准化；

10、(3)对标准化后的数据做切片，形式是二维矩阵。

11、进一步地，用小波阈值降噪方法对原始数据降噪包括：根据观测信号的特征确定合适的分解层数将观测信号分解，采用信噪比作为评价指标，信噪比值高表示降噪效果越好，计算公式如下：

12、

13、其中n表示信号长度，f(n)表示原始信号，f′(n)表示降噪后信号；

14、选择基小波和分解层数后进行小波多尺度分解，根据式(2)计算每层的小波系数；

15、

16、其中式中w(a,b)为小波系数，a表示分解层数，b表示位置，ψ表示小波函数；

17、计算小波降噪阈值λ：

18、

19、其中σ信号中的噪声标准差，将各层分解的小波系数绝对值与小波降噪阈值进行比较，当小于小波降噪阈值时视为噪声信号，把小波系数取0，大于或等于阈值时，小波系数保持不变。

20、进一步地，对于具有时序关系的化工过程信号常采用daubechies(db)小波。

21、进一步地，对降噪后的数据进行标准化包括：

22、设训练数据集xtrain有n个样本，每个样本有m个变量，则标准化运算如下：

23、

24、

25、

26、其中xij表示第i个样本的第j个变量的值，xmean,j表示第j个变量的平均值，xstd,j表示第j个变量的标准差,xnormal,ij表示正常样本第i个样本的第j个变量的值。

27、进一步地，对抗自编码网络包括生成网络，其中生成网络包括编码器和解码器。

28、进一步地，编码器和解码器分别通过卷积层和反卷积层以卷积和反卷积的形式进行特征学习，将训练数据集xtrain输入生成网络，当输入矩阵形式的数据时，卷积层的每个神经元相当于一个滤镜对输入数据进行扫描，通过局部视野的方式对信息进行过滤和抽象，反卷积层对抽象到的特征进行还原，生成重构数据，用于判断输入样本是否为正常样本；判别网络为全连接网络结构，在学习阶段随机生成高斯向量作为真实样本，标记为1，将编码器生成的特征矩阵展平成一维向量作为虚假样本，标记为0；以判别网络和生成网络相互对抗的方式进行特征学习，选择验证数据集xval上效果最优的模型作为最终模型，用于在线监测。

29、进一步地，生成网络的训练包括步骤如下：

30、编码器和解码器以卷积和反卷积的形式进行特征学习，设有m个特征图作为输入和k个卷积核，根据下式计算输出特征图：

31、

32、其中表示第l个卷积层的第j个输出特征图，表示第l-1层的第j个特征图，表示与第l层相连接的第j个卷积核，每个卷积核对应一个输出特征图，表示第l层的第j个卷积核对应的偏置项，f表示激活函数，*表示卷积运算；在进行卷积运算并加上相应的偏置项向后，采用relu函数计算输出特征图，最后放缩到两个矩阵，均值矩阵μ和方差矩阵∑，根据下式计算得到特征矩阵用于记录提取到的主要特征信息z，其中ε为随机噪声：

33、z＝μ+exp(∑)*ε  (8)。

34、进一步地，判别网络根据均方误差损失进行梯度训练，其中真实样本误差err_d1和虚假样本误差err_d2各占判别器损失函数值的50％；最后由解码器作反卷积操作重构得到生成数据，根据均方误差损失函数计算生成数据与输入数据的误差err_g1，最终生成网络的损失值err_g2＝err_g1+err_d2。

35、进一步地，在线检测包括步骤如下：

36、设样本总数为t，制限的划定方式如下：

37、

38、

39、f(true)＝1,f(false)＝0  (11)

40、其中xi、分别为输入数据、重构数据，threshold95％、threshold99％分别是95％控制限、99％控制限，mse为均方误差，f为判别函数，根据控制限的大小，将大于控制限的数据标记为故障，否则为正常。

41、本发明与现有技术相比，具有如下优点和有益效果：

42、(1)本发明针对化工过程故障样本稀缺且种类复杂的特征，利用生成网络的方式进行特征提取，只需提供正常工况数据即可完成检测任务，具有较好的成本优势。

43、(2)本发明利用小波降噪，时间切片等方法对数据进行处理，减少外界因素的影响，避免时间跨度过大导致学习困难的问题。

44、(3)本发明采用对抗网络对特征空间进行限制，使特征向量趋于高斯分布，从而保证模型所提取特征的有效性，提高了特征学习的效率，同时也提高了故障的检测效率。