一种基于深度学习的间歇过程故障检测方法 .pdfVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN109116834A

(43)申请公布日2019.01.01

(21)申请号CN201811028593.7

(22)申请日2018.09.04

(71)申请人湖州师范学院

地址313000浙江省湖州市二环东路759号

(72)发明人王培良王硕蔡志端徐静云周哲钱懿

(74)专利代理机构杭州宇信知识产权代理事务所(普通合伙)

代理人张宇娟

(51)Int.CI

权利要求说明书说明书幅图

(54)发明名称

一种基于深度学习的间歇过程故障

检测方法

(57)摘要

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。

法律状态

法律状态公告日法律状态信息法律状态

未缴年费专利权终止IPC(主分

类):G05B23/02专利

2022-08-12号:ZL2018110285937申请专利权的终止

日权公告

日

权利要求说明书

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,所有卷积核之间的权值均不共享,得到降维数据;所述的

解码部分,是对降维数据进行重构,并在最后一层设置反卷积层,建立的反卷积层应与

卷积层对称,通过训练使得重构数据和预处理数据之间的误差最小。

5.根据权利要求4所述的方法,其特征在于:所述的高斯混合模型具体如下:经过一维

卷积自动编码器得到N批m维数据x

n

∈R

m

,n=1,2,3,...,N,则高斯混合模型的概率密度函数将由下式表示:

其中K是高斯模型的数目,π

k

是第k类高斯模型的权重,η(x

n

|μ

k

,∑

k

)表示第k类服从均值向量和协方差矩阵分别为μ

k

,∑

k

的高斯模型的密度函数;该模型通过期望最大化算法的不断迭代来自动确定相应