第18卷第3期 2018年6月
过程与工艺 ag
过程工程学报
The Chinese Journal of Process Engineering
Vol.18 No.3 June2018
DOI: 10.12034/j.issn.1009-606X.217345
基于VAE-DBN的故障分类方法在化工过程中的应用
张祥，崔哲，董玉玺，
田文德
（青岛科技大学化工学院，山东青岛266042)
摘要：针对化工过程高维数据的故障特征难以提取的难题，提出变分自动编码器(VAE)结合深度置信网络(DBN)的混合故障诊断方法。在VAE的编码部分对隐变量空间Z添加约束，通过重参数化方法进行反向传播训练，可无监督地学习不同故障对应的隐变量特征，其作为DBN分类模型的输入特征训练网络，输入测试集进行故障诊断.田纳西伊斯曼流程(TE)应用结果表明，VAE 能提取原始数据更加抽象有效的特征，VAE-DBN分类准确
关键词：变分自动编码器：深度置信网络：故障诊断：特征提取
中图分类号：TQ018;TP18;TP277
文献标识码：A
文章编号：1009606X(2018)03-059005
ApplicationofFaultClassificationMethodBasedonVAE-DBNinChemicalProcess
Xiang ZHANG, Zhe CUI, Yuxi DONG, Wende TIAN*
(College of Chemical Engineering, Qingdao University of Science & Technology, Qingdao, Shandong 266042, China)
Abstract: To extract the fault feature from a large quantity of high-dimensional data, a variational auto-encoder (VAE) and deep belief network (DBN) combined fault diagnosis method was proposed for chemical process. In the encoding process of VAE, constraints were added to the latent variable space Z, and the backward propagation training was carried out by the re-parameterization method. The latent variables corresponding to different faults could be learned without supervision, Subsequently, the latent variable features learned by VAE were used as input features of the DBN classification model to diagnose the faults. The results showed that VAE could extract more
abstract and effective features from the original data, and VAEDBN had excellent performance in classification accuracy. Key words: variational auto-encoder; deep belief network; fault diagnosis; feature extraction
1前言
特征提取是决定故障诊断准确性和效率的关键步骤.化工装置系统作为一种复杂的非线性动态系统，组成关系与行为复杂.化工过程产生的多变量故障特征并非每个均能对故障诊断产生相同贡献。与传统的建立机理模型的故障诊断方法(1-3)不同，机器学习方法被用于对高维数据降维以提取数据特征将原高维空间中的数据点映射到低维度空间中，寻找数据内部的本质结构特征的方法有经典的主元分析(PrincipalComponent Analysis，PCA)、独立成分分析(IndependentComponent CorrelationAlgorithm,ICA)、局部线性嵌入算法(Locally
Linear
Embedding，LLE）、多维标度分析
(Multidimensional Scaling，MDS)、t-分布邻域嵌入算法收稿日期：2017-09-29，修回日期：201711-24
基金项目：国家自热科学基金资助项目(编号：21576143)
(t-distributed Stochastic Neighbor Embedding, t-SNE)等14-10), 这些方法仍然存在一些限制.PCA仅限于线性数据， LLE等非线性方法学习不到数据本质特征，探索提取故障数据特征的新方法非常有必要
传统的数据挖掘可通过交互信息和相关系数等特征工程进行数据特征提取和抽取.深度学习通过网络的权值捕捉外界输入模式特征，并通过网络连接方式组合这些特征提取更高层的特征，用此方法逐级从大量输入数据中学习到对输入模式有效的特征，再将其用于分类、回归和信息检索，
深度学习中自编码器是非常有用的一种无监督学习模型，自编码器由编码器和解码器组成，前者将原始数据编码成隐层表示，将数据投射到低维的隐变量空间提取数据的抽象特征；后者将隐层表示解码成原始表示，
作者简介：张样(1992-)，男，山东省济宁市人，硕士研究生，化学工程与技术专业；田文德，通讯联系人，E-mail:tianwd@qusLedu.cn. 0
Zhang X, Cui Z, Dong Y X, et al. Application of Fault Classification Method Based on VAEDBN in Chemical Process (in Chinese) Chin.J.Process Eng.,2018, 18(3): 590594,DOI: 10.12034/j.issn.1009-606X.217345
万方数据