CN115457307B 一种基于改进残差网络的化工过程故障诊断方法 （淮阴工学院）

一种基于改进残差网络的化工过程故障诊本发明公开了一种基于改进残差网络的化行预处理，对每个样本数据实现多项式特征升pytorch框架搭建新的残差网络模型，从训练集中挑选正常状态及几种故障状态对模型实现训2先通过一层conv1的卷积层对灰度图像进行特征提取，经过最大池化层所述改进的残差单元包括了两个分支，一个分支依次为1×1的卷积步骤1.1：收集田纳西伊斯曼化工过程产生的原始数据，将正常状态下的数据存储在升维，得到新的特征向量其中vi表示经过特征升维后的数据样本的3述改进的残差单元中使用的Inception模块包括了第一个分支为1×1的卷积层并利用批量归一化算法和Relu激第二个分支依次为1×1的卷积层并利用批量归一化算法和Relu激活函数进行处理、3第三个分支依次为1×1的卷积层并利用批量归一化算法和Relu激活函数进行处理、5第四个分支依此包括3×3的最大池化层、1×1的卷积层并利用批述步骤3中Inception模块中使用到的1×1的卷积层的步长均为1；使用到的3×3的卷积层述通道注意力层使用的通道注意力模块的具体方步骤11.1：利用全局平均池化AvgPool对输入尺寸为H×W×C的特征图F进行处理步骤11.2：利用全局最大池化MaxPool对输入尺寸为H×W×C的特征图F进行处理410.根据权利要求8所述的基于改进残差网络的化工过程故障诊断方法，其特征在于，所述空间注意力层使用的空间注意力模块的具体方步骤12.1：利用一个通道维度的平均池化AvgPool对输入尺寸为HxWxC的特征图F'进步骤12.2：利用一个通道维度的最大池化MaxPool对输入尺寸为HxWxC的特征图F'进步骤12.4：利用卷积核尺寸为3x3、步长为1、边5[0003]残差网络是由来自MicrosoftResearch的4位华人学者提出的卷积神经网络，在入做一个非线性变换，而HighwayNetwork则允许保留之前网络层的一定比例的输出。断方法，包括基于分析模型的方法以及基于定性经验知识的方法对TE数据集进行故障检Shiozaki等人也在此类研究的基础上提出了改进的SDG化工过程故障诊断算法。北京化工大学李安峰等人提出了一种化工过程诊断模型SDG建模方法。高东等人提出了一种化工过6有的模型未能实现自动寻找数据中的重要特征并充分挖掘化工过程中产生数据的不同层[0014]先通过一层conv1的卷积层对灰度图像进行特征提取，经过最大池化层pool1对特征进行一轮的筛选，后接4组改进的残差单元，即conv2_x卷积层、conv3_x卷积层、[0016]步骤4：挑选训练中涉及到的几种故障状态对应的测试集数据来对模型效果进行7原始的样本数据是由52个特征组成的特征向量，即其中表示原始数[0023]步骤2.2：将特征升维后的一维特征向量数据[0029]第二个分支依次为1×1的卷积层并利用批量归一化算法和Relu激活函数进行处[0030]第三个分支依次为1×1的卷积层并利用批量归一化算法和Relu激活函数进行处用到的3×3的卷积层的步长为1且边缘填充也为1；使用到的5×5的卷积层的步长为1且边8；[0043]步骤12.1：利用一个通道维度的平均池化Avg[0044]步骤12.2：利用一个通道维度的最大池化Max9形式的修改均落于本申请所附权利要求所限[0062]参见附图1至附图11，本发明公开了一种基于改进残差网络的化工过程故障诊断[0064]步骤1.1：收集田纳西伊斯曼征向量实现升维，得到新的特征向量D=v,⃞,L,v",L,""},其中v"表示经过特征升维[0069]步骤2.2：将特征升维后的一维特征向量数据积层含有4个残差单元，conv4_x卷积层含有6个残差单元，conv5_x卷积层含有3个残差单元，接着跟一个全局平均池化层AvgPool对特征进行又一轮筛选，后面再接两层全连接层依此为1×1的卷积层并用批量归一化算法和Relu激活函数进行处理、深度可分离卷积DSC层并利用批量归一化算法和Relu激活函数进行处理、Inception模块提取不同尺度的特支的结果进行求和后再经过Relu激活填充为1的DepthWise卷积层提取特征图信息，再用卷积核尺寸为1×1、步长为1的层并利用批量归一化算法和Relu激活函数进行处理，第二个分支依次为1×1的卷积层并利用批量归一化算法和Relu激活函数进行处理、3×3的卷积层并利用批量归一化算法和用到的3×3的卷积层的步长为1且边缘填充也为1；使用到的5×5的卷积层的步长为1且边中一个分支保留原始的特征图F，另一个分支包括通道注意力模块来分辨哪个通道的特征。局平均池化AvgPool对输入尺寸为H×W×C的特图的深度，同时，利用全局最大池化MaxPool对输入尺寸为H×W×C的特征图F进行处理Faddc。一个通道维度的平均池化AvgPool对输入尺寸为H×W×C的特征图F’进行处理AvgPool代表接受特征图的宽，C代表接受特征图的深度，同时，利用一个通道维度的最大池化填充为1的卷积层conv_spa对描述Fcon进行处理，得到新的通道描述Fs，即Fs＝conv_spa及交叉熵损失函数实现对模型的优化，其中Ada100轮，交叉熵损失函数的公式为其中，m表示在一次训练中使用的样本数[0084]步骤4：挑选训练中涉及到的几种故障状态对应的测试集数据来对模型效果进行[0085]挑选了正常状态下的化工过程测试数据集G00_te、故障1状态下的化工过程测试数据集G01_te、故障4状态下的化工过程测试数据集G04_te、故障8状态下的测试数据集差网络在不同状态下故障诊断的准确率上限均高于94.7出现异常值的情况较少，证明模型在化工过程数据集上的故障诊断性能较稳定且精度高，故障8和故障12是在不同扰动