(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111348802.8 (22)申请日 2021.11.15 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 宋执环　钱金传　文成林　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 贾玉霞 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (54)发明名称 一种基于混合序列网络进行一段炉过程监 测的方法 (57)摘要 本发明公开一种基于混合序列网络进行一 段炉过程监测的方法， 网络结构包括编码器， 模 态识别网络和解码器三部分， 编码器由一组RNN 组成， 其最后一个隐层输出经过解码器对序列最 后一个时刻的样本进行重构。 解码器由多个子解 码器部分组成， 并且通过模态识别网络输出的权 重， 加权得到最终的重构值。 网络参数通过加权 重构误差来进行训练， 并且在损失函数中加入针 对权重的信息熵， 以得到更准确的模态识别效 果， 同时防止网络向单一模态坍缩。 最后， 基于所 设计的神经网络模型， 构建了加权平方预测误差 来指示过程中是否发生故障， 并且通过贡献度对 故障变量进行识别。 本发明的方法能够准确地对 一段炉进行过程监测， 故障检测和识别准确率 高。 权利要求书2页 说明书6页 附图1页 CN 114021469 A 2022.02.08 CN 114021469 A 1.一种基于混合序列网络进行一段炉过程监测的方法， 其特征在于， 该方法包括如下 步骤： S1： 构建基于混合序列网络的过程 监测模型， 用于对一段炉过程进行 特征挖掘； 所述过程监测模型包括编码器、 模态识别 网络和解码器三部分； 其中编码器为RNN， 用 于挖掘过程中的动态特征； 模态识别网络接在编码器最后一个时刻的隐层输出后， 经过一 个隐层后， 通过一个softmax层输出一组权重， 用于指示当前序列样本所属的模态； 解码器 也接在编码器最后一个时刻的隐层输出后， 用于重构输入序列中最后一个时刻的样本； 所 述解码器由多个单层神经网络组成， 通过模态识别网络输出 的权重， 对每个神经网络输出 进行加权求和后得到最终的重构值； S2： 收集一段炉过程正常工况下的的过程数据， 构 建数据集， 同时设置序列长度L， 对数 据集进行序列化， 将所得到的序列数据集作为用于模型训练的训练数据集X； 其中， 第n个输 入序列为 S3： 将训练数据集X输入基于混合序列网络的过程监测模型中， 进行前向传播， 得到重 构值， 并通过迭代的方法最小化损失函数， 直到模 型参数收敛或者达到最大迭代次数， 得到 训练好的过程 监测模型； S4： 利用训练数据计算检测指标WS PE， 利用核密度估计方法计算控制限co nwspe； S5： 利用一段炉在线检测 样本x与前L ‑1个时刻的样本构 建出所需长度 L的输入序列， 代 入S4中训练好的过程监测模型， 得到x的解码器的重构输出以及模态识别网络的输出p＝ [p1 p2…pK]； 将第i个子解码器的重构输出记为 S6： 利用在线样本和其重构输出计算检测指标WSPEo， 并将该检测指标与控制限conwspe 进行比较， 当WSPEo≤conwspe时， 该在线样本为正常样本； 当WSPEo＞conwspe， 则认为当前样本 为故障样本， 将该故障样本进一步进行故障识别； 设在线样本为x＝[x1 x2…xm]， 带入模型 后的第i个解码器的重构值为 第j个变量的贡献度指标计算方法如 下： S7： 根据需要将贡献度较高的变量视为故障变量。 2.根据权利要求1所述的基于混合序列网络进行一段炉 过程监测的方法， 其特征在于， 所述S3通过如下的子步骤来实现： (1)将Xn带入S1构建的过程 监测模型， Xn前向传播过程， 得到RN N的隐层输出 其中， 其中Ue表示将输入映射到RNN的隐层特征的权重， m为输入样本的变量 个数； We表示将RNN中t ‑1时刻的隐层输出映射到RNN中t时刻的隐层输出的权重， he为RNN隐层的节点数； 和 分别代表t时刻和t ‑1时刻的隐层输出， 代表 的是t时刻的输入样本， f(*)代 表RNN中的非线性激活函数； (2)Xn经过L次前向映射， 得到特征输出 RNN的特征输出经过模态识别网络的前权　利　要　求　书 1/2 页 2 CN 114021469 A 2向映射， 得到 记为 K 为解码器个数； 其中， hm为模态识别网络隐层的节 点数； Wm、 bm分别表示将输入映射到模态识 别网络的隐层特征的权重和偏置， Wp、 bp分别表示将模态识别网络的 隐层特征映射到模态 识别网络的输出的权 重和偏置， (3)RNN的特征输出经过第i个解码器的前向映射， 得到 其 中， σ(*)为非线性激活函数； 分别表示将输入映射到第i个解码器的隐层特征的权 重和偏置， 分别表示将第i个解码器的隐层特征映射到第i 个解码器的输出的权 重和偏置， hd为解码器网络隐层的节点数； 训练过程中， 损失函数定义 为下式： 其中， N为用于训练模型的序列数量， α和β 为可以调节的超参数， 和Lentr2为通过模 态识别网络输出得到的信息熵， 用于得到更加 准确的模态识别精度， 同时防止模型在训练 过程中向单一模态坍缩， 落入局部最优解， 计算方法如下面各式所示： 3.根据权利要求1所述的基于混合序列网络进行一段炉 过程监测的方法， 其特征在于， 所述S4检测指标WS PE的计算方式如下： 所述S5中的检测指标WS PEo 4.根据权利要求1所述的基于混合序列网络进行一段炉 过程监测的方法， 其特征在于， 所述S3中通过梯度下降法最小化损失函数。权　利　要　求　书 2/2 页 3 CN 114021469 A 3