基于VAE-DBN的故障分类方法在化工过程中的应用.pdf

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

内容摘抄：

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。（略）

2基于VAE-DBN的故障诊断模型
2.1变分自动编码器
VAE是一种生成模型，也是一种无监督的特征学习方法，类似传统自编码器的编码和解码过程.VAE对学习的表征空间添加约束，用于约束高维空间的隐变量z满足高斯分布，隐变量z能提取更加抽象有效的特征，实现观测样本x到z的编码过程.VAE形式上和自动编码器类似，但与传统的SAE和DAE不同.VAE的网络结构模型如图1所示，x由z产生，z到x是生成模型p(xz),可认为是自编码器中的解码器，x到z是识别模型，q(zx)类似于自编码器的编码器.根据式。

（略）

3应用案例

3.1特征学习
选取TE过程的9种类型的故障数据作为故障数据集进行学习，每类故障数据均归一化为[0,1]之间的数据，具体的故障类型如表1所示.每种类型的故障数据集均包含480个训练样本和800个测试样本，VAE的参数设置如表2所示

（略）

4结论
用无监督特征学习算法变分自动编码器(VAE)找到故障各自对应的潜在特征，通过t-SNE将其映射到三维空间实现可视化，并选取不同分类器进行对比，得到以下结论：
(1)通过对比潜在空间隐变量的维度，VAE能得到最能反映原始数据特征的隐变量。
(2)田纳西-伊斯曼(TE)应用结果表明，将隐变量空间的潜在特征集合输入到分类器中进行故障分类，比其它分类算法的精度更高，有效提高了故障分类的准确性。

（略）

投稿会员：巧克力布丁