CN113723649A - 基于半监督模型的化工工艺异常监控方法及模型优化方法 - Google Patents
基于半监督模型的化工工艺异常监控方法及模型优化方法 Download PDFInfo
- Publication number
- CN113723649A CN113723649A CN202010450943.XA CN202010450943A CN113723649A CN 113723649 A CN113723649 A CN 113723649A CN 202010450943 A CN202010450943 A CN 202010450943A CN 113723649 A CN113723649 A CN 113723649A
- Authority
- CN
- China
- Prior art keywords
- semi
- loss
- supervised model
- noise
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 55
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000003889 chemical engineering Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 4
- 239000005977 Ethylene Substances 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000004099 Chlortetracycline Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种基于半监督模型的化工工艺异常监控方法及模型优化方法,属于化学工程技术领域。所述优化方法包括:确定所述第一初始半监督模型的损失值,所述损失值由损失函数得到;将第一初始半监督模型的损失值与损失预设值进行比较;根据损失值与损失预设值的比较结果,调整隐含层的层数,以确定满足所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围;以及基于从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。通过上述技术方案,得到的优化后的半监督模型,不会出现数据欠拟合或者过拟合导致的半监督模型的损失值较高的情况,还能够适用于有标签数据少的化工工艺中。
Description
技术领域
本发明涉及化学工程技术领域,具体地涉及一种基于半监督模型的化工工艺异常监控方法及模型优化方法。
背景技术
化工装置在运行过程中,受到原料进料量、原料性质变化、仪表故障或者操作不及时等扰动,会导致工艺异常。
发明人经调研发现,现有的对化工装置对异常工况的识别和预警手段还停留在以自动化仪表检测数据位基础,依靠人工经验来分析处置的水平。
然而化工装置的异常工况具有隐蔽性强和关联因素多的特点,这使得人工监测方式很难快速和准确的发现异常,容易造成误判断或者误操作,轻则引起产品质量或产量下降,重则影响生产操作安全,造成生产波动和非计划停车,甚至会酿成严重事故。
由于化工装置使连续化生产过程,在实际生产中,各工艺变量基本都围绕其设定值上下浮动,产生异常波动的时间窗不多,且局部异常波动时涉及的变量数也不太多。因此,对于化工过程的工艺操作类异常工况来说,数据的标注费成本昂贵,构建大规模且标注良好的数据集非常困难。此外,由于很多异常特征不明显,在有标签工艺数据较少的情况下,传统的深度学习方法容易出现网络过拟合从而导致检测精度大幅下降,这限制了传统的深度学习网络在过程故障诊断领域的发展和应用。
发明内容
本发明实施例的目的是提供一种基于半监督模型的化工工艺异常监控方法及模型优化方法,通过该方法能够为化工工艺提供优质的半监督模型,用于解决工业现场的有标签样本数据少,无标签样本数据多时的工艺异常识别问题。
为了实现上述目的,本发明实施例提供一种用于化工工艺异常识别的半监督模型的优化方法,第一初始半监督模型由第一训练集训练获得,所述第一训练集为所述化工工艺的工段的工况数据,具有构成初始预设比例的有标签数据和无标签数据,所述优化方法包括:确定所述第一初始半监督模型的损失值,所述损失值由损失函数得到;将所述第一初始半监督模型的损失值与损失预设值进行比较;根据所述损失值与所述损失预设值的比较结果,调整隐含层的层数,以确定满足所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围;以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
可选的,所述优化方法还包括通过以下方式确定所述隐含层的层数范围:根据以下步骤确定下限层数:确定第一层数对应的半监督模型的第一损失值;在所述第一损失值大于所述损失预设值时,将所述第一层数调整至第一预设倍数后取整作为新的第一层数以建立新的第一半监督模型;以及重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的隐含层的下限层数;根据以下步骤确定上限层数:确定第二层数对应的半监督模型的第二损失值,所述第二层数大于所述第一层数;在所述第二损失值大于所述损失预设值时,将所述第二层数调整至第二预设倍数后取整作为新的第二层数以建立新的第二半监督模型;以及重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的隐含层的上限层数;以及将所述上限层数作为所述隐含层的层数范围的上限值,将所述下限层数作为所述隐含层的层数范围的下限值。
可选的,在确定所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围后,所述优化方法还包括针对所述隐含层的层数范围内选定的隐含层的层数执行以下步骤:选定初始噪声,以确定第二初始半监督模型;将所述第二初始半监督模型的损失值与所述损失预设值进行比较;根据所述损失值与所述损失预设值的比较结果,调整所述噪声,以确定满足所述损失值小于所述损失预设值的半监督模型对应的噪声范围;以及以从所述隐含层的层数范围中选定的隐含层的层数和从所述噪声范围中选定的噪声建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
可选的,针对所述隐含层的层数范围内选定的隐含层的层数,所述优化方法还包括通过以下方式确定所述噪声范围:确定第一噪声对应的半监督模型的第三损失值;在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及重复上述操作,确定损失值小于所述损失预设值的半监督模型对应的噪声范围。
可选的,所述优化方法还包括通过以下方式确定所述噪声的范围:根据以下步骤确定下限噪声:确定所述第一噪声对应的半监督模型的第三损失值;在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的下限噪声;根据以下步骤确定上限噪声:确定第二噪声对应的半监督模型的第四损失值,所述第一噪声小于所述第二噪声;在所述第四损失值大于所述损失预设值时,将所述第二噪声调整至第四预设倍数后作为新的第二噪声以建立新的第四半监督模型;重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的上限噪声;以及将所述上限噪声作为所述噪声范围的上限值,将所述下限噪声作为所述噪声范围的下限值。
可选的,在确定所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围和噪声范围后,所述优化方法还包括针对所述隐含层的层数范围内选定的隐含层的层数和所述噪声范围内选定的噪声执行以下步骤:将所述第一训练集内的预设数量的有标签数据转化成无标签数据,使得有标签数据与无标签数据的比例降低至第二预设比例,从而形成第二训练集;根据所述第二训练集、所述选定的隐含层的层数和所述选定的噪声,建立第三初始半监督模型;将所述第三初始半监督模型的损失值与所述损失预设值进行比较;以及所述第三初始半监督模型的损失值小于所述损失预设值,则重复上述操作,直到确定出损失值小于所述损失预设值的半监督模型对应的训练集内的有标签数据与无标签数据的最小比例范围。
可选的,所述训练集内有标签数据为N个,无标签数据为M个,通过以下方式确定半监督模型的损失函数:对N个有标签数据进行有监督训练,得到有监督误差损失函数C1;对M个无标签数据进行无监督训练,得到无监督误差损失函数C2;以及根据所述有监督误差损失函数C1和所述无监督误差损失函数C2确定损失函数C。
可选的,所述工况为正常工况、再沸器加热蒸汽供应暂时中断、精馏塔塔釜液位调节器故障、进料组成发生变化或系统仪表风暂时中断。
相应的,本发明实施例还提供了一种基于半监督模型的化工工艺异常监控方法,所述异常监控方法包括:采集有关所述化工工艺的工段的工况的当前数据;以及将所述当前数据作为优化后的半监督模型的输入,以根据所述优化后的半监督模型输出的结果识别所述当前数据是否出现异常,其中,所述优化后的半监督模型为采用如上所述的用于化工工艺异常识别的半监督模型的优化方法优化后得到。
可选的,所述异常监控方法还包括通过以下设备中的一者或多者实现所述当前数据的采集:DCS系统、PLC系统、仪表电信号采集系统、可燃气体检测系统和视频监控系统。
可选的,所述异常监控方法还包括:存储有关所述工况的数据和所述半监督模型输出的结果。
可选的,所述异常监控方法还包括:显示所述半监督模型输出的识别结果。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述中任一项所述的用于化工工艺异常识别的半监督模型的优化方法;和/或本申请上述中任一项所述的基于半监督模型的化工工艺异常监控方法。
通过上述技术方案,提出了合理的对隐含层的层数进行调整,以实现对半监督模型的快速优化,优化后的半监督模型不会出现数据欠拟合或者过拟合导致的半监督模型的损失值较高的情况,还能够适用于有标签数据少的化工工艺异常识别中。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的用于化工工艺异常识别的半监督模型的优化方法的流程示意图;
图2是本发明实施例提供的用于确定噪声范围的方法的流程示意图;
图3是本发明实施例提供的用于确定训练集比例的方法的流程示意图;
图4是本发明实施例提供的用于化工工艺异常识别的半监督模型的优化方法的原理的流程示意图;
图5是对工况3的识别准确率的示意图;
图6是对工况4的识别准确率的示意图;
图7是不同比例标签样本数据下,模型二对工况3的识别准确率的示意图;
图8是本发明实施例提供的基于半监督模型的化工工艺异常监控方法的流程示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
由于通过传统的深度学习方法建立的模型并不适用于化工装置和化工工艺异常识别的场景中,所以选用将通过半监督学习方法获得的半监督模型应用在该场景中,在具有大量的无标签数据时,也能够得到准确度较高的输出结果。考虑到半监督模型的准确度越高,其对化工工艺的异常识别结果的可靠性越高,而半监督模型的准确度受多种参数影响,因此本发明实施例提供了一种用于化工工艺异常识别的半监督模型的优化方法。
在采用本发明实施例提供的优化方法之前,需要利用已有数据预先建立一个第一初始半监督模型,在所述第一初始半监督模型的基础上对其进行优化。其中,所述第一初始半监督模型是由具有构成初始预设比例的有标签数据和无标签数据的第一训练集训练获得,所述训练集内的数据可以通过实际工段的工况数据,也可以是仿真工段实验的工况数据,所述工况数据不仅可以为异常工况数据,还可以为正常工况数据。
示例性的,所述工况数据可以为正常工况、再沸器E-702加热蒸汽供应暂时中断、精馏塔C-701塔釜液位调节器故障、料组成发生变化(C4含量升高)或者系统仪表风暂时中断等工况的数据,并且根据化工工艺的不同,所涉及到的工况及工况的数据也是不同的。
实施例一
图1是本发明实施例提供的用于化工工艺异常识别的半监督模型的优化方法的流程示意图。如图1所示,本发明实施例提供了一种用于化工工艺异常识别的半监督模型的优化方法,所述优化方法包括步骤S110和S140。
在步骤S110,确定第一初始半监督模型的损失值。
对于半监督模型来说,其损失值是由损失函数和测试集数据共同确定的。
半监督模型是由经过对训练集中的有标签数据进行有监督训练以及对训练集中的无标签数据进行无监督训练获得的,因此可以分别确定有监督误差损失函数和无监督误差损失函数,并根据所述有监督误差损失函数和无监督误差损失函数确定半监督模型的损失函数。
例如,训练集内有标签的数据为N个,无标签数据为M个,且N<<M,将有监督误差损失函数记为C1,无监督误差损失函数记为C2,那么可以通过以下公式确定总的损失函数C:该公式仅具有示例的作用,在应用过程中,本领域技术人员可以根据实际需求自行选定损失函数以确定相应的损失值。
为了能够更加直观的体现出对半监督模型的优化,在进行优化过程中,优选采用相同的测试集来确定后续的每一个半监督模型的损失值。例如,通过所述测试集,可以分别确定有监督模型对应的损失值和无监督模型对应的损失值,再根据相应的损失函数确定总的损失值。本说明书中后面指出的损失值均为半监督模型的整体损失值。
在步骤S120,将第一初始半监督模型的损失值与损失预设值进行比较。
其中,损失预设值即为损失期望值,可以根据实际需求自行设置。例如根据损失函数和测试集数据的不同,可以将损失预设值设置为一个百分数或者具体数值。
在步骤S130,根据所述损失值与所述损失预设值的比较结果,调整隐含层的层数,以确定满足所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围。
在调整隐含层的层数时,应当注意将隐含层的层数调整至合适的范围。当隐含层的层数过小时,会导致半监督模型的处理能力较弱,如果隐含层的层数过大,会使得数据过拟合,导致半监督模型输出的结果不够可靠。
在此基础上,本发明实施例提供了一种能够快速确定满足需求的隐含层的层数范围的方法,所述方法可以先建立两个半监督模型并同时根据各自的输出结果来调整隐含层的层数,也可以先后两个半监督模型并分别根据各自的输出结果来调整隐含层的层数。
现以确定隐含层的层数范围中的下限层数为例进行解释:先预设第一层数,并根据所述第一层数构建一个半监督模型,确定所述第一层数对应的半监督模型的第一损失值(所述损失值的确定方法可以与在步骤S102中的确定方法相同);将第一损失值与损失预设值进行比较;在第一损失值大于损失预设值时,认定当前层数构建的半监督模型的准确度不够可靠,因此需要将第一层数调整至第一预设倍数后取整,将取整后得到的层数值作为新的第一层数以建立新的第一半监督模型;重复上述有关确定损失值、损失值比较以及调整隐含层的层数等步骤,直至得到损失值小于损失预设值的半监督为止,并将该半监督模型对应的层数作为隐含层的下限层数。
确定隐含层的层数范围中的上限层数与上述确定隐含层的层数范围中的下限层数的方法类似:先预设第二层数,并根据所述第二层数构建一个半监督模型,确定所述第二层数对应的半监督模型的第二损失值;将第一损失值与损失预设值进行比较;在第二损失值大于损失预设值时,认定当前层数构建的半监督模型的准确度不够可靠,因此需要将第二层数调整至第二预设倍数后取整,将取整后得到的层数值作为新的第二层数以建立新的第二半监督模型;重复上述有关确定损失值、损失值比较以及调整隐含层的层数等步骤,直至得到损失值小于损失预设值的半监督为止,并将该半监督模型对应的层数作为隐含层的上限层数。
可选的,所述第一层数以及第二层数的调整方式可以是任意的,在调整层数时还可以根据实际的化工工艺的工段的复杂度进行合理调整,例如复杂度越高,则第一层数以及第二层数的选取越大,第一预设倍数和第二预设倍数也可以相应的增大。
一般情况下,为了能够快速确定隐含层的层数范围,需要选取一个较小的第一层数和一个较大的第二层数进行调整。
可选的,在所述第一预设倍数为整数的情况下,在将第一层数调整至第一预设倍数后可以不必取整,对于第二层数和第二预设倍数也是如此。
可选的,在所述第一预设倍数及第二预设倍数不为正数的情况下,可以根据实际需求将调整预设倍数后的数字进行合理求整。例如,可以将第一层数调整至第一预设倍数后取下整数作为新的第一层数,将第二层数调整至第二预设倍数后取上整数作为新的第二层数。
在步骤S140,以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
在确定了隐含层的下限层数和上限层数后,处于所述下限层数和上限层数之间的层数对应的半监督模型的损失值都是满足所述预设损失值的,可以直接从由所述下限层数和上限层数构成的隐含层的层数范围内选取合适的层数构建用于化工工艺异常识别的半监督模型,以完成对半监督模型的优化。
本发明实施例提供的技术方案,提出了合理的对隐含层的层数进行调整,以实现对半监督模型的快速优化,不会出现数据欠拟合或者过拟合导致的半监督模型的损失值较高的情况。
实施例二
在已经确定了半监督模型的合理的隐含层的层数范围之后,可以针对所述半监督模型增设噪声,以进一步提高所述半监督模型对输入数据的识别准确度。
考虑到在增设不同的噪声时,会使得损失值已小于预设损失值的半监督模型输出的数据重新出现欠拟合现象或者过拟合现象,导致增设噪声后的半监督模型的损失值不再小于所述预设损失值,本发明实施例还出了一种针对已经确定了可选的隐含层的层数范围的半监督模型的噪声调整方法,所述方法能够针对每一个满足条件的隐含层的层数都能够确定一个噪声范围。
现结合图2,并以一个已选定层数的半监督模型为例解释本发明实施例提供的用于确定噪声范围的方法。如图2所示,所述方法包括步骤S210至S240。
在步骤S210,选定初始噪声,以确定第二初始半监督模型。
在建立第二初始半监督模型时,所述初始噪声可以先选择一个较小的数值,如0.1,以便于后续能够快速的确定满足要求的噪声范围。
在步骤S220,将所述第二初始半监督模型的损失值与损失预设值进行比较。
其中,用于确定所述第二初始半监督模型的损失值的损失函数可以与上述有关隐含层的层数范围确定过程中所需要的损失函数一致,也可以采用除其以外的其他损失函数确定损失值,所述损失函数的具体选定,可以根据实际需要自行选择。
在步骤S230,根据所述损失值与所述损失预设值的比较结果,调整所述噪声,以确定满足所述损失值小于所述损失预设值的半监督模型对应的噪声范围。
例如,如果噪声较小,且损失值大于损失预设值,可以增大所述噪声,并确定增大后的噪声对应的半监督模型的损失值,如果噪声较大,且损失值大于损失预设值,可以减少所述噪声。
其中,根据损失值与损失预设值的比较结果调整噪声的方法可以是任意的,例如可以按照倍数调整噪声,还可以在每次调整噪声时都增加预设值等。
例如,针对已选定隐含层的层数的半监督模型,可以通过以下方式确定所噪声范围:确定第一噪声对应的半监督模型的第三损失值;在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及重复上述操作,确定损失值小于所述损失预设值的半监督模型对应的噪声范围。
所述预设倍数可以是任意的,例如可以为15、10、5、2、等等。
进一步的,考虑到噪声也会导致半监督模型出现欠拟合和过拟合的情况,因此还可以通过确定下限噪声和上限噪声的方式来确定噪声的范围。
具体的,本发明该实施例还可以通过以下方式确定下限噪声:确定所述第一噪声对应的半监督模型的第三损失值;在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的下限噪声。
本发明该实施例还可以通过以下方式确定下限噪声:确定第二噪声对应的半监督模型的第四损失值,所述第一噪声小于所述第二噪声;在所述第四损失值大于所述损失预设值时,将所述第二噪声调整至第四预设倍数后作为新的第二噪声以建立新的第四半监督模型;重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的上限噪声。
其中,所述第二噪声小于第一噪声,因此可以将确定的上限噪声作为噪声范围的上限值,将下限噪声作为噪声范围的下限值,即可得到一个合理的噪声范围。
重复步骤S220和S230,可以得到满足损失值不大于损失预设值的多个半监督模型对应的多个噪声,所述多个噪声构成了噪声范围,该噪声范围与第二初始半监督模型的隐含层的层数相对应。
在步骤S240,以从所述隐含层的层数范围中选定的隐含层的层数和从所述噪声范围中选定的噪声建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
针对隐含层的层数范围中的每一个层数都执行上述操作,可以得到每一个隐含层的层数对应的噪声范围。
优化后的半监督模型可以由在隐含层的层数范围中的选定的一个层数以及在该层数对应的噪声范围内选定的噪声建立得到。
进一步的,为了便于优化后的半监督模型的建立,还可以对隐含层的层数范围中的全部层数对应的全部的噪声范围取交集,作为新的噪声范围,新的噪声范围内的所有噪声全部适用于隐含层的层数范围内的全部层数,因此由直接从隐含层的层数范围内选定的层数以及在所述新的噪声范围内选定的噪声构建的优化后的半监督模型的损失值不会大于损失预设值。
本发明实施例提供的技术方案,在确定了合理的隐含层的层数范围的情况下,还提出了可以对噪声优化,并提供了对噪声进行优化的方法,使得优化后的半监督模型不会出现数据欠拟合或者过拟合导致的损失值较高的情况。
实施例三
在已经确定了针对半监督模型的合理的隐含层的层数范围和噪声范围之后,可以针对所述半监督模型的训练集进行调整,以进一步提高所述半监督模型对化工工艺数据中的有标签数据少,无标签数据多这一情况的适应性,能够将半监督模型广泛的应用于化工工艺中。
为了能够准确确定训练集内的有标签数据和无标签数据的比例对半监督模型的影响,在进行优化的过程中,针对由相同的隐含层的层数和噪声构建的半监督模型,需要输入完全相同的训练集数据,区别在于,将构成初始预设比例的有标签数据和无标签数据中的部分有标签数据转化为无标签数据,即数据是一样的,仅去掉了标签,这样能够保证在将所述初始预设比例降低至第二预设比例形成的第二训练集中的数据与所述第一训练集中的数据完全一致。
在确定了训练集的调整方式以后,现结合图3,以一个已选定层数和噪声的半监督模型为例解释本发明实施例提供的对训练集内的有标签数据与无标签数据的比例的方法。如图3所示,所述方法包括步骤S310至S340。
在步骤S310,将第一训练集内的预设数量的有标签数据转化成无标签数据,使得有标签数据与无标签数据的比例降低至第二预设比例,从而形成第二训练集。
由有标签数据转化为无标签数据的数量可以根据自行设定。
在步骤S320,根据所述第二训练集、所述选定的隐含层的层数和所述选定的噪声,建立第三初始半监督模型。
在步骤S330,将所述第三初始半监督模型的损失值与所述损失预设值进行比较。
用于确定损失指的损失函数可以与上述的损失函数相同或者不相同。
在步骤S340,所述第三初始半监督模型的损失值小于所述损失预设值,则重复上述操作,直到确定出损失值小于所述损失预设值的半监督模型对应的训练集内的有标签数据与无标签数据的最小比例。
在确定了最小比例的情况下,由所述最小比例与所述初始预设比例之间的比例对应的训练集构建的半监督模型的损失值都不大于损失预设值。因此在将半监督模型应用于化工工艺异常识别中,可以先将用于构成训练集的有标签数据与无标签数据的数量比例调整至所述最小比例与初始预设比例之间即可。
进一步的,对于半监督模型来说,有标签数据与无标签数据的比例越大,其损失值越小,因此在对半监督模型的输出结果的准确度要求较高的情况下,可以增大有标签数据与无标签数据的比例。
本发明该实施例提供的技术方案,提出了对训练集的有标签数据和无标签数据的比例优化,能够确定在保证建立的半监督模型的准确度符合预期的情况下,所需的最小比例的训练集,有效解决工业现场工艺异常有标签样本数据少、无标签样本数据多的问题,提高了半监督模型在化工工艺异常识别中的适应性。
本发明实施例提供的用于化工工艺异常识别的半监督模型的优化方法提出了一种基于适度密集思想的优化方法,由该方法得到的优化后的半监督模型,还具有成本低、应用范围广和可靠性高的优点。
实施例四
现结合图4,以一实施例解释本发明实施例提供的用于化工工艺异常识别的半监督模型的优化方法的原理,在接下来的实施例中,将半监督模型缩写为SSLN模型。
如图4所示,所述原理包括:
1)在化工动态模拟软件上设置不同的异常工况,获取不同工况下各变量的动态变化数据,得到各类数据集(不限于模拟数据,也可以为真实数据)。
2)搭建网络结构,对无标签数据进行无监督学习,初步给定噪声(也可以不给定噪声)及有标签样本数据比例后进行有监督学习,通过改变隐含层层数L,利用测试数据集,对给定设置下网络层数的异常识别性能进行测试,得到测试数据异常识别准确率迭代曲线,并统计曲线稳定时的最高准确率。
3)改变噪声强度和有标签样本数据比例,开展不同的参数对网络异常识别性能的敏感度分析。对比分析不同参数设置下的网络性能,从而获取最优的网络结构,构建适度密集型的SSLN模型,即为最优的SSLN模型。
实施例五
以乙烯裂解这一化工工艺为例,乙烯裂解装置使连续化生产过程,在实际生产中各工艺变量基本都围绕再起设定值上下浮动,产生异常波动的时间窗并不多,且局部异常波动时涉及的变量数也不会太多,导致数据的标注费成本高昂,构建大规模的、标注良好的数据集非常困难。因此可以建立半监督模型,并采用本发明实施例提供的方法对建立的半监督模型进行优化。
例如,以乙烯裂解装置脱丙烷精馏塔仿真流程作为实验环境,选取精馏塔C-701塔釜液位调节器故障和进料组成发生变化(C4含量升高)这两种典型的故障类型,如表1所示。
表1
其中,在划分数据集时,设置测试集包含25%的标签样本数据,训练集包含剩余的75%的标签样本数据,还可以对训练集中标签样本数据和无标签样本数据进行进一步划分。
在建立初始的半监督模型时,可以采用Adam方法同时对监督与无监督的训练过程进行优化,并将Adam优化器的初始学习率调为0.04,每次迭代计算的Batchsize为25,损失函数的权重ω为10E-5,隐含层激活函数为ReLU,输出层激活函数为Softmax,训练集设定为有标签数据占10%,无标样本数据占90%,噪声强度标准差为1,去噪因子λ分别设置为1000,10,0.1,0.1,0.1和0.1。
分别以层数为3、7、15和30建立四个模型,如表2所示。
表2
模型序号 | 隐含层层数L |
模型一 | 3 |
模型二 | 7 |
模型三 | 15 |
模型四 | 30 |
利用相同的测试集进行测试,得到的各个模型的识别准确率如图5和图6所示。其中,图5示出的是对工况3的识别准确率,图6示出的是对工况4的识别准确率。
由图5和图6可以看出,在训练迭代步数同时,模型二的异常识别准确率更高。同时,在迭代到一定次数后,异常识别准确率趋于一个稳定值,这表明模型得的训练逐渐趋于稳定。
表3为四种模型稳定后,分别针对工况3和工况4对应的测试集的异常识别(分类)结果。由表3可以看出,模型二的异常识别性能优于其它三种模型,即网络层数较少时无法有效训练模型,从而导致模型性能精度较差,但是随着网络层数的增加,训练过程出现训练弥散或爆炸现象,最终也导致训练无法进行,导致模型性能精度较差。因此,构建适度密集的SSLN模型及其拓扑结构,可有效提取数据特征,提高模型在少标签样本数据下异常识别的准确率。
表3
工况 | 模型一(%) | 模型二(%) | 模型三(%) | 模型四(%) |
工况3 | 45.67 | 90.37 | 86.58 | 85.59 |
工况4 | 62.75 | 91.38 | 88.58 | 87.45 |
在确定模型二较优的情况下,以其为例,改变其基准设置,分析其在不同标签样本数据比例下的异常识别性能,其中标签样本数据比例分别为1%,10%,50%,100%。图7为模型二在不同标签样本数据比例下,在工况3测试集下的异常识别准确率随迭代次数的变化情况。从图7中可以看出,随着迭代次数的增加,模型的异常识别准确率趋于稳定。相比而言,在迭代次数相同时,标签样本数据越多模型的异常识别准确率越好。
表4为针对工况3与工况4,不同比例标签样本数据下模型二的识别准确率。从表4可以看出,有标签样本数据的比例越高,模型的识别准确率越好。在有标签样本数据为10%的情况下,模型二在两种工况下即可以达到较好的识别效果。随着有标签样本数据比例的提升,虽然识别准确率大幅上升,但有标签样本数据占比过大,失去了用于工业生产数据的意义。通过比较有标签样本数据从1%提高到10%和从10%提高到100%后的识别准确率发现,前者的识别准确率提升更为显著。因此,可以将10%作为最优的标签样本数据比例。
表4
在模型二的基础上,分析其在10%标签样本数据、不同噪声强度、工况3测试集下的异常识别性能,模型二的识别准确率如下表5所示。
表5
从表5可以看出,模型二在未加噪声(即噪声标准差为0)时,由于无监督网络不发挥任何作用,故其性能较低。在有噪声的条件下,模型性能随着噪声强度的增加呈现下降趋势。在噪声标准差为1时,性能为最优,然而随着噪声强度的增加,网络的异常识别准确率逐渐降到81.43%。这表明,在网络内部适当增加一定强度的噪声,能够很大程度提升网络结构的测试性能。因此可以认定噪声标准差为1的噪声为最佳,此时得到的模型二(隐含层的层数为7、标签样本数据的比例为10%,噪声标准差为1)为最优模型,对于乙烯裂解过程少标签样本情况下的异常识别具有很好的适用性及有效性。
实施例六
图8是本发明实施例提供的一种基于半监督模型的化工工艺异常监控方法的流程示意图。如图8所示,本发明实施例提供了一种基于半监督模型的化工工艺异常监控方法,所述异常监控方法包括步骤S810至S820,其中,所述半监督模型为采用本发明上述任意实施例中提供的用于化工工艺异常识别的半监督模型的优化方法优化后得到的优化后的半监督模型。
在步骤S810,采集有关所述化工工艺的工段的工况的当前数据。
其中,所述工况数据可以为正常工况、再沸器E-702加热蒸汽供应暂时中断、精馏塔C-701塔釜液位调节器故障、料组成发生变化(C4含量升高)或者系统仪表风暂时中断等各种工况的数据,并且根据化工工艺的不同,所涉及到的工况及工况的数据也是不同的。因此根据实际的化工工艺及工段选定想要监控的工况并采集有关想要监控的工况的数据即可。
针对实际生产设备的不同,所述有关工况的当前数据可以由以下中的一者或多者进行采集:DCS系统、PLC系统、仪表电信号采集系统、可燃气体检测系统和视频监控系统。
在步骤S820,将所述当前数据作为优化后的半监督模型的输入,以根据所述优化后的半监督模型输出的结果识别所述当前数据是否出现异常。
经本发明上述实施例提供的优化后的半监督模型解决了工业现场异常有标签样本数据少、无标签样本数据多的问题,在基于训练样本完成半监督模型的构建后,仅将当前工况数据作为输入,由所述半监督模型输出的结果就能够确定当前工况是否出现异常,可以为后续的生产过程等提供科学有效的生产依据。
进一步的,考虑到为了便于生产过程的回顾和统计等需求,还可以将工况数据和所述工况数据对应的半监督模型输出的结果进行存储,例如可以存储在本地存储器中,也可以存储在服务器中。
为了能够更加直观的表示当前生产过程的工况状态,还可以控制如显示终端等设备显示半监督模型输出的识别结果,所显示的内容可以由用户根据实际需求自行设定,例如可以显示实时输出的识别结果,或者也可以仅显示判定为工况为异常的识别结果等。
本发明实施例还提供了一种机器可读存储介质,所述机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述中任一项所述的用于化工工艺异常识别的半监督模型的优化方法,和/或执行本申请上述中任一项所述的基于半监督模型的化工工艺异常监控方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (14)
1.一种用于化工工艺异常识别的半监督模型的优化方法,其特征在于,第一初始半监督模型由第一训练集训练获得,所述第一训练集为所述化工工艺的工段的工况数据,具有构成初始预设比例的有标签数据和无标签数据,所述优化方法包括:
确定所述第一初始半监督模型的损失值,所述损失值由损失函数得到;
将所述第一初始半监督模型的损失值与损失预设值进行比较;
根据所述损失值与所述损失预设值的比较结果,调整隐含层的层数,以确定满足所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围;以及
基于从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
2.根据权利要求1所述的优化方法,其特征在于,所述优化方法还包括通过以下方式确定所述隐含层的层数范围:
根据以下步骤确定下限层数:
确定第一层数对应的半监督模型的第一损失值;
在所述第一损失值大于所述损失预设值时,将所述第一层数调整至第一预设倍数后取整作为新的第一层数以建立新的第一半监督模型;以及
重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的隐含层的下限层数;
根据以下步骤确定上限层数:
确定第二层数对应的半监督模型的第二损失值,所述第二层数大于所述第一层数;
在所述第二损失值大于所述损失预设值时,将所述第二层数调整至第二预设倍数后取整作为新的第二层数以建立新的第二半监督模型;以及
重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的隐含层的上限层数;以及
将所述上限层数作为所述隐含层的层数范围的上限值,将所述下限层数作为所述隐含层的层数范围的下限值。
3.根据权利要求1所述的优化方法,其特征在于,在确定所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围后,所述优化方法还包括针对所述隐含层的层数范围内选定的隐含层的层数执行以下步骤:
选定初始噪声,以确定第二初始半监督模型;
将所述第二初始半监督模型的损失值与所述损失预设值进行比较;
根据所述损失值与所述损失预设值的比较结果,调整所述噪声,以确定满足所述损失值小于所述损失预设值的半监督模型对应的噪声范围;以及
以从所述隐含层的层数范围中选定的隐含层的层数和从所述噪声范围中选定的噪声建立新的半监督模型,所述新的半监督模型为优化后的半监督模型。
4.根据权利要求3所述的优化方法,其特征在于,针对所述隐含层的层数范围内选定的隐含层的层数,所述优化方法还包括通过以下方式确定所述噪声范围:
确定第一噪声对应的半监督模型的第三损失值;
在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及
重复上述操作,确定损失值小于所述损失预设值的半监督模型对应的噪声范围。
5.根据权利要求4所述的优化方法,其特征在于,所述优化方法还包括通过以下方式确定所述噪声的范围:
根据以下步骤确定下限噪声:
确定所述第一噪声对应的半监督模型的第三损失值;
在所述第三损失值大于所述损失预设值时,将所述第一噪声调整至第三预设倍数后作为新的第一噪声以建立新的第三半监督模型;以及
重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的下限噪声;
根据以下步骤确定上限噪声:
确定第二噪声对应的半监督模型的第四损失值,所述第一噪声小于所述第二噪声;
在所述第四损失值大于所述损失预设值时,将所述第二噪声调整至第四预设倍数后作为新的第二噪声以建立新的第四半监督模型;
重复上述步骤,以确定出损失值小于所述损失预设值的半监督模型对应的上限噪声;以及
将所述上限噪声作为所述噪声范围的上限值,将所述下限噪声作为所述噪声范围的下限值。
6.根据权利要求3所述的优化方法,其特征在于,在确定所述损失值小于所述损失预设值的半监督模型对应的隐含层的层数范围和噪声范围后,所述优化方法还包括针对所述隐含层的层数范围内选定的隐含层的层数和所述噪声范围内选定的噪声执行以下步骤:
将所述第一训练集内的预设数量的有标签数据转化成无标签数据,使得有标签数据与无标签数据的比例降低至第二预设比例,从而形成第二训练集;
根据所述第二训练集、所述选定的隐含层的层数和所述选定的噪声,建立第三初始半监督模型;
将所述第三初始半监督模型的损失值与所述损失预设值进行比较;以及
所述第三初始半监督模型的损失值小于所述损失预设值,则重复上述操作,直到确定出损失值小于所述损失预设值的半监督模型对应的训练集内的有标签数据与无标签数据的最小比例。
7.根据权利要求1所述的优化方法,其特征在于,所述训练集内有标签数据为N个,无标签数据为M个,通过以下方式确定半监督模型的损失函数:
对N个有标签数据进行有监督训练,得到有监督误差损失函数C1;
对M个无标签数据进行无监督训练,得到无监督误差损失函数C2;以及
根据所述有监督误差损失函数C1和所述无监督误差损失函数C2确定损失函数C。
9.根据权利要求1所述的优化方法,其特征在于,所述工况为正常工况、再沸器加热蒸汽供应暂时中断、精馏塔塔釜液位调节器故障、进料组成发生变化或系统仪表风暂时中断。
10.一种基于半监督模型的化工工艺异常监控方法,其特征在于,所述异常监控方法包括:
采集有关所述化工工艺的工段的工况的当前数据;以及
将所述当前数据作为优化后的半监督模型的输入,以根据所述优化后的半监督模型输出的结果识别所述当前数据是否出现异常,
其中,所述优化后的半监督模型为采用如权利要求1-9所述的用于化工工艺异常识别的半监督模型的优化方法优化后得到。
11.根据权利要求10所述的异常监控方法,其特征在于,所述异常监控方法还包括通过以下设备中的一者或多者实现所述当前数据的采集:DCS系统、PLC系统、仪表电信号采集系统、可燃气体检测系统和视频监控系统。
12.根据权利要求10所述的异常监控方法,其特征在于,所述异常监控方法还包括:
存储有关所述工况的数据和所述半监督模型输出的结果。
13.根据权利要求12所述的异常监控方法,其特征在于,所述异常监控方法还包括:
显示所述半监督模型输出的识别结果。
14.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行:
本申请上述权利要求1-9中任一项所述的用于化工工艺异常识别的半监督模型的优化方法;和/或
本申请上述权利要求10-13中任一项所述的基于半监督模型的化工工艺异常监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450943.XA CN113723649A (zh) | 2020-05-25 | 2020-05-25 | 基于半监督模型的化工工艺异常监控方法及模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450943.XA CN113723649A (zh) | 2020-05-25 | 2020-05-25 | 基于半监督模型的化工工艺异常监控方法及模型优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723649A true CN113723649A (zh) | 2021-11-30 |
Family
ID=78671770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010450943.XA Pending CN113723649A (zh) | 2020-05-25 | 2020-05-25 | 基于半监督模型的化工工艺异常监控方法及模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723650A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于半监督模型的化工工艺异常监控系统及模型优化装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108596203A (zh) * | 2018-03-13 | 2018-09-28 | 北京交通大学 | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 |
CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
WO2019172956A1 (en) * | 2018-03-06 | 2019-09-12 | Tazi AI Systems, Inc. | Continuously learning, stable and robust online machine learning system |
CN110363231A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于半监督深度学习的异常识别方法、装置及存储介质 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
US20200074280A1 (en) * | 2018-08-28 | 2020-03-05 | Apple Inc. | Semi-supervised learning using clustering as an additional constraint |
-
2020
- 2020-05-25 CN CN202010450943.XA patent/CN113723649A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
WO2019172956A1 (en) * | 2018-03-06 | 2019-09-12 | Tazi AI Systems, Inc. | Continuously learning, stable and robust online machine learning system |
CN108596203A (zh) * | 2018-03-13 | 2018-09-28 | 北京交通大学 | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 |
CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
US20200074280A1 (en) * | 2018-08-28 | 2020-03-05 | Apple Inc. | Semi-supervised learning using clustering as an additional constraint |
CN110363231A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于半监督深度学习的异常识别方法、装置及存储介质 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
MAO, WT等: "Online detection of bearing incipient fault with semi-supervised architecture and deep feature representation", JOURNAL OF MANUFACTURING SYSTEMS, vol. 55, pages 179 - 198, XP086186439, DOI: 10.1016/j.jmsy.2020.03.005 * |
胡聪;吴小俊;舒振球;陈素根;: "拉普拉斯阶梯网络", 软件学报, no. 05, pages 289 - 299 * |
艾震鹏;王振友;: "基于数据密度的半监督自训练分类算法", 计算机应用研究, no. 04, pages 118 - 120 * |
赵立杰;王海龙;陈斌;: "基于流形正则化半监督学习的污水处理操作工况识别方法", 化工学报, no. 06, pages 2462 - 2468 * |
陈林: "基于深度学习的电机轴承故障诊断方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 03, pages 042 - 224 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723650A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于半监督模型的化工工艺异常监控系统及模型优化装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN105717887A (zh) | 基于物联网传感数据的油气处理站智能预警系统 | |
CN111458149B (zh) | 一种滚动轴承性能及使用寿命的预测方法及系统 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
CN113496089A (zh) | 基于人工智能的物联网设备异常状态在线监测方法及系统 | |
CN113723649A (zh) | 基于半监督模型的化工工艺异常监控方法及模型优化方法 | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN114708675A (zh) | 基于dae的电潜泵故障诊断方法、系统、终端及介质 | |
Li et al. | Ensemble learning model based on selected diverse principal component analysis models for process monitoring | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
CN113723650A (zh) | 基于半监督模型的化工工艺异常监控系统及模型优化装置 | |
CN115983113A (zh) | 一种全连接神经网络模型下的丝印工艺优化方法 | |
KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
CN115327081A (zh) | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 | |
CN108388224A (zh) | 一种基于近红外光谱的原油脱盐脱水过程运行状态监控方法 | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
CN104865920B (zh) | 能提高气动控制阀粘滞程度检出率的网格频率设定双椭圆拟合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |