CN114417248B - 基于dcgan的线性轮廓过程质量异常监控方法和系统 - Google Patents
基于dcgan的线性轮廓过程质量异常监控方法和系统 Download PDFInfo
- Publication number
- CN114417248B CN114417248B CN202210062233.9A CN202210062233A CN114417248B CN 114417248 B CN114417248 B CN 114417248B CN 202210062233 A CN202210062233 A CN 202210062233A CN 114417248 B CN114417248 B CN 114417248B
- Authority
- CN
- China
- Prior art keywords
- data
- linear contour
- quality map
- neural network
- convolutional neural
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 230000008569 process Effects 0.000 title claims abstract description 103
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 15
- 230000003321 amplification Effects 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000001819 mass spectrum Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于DCGAN的线性轮廓过程质量异常监控方法和系统，包括离线训练阶段和在线监控阶段，离线训练阶段中，分别采集历史正常运行状态和异常状态下的线性轮廓过程数据，并对样本进行扩增，基于扩增的样本对卷积神经网络进行训练，在线监控阶段中，根据训练完成的卷积神经网络进行过程异常检测，通过将深度卷积生成对抗网络应用于线性轮廓过程质量异常的监控中，可以解决人工提取特征有限的问题，可以提高了对线性轮廓过程质量异常的监控效率，可在不平衡数据集的情况下对历史数据进行训练，保证了对样本数据量较小的异常过程识别精度，使用卷积神经网络也可以有效的提升线性轮廓过程质量异常监控的效率。
Description
技术领域
本发明涉及一种基于DCGAN的线性轮廓过程质量异常监控方法和系统。
背景技术
用于测量位移、压力、温湿度和尺寸等设备参数和质量特性的传感器被大量安装于现代化生产过程，其采集到过程数据由过去的单一数值逐渐向复杂的时间序列或空间序列数据发展。当这些表征过程运行状态的数据能够被线性模型近似表达时，被称为线性轮廓。如何从大量的线性轮廓数据中发现系统的内在运行规律，并构建适用于现代生产过程的实时、智能质量监控模型，已成为了保证企业安全生产、降低质量成本的关键问题。
在线性轮廓监控相关研究中，基于控制图和智能模型的监控方法最为常见。其中基于控制图的监控方法通常使用一元或多元控制图对线性轮廓的斜率、截距和均方根误差等参数进行监控，使用的控制图主要包括T2、EWMA，CUSUM、K、MEWMA控制图等，虽能够有效的监测到过程偏移，但难以对小波动进行报警的同时估计出变点位置，为了弥补其不足，变点模型在线性轮廓监控中也得到了广泛的应用。由于自动化生产过程需要监测的设备参数及质量特性众多、要求及时响应、数据类型多样且具有强不确定性，而基于控制图的监控方法需要建立精确的数学模型，且通常假设组内测量值之间相互独立等，无法反映状态类型和异常原因之间的相互映射关系，已难以满足高速化的制造过程实时质量监控与诊断的需求。
随着计算机和人工智能技术的发展，支持向量机、人工神经网络等智能质量监控方法由于能够对过程状态进行更精准的表达而得到了广泛的研究。相比控制图等统计方法，智能方法在轮廓监控中具有无需建模、自学习和无需确定受控参数等特点，具有更强的实用性。然而，当前基于智能方法的轮廓监控的相关研究均使用不超过二层非线性特征变换的浅层模型，仍存在人工提取特征有限、分类精度和泛化能力不足等问题。
发明内容
有鉴于此，为了解决上述技术问题，本发明提供一种基于DCGAN的线性轮廓过程质量异常监控方法和系统。
本发明采用以下技术方案：
一种基于DCGAN的线性轮廓过程质量异常监控方法，包括：
分别采集历史正常运行状态和异常状态下的线性轮廓过程数据，并对所述线性轮廓过程数据标记相对应的标签信息；
对所述线性轮廓过程数据进行灰度级映射，得到初始质量图谱；
基于深度卷积生成对抗网络，对异常状态下的线性轮廓过程数据进行样本数据扩增，得到扩增质量图谱；
根据所述初始质量图谱和扩增质量图谱，得到目标质量图谱；
根据所述目标质量图谱，对卷积神经网络进行训练；
基于训练完成的卷积神经网络，对实际采集到的数据进行过程异常检测。
进一步地，所述对所述线性轮廓过程数据进行灰度级映射，得到初始质量图谱，包括：
对所述线性轮廓过程数据进行归一化处理，得到归一化矩阵；
对所述归一化矩阵进行灰度级映射，得到初始质量图谱。
进一步地，所述初始质量图谱的计算过程，包括：
所述线性轮廓过程数据表示为如下数据矩阵：
初始质量图谱的计算公式如下：
其中，M表示传感器的数量，N表示每个传感器采集到的测量值数量，j＝1、2、……、N，k＝1、2、……、M；round()表示round函数。
进一步地，所述深度卷积生成对抗网络包括生成器和判别器，所述生成器用于根据异常状态下的线性轮廓过程数据生成虚假数据集，所述虚假数据集与真实数据集作为判别器的输入，所述判别器输出得到数据属于真实数据集的概率，进而判断样本是真实样本还是虚假样本。
进一步地，通过滑窗取值的方式获取到所述实际采集到的数据。
进一步地，所述基于训练完成的卷积神经网络，对实际采集到的数据进行过程异常检测，包括：
对所述实际采集到的数据进行处理，得到过程质量图谱；
将所述过程质量图谱输入至所述训练完成的卷积神经网络，判断是否异常。
进一步地，所述判断是否异常的过程，包括：
当所述过程质量图谱属于正常时，监控窗口继续按照设定的移动步长向前滑动，每滑动一次都对窗口内的数据进行过程质量图谱生成和卷积神经网络异常识别；当所述过程质量图谱异常时，卷积神经网络输出异常类别。
一种基于DCGAN的线性轮廓过程质量异常监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于DCGAN的线性轮廓过程质量异常监控方法的步骤。
本发明的有益效果为：先根据采集得到的历史正常运行状态和异常状态下的线性轮廓过程数据得到初始质量图谱，然后基于深度卷积生成对抗网络，进行样本扩增，得到用于训练卷积神经网络的样本，最后根据训练完成的卷积神经网络进行过程异常监控，可以解决人工提取特征有限的问题。而且，通过将深度卷积生成对抗网络应用于线性轮廓过程质量异常的监控中，可以有效的利用生产过程中产生的少数类样本数据信息，为后续监控模型的构建提供有益、更多的数据信息；使用深度卷积生成对抗网络和卷积神经网络两种深度学习模型均简化了对原始数据信息的学习方式，可以高效的对线性轮廓生产过程中发生的各种异常状态和正常状态进行识别并区分；根据线性轮廓生产过程的历史数据，可以有效的对异常状态下的运行过程进行识别并确定具体异常模式，提高了对线性轮廓过程质量异常的监控效率；可在不平衡数据集的情况下对历史数据进行训练，保证了对样本数据量较小的异常过程识别精度，使用卷积神经网络也可以有效的提升线性轮廓过程质量异常监控的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本申请实施例提供的基于DCGAN的线性轮廓过程质量异常监控方法的整体流程示意图；
图2是本申请实施例提供的基于DCGAN的线性轮廓过程质量异常监控方法的一种具体的实施方式示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
参见图1，是本申请实施例提供的基于DCGAN的线性轮廓过程质量异常监控方法的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
本申请实施例提供的基于DCGAN的线性轮廓过程质量异常监控方法包括两个阶段，分别是离线训练阶段和在线监控阶段，其中，步骤S1-步骤S5属于离线训练阶段，步骤S6属于在线监控阶段。
步骤S1：分别采集历史正常运行状态和异常状态下的线性轮廓过程数据，并对所述线性轮廓过程数据标记相对应的标签信息：
分别采集历史正常运行状态和异常状态下的线性轮廓过程数据，并对线性轮廓过程数据标记相对应的标签信息，标签信息可以为正常信息和异常信息。
设定M表示传感器的数量，N表示每个传感器采集到的测量值数量，则M个传感器采集到的M×N个测量值。
线性轮廓过程数据表示为如下数据矩阵：
步骤S2：对所述线性轮廓过程数据进行灰度级映射，得到初始质量图谱：
对步骤S1得到的线性轮廓过程数据进行灰度级映射，得到初始质量图谱。作为一个具体实施方式，先对线性轮廓过程数据进行归一化处理，即对数据矩阵X中的元素进行归一化处理，得到归一化矩阵，然后依据下述式(2)对其进行灰度级映射，得到初始质量图谱。
其中，j＝1、2、……、N，k＝1、2、……、M；round()表示round函数。
步骤S3：基于深度卷积生成对抗网络，对异常状态下的线性轮廓过程数据进行样本数据扩增，得到扩增质量图谱：
由于在工业生产中存在以下情况，现实生产过程中异常生产状态较正常生产状态很少发生，在异常生产状态下收集到的过程数据远少于正常状态下的过程数据。根据生产过程中存在的异常原因对收集到的历史数据进行分类并进行编号，针对少数类别的样本数据同样按照步骤S2中灰度映射的方法构造质量图谱并作为深度卷积生成对抗网络的输入，实现根据深度卷积生成对抗网络，对异常状态下的线性轮廓过程数据进行样本数据扩增，得到的质量图谱定义为扩增质量图谱。基于深度卷积生成对抗网络进行样本扩增为现有技术，本实施例给出一种具体实现过程，如下所述。
深度卷积生成对抗网络(deep convolutional generative adversarialnetwork，DCGAN)是一种生成模型，深度卷积生成对抗网络包括生成器和判别器。生成器的目的是生成近似服从真实数据分布的虚假样本(伪样本)，即用于根据异常状态下的线性轮廓过程数据生成虚假数据集，虚假数据集与真实数据集作为判别器的输入。判别器的任务则是将真实数据和虚假数据进行正确区分，即判别器输出得到数据属于真实数据集的概率进而判断样本是真实样本还是虚假样本。通过在模型内部进行对抗训练，最终达到扩充样本集的目的。对DCGAN进行训练，使得到网络中的生成器生成数据的分布近似于原始数据。使用均匀分布函数生成随机向量作为DCGAN的输入，生成的质量图谱与原始质量图谱相似。分别将数据集的类别中数据量较少的质量图谱作为DCGAN的输入，通过不断的迭代学习使得到网络中生成器生成数据的分布近似于输入数据数据。
该训练过程可由下式表示：
在模型的训练过程中，将随机变量z作为生成器的输入。z随机采样于某一概率分布。利用生成器的复杂网络结构，将随机变量进行非线性映射并得到需求维度的数据集G(z)。虚假数据集G(z)和真实数据集x作为判别器的输入，输出得到数据属于真实数据集的概率进而判断样本是真实样本还是虚假样本。
生成器和判别器参数更新过程如下：
从选取的概率分布中取样m个样本{z1，z2，z3，...，zm}。从真实样本集中取样相同数量数据{x1，x2，x3，...，xm}。
判别器D损失函数：
设判别器内参数为θD，参数更新方向为增加式(4)对应参数的梯度▽LD。
生成器G损失函数：
设生成器内参数为θG，参数更新方向为减少式(5)对应参数的梯度▽LG。
在上述步骤中可多次或单次更新判别器内参数后再更新一次生成器参数，在训练完成后从Pz(z)中随机取样并输入到生成器中，从而生成近似Pdata(x)的样本。
综合考虑生成器和判别器中损失值的收敛性以及生成图像的质量，完成DCGAN的学习过程。最后使用随机分布生成的随机向量作为DCGAN的输入，得到生成的质量图谱。
步骤S4：根据所述初始质量图谱和扩增质量图谱，得到目标质量图谱：
初始质量图谱为最初得到的样本，扩增质量图谱为扩增得到的样本，将生成的质量图谱加入到原始数据集中得到新的数据集，完成对少数类别的样本数据的扩增，即将初始质量图谱和扩增质量图谱整合在一起，就得到后续训练所用的质量图谱，定义为目标质量图谱。
步骤S5：根据所述目标质量图谱，对卷积神经网络进行训练：
根据目标质量图谱以及对应的标签信息，对卷积神经网络进行训练。其中，卷积神经网络(Convolutional neural network，CNN)是一种前馈式神经网络，其基本结构由输入层(Input layer)、卷积层(Convolutional layer)、池化层(Pooling layer)、全连接层(Fully connected layer)及输出层(Output layer)构成。卷积神经网络中模型参数的更新过程如下所示：
1)卷积层：
卷积层(Convolutional layer)由多个特征面(Feature Map)构成，特征面中的每一像素值都代表一个神经元，且每个神经元都与上一层特征面中M×M的正方形区域相连接。前一层的局部正方形区域与卷积核进行二维卷积运算，将该加权和得到的数值传递给激活函数即可获得输出特征矩阵。计算公式如下：
其中，l为当前层数；wa,b为卷积核中的权值；b为偏置；f为激活函数，在CNN中常选用ReLU(Rectified Linear Units)激活函数。
2)池化层：
池化层(Pooling layer)，即下采样层(Down-sampling layer)，将输入的特征面分割为不重叠的2×2矩形区域，对每个区域进行池化运算，池化层输出的每一个特征面都对应于上一层的卷积层所输出的特征面，且不会改变其数目。通过池化层对特征面进行进一步降维，能够减少网络的参数，提高模型的鲁棒性。常用的池化方法有均值池化(Averagepooling)、最大值池化(Max-pooling)和随机池化(Stochastic pooling)。经过池化，特征面大小降为池化前的1/2，且没有增加网络的训练参数，能都有效的避免了过拟合现象的发生。
3)全连接层：
经过反复的卷积、下采样后，全连接层将所有特征图的像素值依次展开并排成一行构成特征向量。全连接层中的每个神经元与后一层的神经元进行全连接，能够对卷积层和下采样层提取的特征进行整合以提取更具有区分度的特征。全连接层的最后一层为输出层，通常输出层选用softmax逻辑回归实现分类，输出属于各个类别的概率值。
式(7)和式(8)分别为全连接层的中间层和softmax输出层。式(7)中，x*为最后一层池化层输出的特征向量，kij为第j个输入与第i个中间层神经元的连接权重，b*为偏置，f为激活函数。式(8)中，Pj为输入数据属于第j类的概率值，Wj为第j个输出层节点与前一层连接的权重向量。
4)误差反向传播：
卷积神经网络采用与传统神经网络相类似的反向传播算法(Back propagationalgorithm)，则第p个训练样本的损失函数可以定义为：
式中，ypj为第p个训练样本属于第j类的实际概率，Spj为第p个训练样本属于第j类的预测概率。式(9)由交叉熵和正则化项组成。反向传播算法是通过优化各权重和参数使得损失函数达到最小，以达到训练模型的目的。BP算法的关键在于求出损失函数对于权重和偏置的偏导数。对于单个训练样本，权重的求偏导计算过程为：
其中，可通过链式法则计算得到：
同理，误差以相同的方式被传播到上一层：
偏置的偏导计算过程与权重相同，权值和偏置的调整方向分别为：
式中η为学习率。
将目标质量图谱对应的数据集作为卷积神经网络的输入，根据卷积神经网络模型对数据集的识别准确率以及损失函数值的收敛性完成模型对数据集的学习过程。使用网格搜索法对不同超参数组合下的卷积神经网络模型识别效果进行比较，进而确定最后使用的模型结构。调整过程如下：对卷积神经网络模型的结构(层数、隐藏点个数)以及卷积神经网络模型参数(学习率、优化器以及激活函数等)设置不同的水平并组合；在不同的组合下分别训练卷积神经网络模型，并得到相对应的识别精度；选取识别精度最高的卷积神经网络模型作为最终模型，并保存。
步骤S6：基于训练完成的卷积神经网络，对实际采集到的数据进行过程异常检测：
本实施例中，通过滑窗取值的方式获取到传感器实际采集到的数据。先对实际采集到的数据进行处理，得到过程质量图谱，质量图谱的转化方式在上文已给出具体描述，不再赘述。
将过程质量图谱输入至训练完成的卷积神经网络，对过程质量图谱进行在线识别，从而判断过程是否存在异常。卷积神经网络判断过程质量图谱的状态类别并输出概率最高的模式类别，对应训练数据集中的正常模式和异常模式，从而得出生产过程的实时运行状态。当过程属于正常时，监控窗口继续按照设定的移动步长向前滑动，每滑动一次都对窗口内的数据进行质量图谱生成和卷积神经网络识别；当过程异常时，卷积神经网络模型输出异常类别，从而实现对线性轮廓过程异常的监控。图2是本申请实施例提供的基于DCGAN的线性轮廓过程质量异常监控方法的一种具体的实施方式示意图。
本实施例还提供一种基于DCGAN的线性轮廓过程质量异常监控系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于DCGAN的线性轮廓过程质量异常监控方法的步骤。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于DCGAN的线性轮廓过程质量异常监控方法，其特征在于，包括：
分别采集历史正常运行状态和异常状态下的线性轮廓过程数据，并对所述线性轮廓过程数据标记相对应的标签信息；
对所述线性轮廓过程数据进行灰度级映射，得到初始质量图谱；
基于深度卷积生成对抗网络，对异常状态下的线性轮廓过程数据进行样本数据扩增，得到扩增质量图谱；
根据所述初始质量图谱和扩增质量图谱，得到目标质量图谱；
根据所述目标质量图谱，对卷积神经网络进行训练；
基于训练完成的卷积神经网络，对实际采集到的数据进行过程异常检测；
所述初始质量图谱的计算过程，包括：
所述线性轮廓过程数据表示为如下数据矩阵：
初始质量图谱的计算公式如下：
其中，M表示传感器的数量，N表示每个传感器采集到的测量值数量，j＝1、2、……、N，k＝1、2、……、M；round()表示round函数；
所述基于训练完成的卷积神经网络，对实际采集到的数据进行过程异常检测，包括：
对所述实际采集到的数据进行处理，得到过程质量图谱；
将所述过程质量图谱输入至所述训练完成的卷积神经网络，判断是否异常；
所述判断是否异常的过程，包括：
当所述过程质量图谱属于正常时，监控窗口继续按照设定的移动步长向前滑动，每滑动一次都对窗口内的数据进行过程质量图谱生成和卷积神经网络异常识别；当所述过程质量图谱异常时，卷积神经网络输出异常类别。
2.根据权利要求1所述的基于DCGAN的线性轮廓过程质量异常监控方法，其特征在于，所述对所述线性轮廓过程数据进行灰度级映射，得到初始质量图谱，包括：
对所述线性轮廓过程数据进行归一化处理，得到归一化矩阵；
对所述归一化矩阵进行灰度级映射，得到初始质量图谱。
3.根据权利要求1所述的基于DCGAN的线性轮廓过程质量异常监控方法，其特征在于，所述深度卷积生成对抗网络包括生成器和判别器，所述生成器用于根据异常状态下的线性轮廓过程数据生成虚假数据集，所述虚假数据集与真实数据集作为判别器的输入，所述判别器输出得到数据属于真实数据集的概率，进而判断样本是真实样本还是虚假样本。
4.根据权利要求1所述的基于DCGAN的线性轮廓过程质量异常监控方法，其特征在于，通过滑窗取值的方式获取到所述实际采集到的数据。
5.一种基于DCGAN的线性轮廓过程质量异常监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的基于DCGAN的线性轮廓过程质量异常监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210062233.9A CN114417248B (zh) | 2022-01-19 | 2022-01-19 | 基于dcgan的线性轮廓过程质量异常监控方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210062233.9A CN114417248B (zh) | 2022-01-19 | 2022-01-19 | 基于dcgan的线性轮廓过程质量异常监控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114417248A CN114417248A (zh) | 2022-04-29 |
| CN114417248B true CN114417248B (zh) | 2024-09-10 |
Family
ID=81274557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210062233.9A Active CN114417248B (zh) | 2022-01-19 | 2022-01-19 | 基于dcgan的线性轮廓过程质量异常监控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114417248B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN113298230A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 一种基于生成对抗网络的不平衡数据集的预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019232435A1 (en) * | 2018-06-01 | 2019-12-05 | Grail, Inc. | Convolutional neural network systems and methods for data classification |
| CN113743592A (zh) * | 2021-09-16 | 2021-12-03 | 北京航空航天大学 | 一种基于gan的遥测数据异常检测方法 |
-
2022
- 2022-01-19 CN CN202210062233.9A patent/CN114417248B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN113298230A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 一种基于生成对抗网络的不平衡数据集的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114417248A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
| CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
| Thoppil et al. | Deep learning algorithms for machinery health prognostics using time-series data: A review | |
| CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN112731890B (zh) | 一种电厂设备故障的检测方法和装置 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN112949836A (zh) | 对时变分布数据进行回归预测在线迁移学习的方法 | |
| CN116415505A (zh) | 一种基于sbr-dbn模型的系统故障诊断与状态预测方法 | |
| CN112949009A (zh) | 基于迁移学习的主动配电网分布式状态估计方法及系统 | |
| CN117010263A (zh) | 一种基于卷积神经网络和长短期记忆网络的剩余寿命预测方法 | |
| CN114417248B (zh) | 基于dcgan的线性轮廓过程质量异常监控方法和系统 | |
| CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
| CN116702839A (zh) | 一种基于卷积神经网络的模型训练方法及应用系统 | |
| CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
| CN113779724B (zh) | 一种充填包装机故障智能预测方法及其系统 | |
| CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
| CN116306292A (zh) | 一种基于卷积神经网络的水电站物理场级数字孪生模型构建方法 | |
| CN115600498A (zh) | 一种基于人工神经网络的风速预报订正方法 | |
| CN114298130A (zh) | 短期风电功率预测方法及装置 | |
| CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |