基于高斯伯努利受限玻爾茲曼機的過程監(jiān)測研究.pdf

1、過程監(jiān)測技術是實現(xiàn)現(xiàn)代流程工業(yè)綜合自動化的重要環(huán)節(jié)，對于保障過程運行平穩(wěn)和產品質量有著重要研究意義和應用價值。隨著信息技術和網絡技術的快速發(fā)展，信息采集、存儲和傳輸成本大幅降低，流程工業(yè)中分布了大量的傳感器和集散控制系統(tǒng)，工業(yè)企業(yè)采集到海量的生產過程實時數(shù)據(jù)，基于數(shù)據(jù)驅動的過程監(jiān)測方法在過程監(jiān)測領域取得了很大的成果和應用。
　　然而，傳統(tǒng)的過程監(jiān)測方法沒有考慮到實際復雜工業(yè)過程的大數(shù)據(jù)、非線性、有標簽樣本不均衡等特點，在實際應用時

2、有一定局限性。為此，本文在總結前人工作的基礎上，研究了基于高斯伯努利受限玻爾茲曼機的過程監(jiān)測方法，主要研究工作如下:
　　(1)介紹了過程監(jiān)測的課題背景、基本概念和研究意義，闡述了過程監(jiān)測領域的主要研究內容和發(fā)展情況，結合實際工業(yè)過程中的數(shù)據(jù)特性，分析了基于受限玻爾茲曼機在過程監(jiān)測中的適用性和研究意義。
　　(2)針對復雜工業(yè)過程大數(shù)據(jù)、非線性特點，將高斯伯努利受限玻爾茲曼機(GRBM)應用于非線性過程數(shù)據(jù)建模，提出了基于G

3、RBM模型的非線性過程故障檢測算法。通過特征學習和數(shù)據(jù)重構獲取隱層非線性特征和重構數(shù)據(jù)，分別在特征空間和殘差空間構建檢測量，實現(xiàn)了故障檢測。
　　(3)提出了一種基于半監(jiān)督高斯伯努利受限玻爾茲曼機(SS-GRBM)的工業(yè)過程故障分類算法，既能夠學習無標簽樣本的特征結構，還能利用有標簽數(shù)據(jù)中的標簽信息，有效地解決了傳統(tǒng)有監(jiān)督學習方法在有標簽樣本不均衡情況下無法利用無標簽數(shù)據(jù)信息并且容易出現(xiàn)過擬合結果的問題，在有標簽樣本不充足時，能夠