化学工艺故障检测使用深度学习

打开直播脚本

此示例说明如何使用模拟数据训练可以在化学过程中检测故障的神经网络。网络以高精度检测模拟过程中的故障。典型的工作流程如下：

预处理数据
设计层架构
训练网络
执行验证
测试网络

下载数据集

此示例使用MathWorks®转换的Matlab-Formatted文件从田纳西州Eastman流程（TEP）模拟数据[1]．Mathworks支持文件站点提供这些文件。金宝app看看免责声明．

数据集由四个组件组成 - 无故障培训，无故障测试，训练，故障检测。单独下载每个文件。

url ='//www.tatmou.com/金宝appsupportfiles/predmaint/chemical-process-fault-detection-data/faultytesting.mat';websave ('故障.Mat'url);url ='//www.tatmou.com/金宝appsupportfiles/predmaint/chemical-process-fault-detection-data/faultytraining.mat';websave (“faultytraining.mat”url);url ='//www.tatmou.com/金宝appsupportfiles/predmaint/chemical-process-fault-detection-data/faultfreetesting.mat';websave (“faultfreetesting.mat”url);url =“//www.tatmou.com/金宝appsupportfiles/predmaint/chemical-process-fault-detection-data/faultfreetraining.mat”;websave ('DeallfreeTaring.mat'url);

将下载的文件加载到MATLAB®工作区中。

负载(“faultfreetesting.mat”）;负载('DeallfreeTaring.mat'）;负载('故障.Mat'）;负载(“faultytraining.mat”）;

每个组件都包含来自Simulations的数据，为每个参数的每个允许运行：

故障数—对于故障数据集，取值为1 ~ 20之间的整数值，表示不同的模拟故障。对于无故障数据集，值为0。
仿真运行 - 对于所有数据集，整数值为1到500，其中每个值表示用于模拟的唯一随机生成状态。

每个模拟的长度取决于数据集。每三分钟都抽样所有模拟。

训练数据集包含25小时模拟的500个时间样本。
测试数据集包含来自48小时的模拟中的960个时间样本。

每个数据帧都有以下变量：

第1列（故障）表示故障类型，它从0到20变化。故障编号0表示故障，而故障编号1到20表示TEP中的不同故障类型。
第2列（模拟奖励)表示为获取完整数据而进行TEP模拟的次数。在训练和测试数据集中，所有故障数运行的次数从1到500不等。每一个模拟奖励值表示用于模拟的不同随机发生器状态。
第3栏（样本)表示每次模拟中记录TEP变量的次数。对于训练数据集，这个数字从1到500不等，对于测试数据集，这个数字从1到960不等。对于训练和测试数据集，每3分钟对TEP变量(第4列到第55列)进行采样，采样时间分别为25小时和48小时。
列4-44（XMEAS_1通过XMEAS_41）包含TEP的测量变量。
列45-55（XMV_1通过xmv_11）包含TEP的被操纵的变量。

检查两个文件的小节。

头(faultfreetraining, 4)

ans =.4×55表faultNumber simulationRun样品xmeas_1 xmeas_2 xmeas_3 xmeas_4 xmeas_5 xmeas_6 xmeas_7 xmeas_8 xmeas_9 xmeas_10 xmeas_11 xmeas_12 xmeas_13 xmeas_14 xmeas_15 xmeas_16 xmeas_17 xmeas_18 xmeas_19 xmeas_20 xmeas_21 xmeas_22 xmeas_23 xmeas_24 xmeas_25 xmeas_26 xmeas_27 xmeas_28 xmeas_29 xmeas_30 xmeas_31 xmeas_32 xmeas_33 xmeas_34 xmeas_35 xmeas_36 xmeas_37 xmeas_38 xmeas_39 xmeas_40 xmeas_41 xmv_1 xmv_2 xmv_3 xmv_4 xmv_5 xmv_6xmv_7 xmv_8 xmv_9 xmv_10 xmv_11 ___________ _____________ ______ _______ _______ _______ _______ _______ _______ _______ _______ _______ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ____________ ______ ______ ______ ______ ______ ______ ______ ______ ______ 0 1 1 0.25038 3674 4529 9.232 26.889 42.402 2704.3 74.863 120.41 0.33818 80.044 51.435 2632.9 25.029 50.528 3101.1 22.819 65.732 229.61 341.22 94.64 77.047 32.188 8.8933 26.383 6.882 18.776 1.6567 32.958 13.823 23.978 1.2565 18.579 2.2633 4.8436 2.2986 0.017866 0.8357 0.098577 53.724 43.828 62.881 53.744 24.657 62.544 22.137 39.935 42.323 47.757 47.51 41.258 18.447 0 1 2 0.25109 3659.4 4556.6 9.4264 26.721 42.576 2705 75 120.41 0.3362 80.078 50.154 2633.8 24.419 48.772 3102 23.333 65.716 230.54 341.3 94.595 77.434 32.188 8.8933 26.383 6.882 18.776 1.6567 32.958 13.823 23.978 1.2565 18.579 2.2633 4.8436 2.2986 0.017866 0.8357 0.098577 53.724 43.828 63.132 53.414 24.588 59.259 22.084 40.176 38.554 43.692 47.427 41.359 17.194 0 1 3 0.25038 3660.3 4477.8 9.4426 26.875 42.07 2706.2 74.771 120.42 0.33563 80.22 50.302 2635.5 25.244 50.071 3103.5 21.924 65.732 230.08 341.38 94.605 77.466 31.767 8.7694 26.095 6.8259 18.961 1.6292 32.985 13.742 23.897 1.3001 18.765 2.2602 4.8543 2.39 0.017866 0.8357 0.098577 53.724 43.828 63.117 54.357 24.666 61.275 22.38 40.244 38.99 46.699 47.468 41.199 20.53 0 1 4 0.24977 3661.3 4512.1 9.4776 26.758 42.063 2707.2 75.224 120.39 0.33553 80.305 49.99 2635.6 23.268 50.435 3102.8 22.948 65.781 227.91 341.71 94.473 77.443 31.767 8.7694 26.095 6.8259 18.961 1.6292 32.985 13.742 23.897 1.3001 18.765 2.2602 4.8543 2.39 0.017866 0.8357 0.098577 53.724 43.828 63.1 53.946 24.725 59.856 22.277 40.257 38.072 47.541 47.658 41.643 18.089

头（致致训练，4）

ans =.4×55表faultNumber simulationRun样品xmeas_1 xmeas_2 xmeas_3 xmeas_4 xmeas_5 xmeas_6 xmeas_7 xmeas_8 xmeas_9 xmeas_10 xmeas_11 xmeas_12 xmeas_13 xmeas_14 xmeas_15 xmeas_16 xmeas_17 xmeas_18 xmeas_19 xmeas_20 xmeas_21 xmeas_22 xmeas_23 xmeas_24 xmeas_25 xmeas_26 xmeas_27 xmeas_28 xmeas_29 xmeas_30 xmeas_31 xmeas_32 xmeas_33 xmeas_34 xmeas_35 xmeas_36 xmeas_37 xmeas_38 xmeas_39 xmeas_40 xmeas_41 xmv_1 xmv_2 xmv_3 xmv_4 xmv_5 xmv_6xmv_7 xmv_8 xmv_9 xmv_10 xmv_11 ___________ _____________ ______ _______ _______ _______ _______ _______ _______ _______ _______ _______ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ____________ ______ ______ ______ ______ ______ _____________ ______ ______ _________________________________0.25038 3674 4529 9.232 26.889 42.402 2704.3 74.863 120.41 0.33818 80.044 51.435 2632.9 25.029 50.528 3101.1 22.819 65.732 229.61 341.22 94.64 77.047 32.188 8.8933 26.383 6.882 18.776 1.6567 32.958 13.823 23.978 1.2565 18.579 2.2633 4.8436 2.2986 0.017866 0.8357 0.098577 53.724 43.828 62.881 53.744 24.657 62.544 22.137 39.935 42.323 47.757 47.51 41.258 18.447 1 1 2 0.25109 3659.4 4556.6 9.426426.721 42.576 2705 75 120.41 0.3362 80.078 50.154 2633.8 24.419 48.772 3102 23.333 65.716 230.54 341.3 94.595 77.434 32.188 8.8933 26.383 6.882 18.776 1.6567 32.958 13.823 23.978 1.2565 18.579 2.2633 4.8436 2.2986 0.017866 0.8357 0.098577 53.724 43.828 63.132 53.414 24.588 59.259 22.084 40.176 38.554 43.692 47.427 41.359 17.194 1 13 0.25038 3660.3 4477.8 9.4426 26.875 42.07 2706.2 74.771 120.42 0.33563 80.22 50.302 2635.5 25.244 50.071 3103.5 21.924 65.732 230.08 341.38 94.605 77.466 31.767 8.7694 26.095 6.8259 18.961 1.6292 32.985 13.742 23.897 1.3001 18.765 2.2602 4.8543 2.39 0.017866 0.8357 0.098577 53.724 43.828 63.117 54.357 24.666 61.275 22.38 40.24438.99 46.699 47.468 41.199 20.53 1 1 4 0.24977 3661.3 4512.1 9.4776 26.758 42.063 2707.2 75.224 120.39 0.33553 80.305 49.99 2635.6 23.268 50.435 3102.8 22.948 65.781 227.91 341.71 94.473 77.443 31.767 8.7694 26.095 6.8259 18.961 1.6292 32.985 13.742 23.897 1.3001 18.765 2.2602 4.8543 2.39 0.017866 0.8357 0.098577 53.724 43.828 63.153.946 24.725 59.856 22.277 40.257 38.072 47.541 47.658 41.643 18.089

清洁数据

在训练和测试数据集中删除具有故障编号3,9和15的数据条目。这些故障编号无法识别，相关的仿真结果是错误的。

faultytesting (faultytesting。faultNumber == 3，:) = [];faultytesting (faultytesting。faultNumber == 9，:) = [];faultytesting (faultytesting。faultNumber == 15，:) = [];faultytraining (faultytraining。faultNumber == 3，:) = [];faultytraining (faultytraining。faultNumber == 9，:) = [];faultytraining (faultytraining。faultNumber == 15，:) = [];

划分数据

将培训数据除以培训和验证数据，保留20％的培训数据进行验证。使用验证数据集使您可以在调整模型超参数时评估培训数据集合的型号。数据拆分通常用于防止网络过度拟合和垫地。

获取故障和无故障培训数据集中的行总行数。

H1 =高度（故障离法）;H2 =高度（故障训练）;

仿真运行是TEP处理用特定故障类型重复的次数。从训练数据集以及从测试数据集中获取最大仿真。

mstrain = max（DealferfreeTraining.simulationRun）;MSTEST = MAX（故障敏感.SimulationRun）;

计算验证数据的最大仿真运行。

rtrain = 0.80;MSVAL = CEIL（MSTRAIN *（1  -  RTRAIN））;mstrain = mstrain * rtrain;

获取最大样本或时间步骤（即，在TEP仿真期间记录数据的最大次数）。

sampletrain = max（deverfarfeetraining.sample）;sampletest = max（afficefreetesting.sample）;

获取故障和故障训练数据集中的分区点（行号）以从训练数据集创建验证数据集。

Rowlim1 = CEIL（rtrain * h1）;Rowlim2 = CEIL（rtrain * h2）;trainingdata = [distorfreeTraining {1：Rowlim1 ,:};Fail FailyTraining {1：Rowlim2 ,:}];validationData = [DeallfreeTraining {Rowlim1 + 1：end ,:};Fail FailyTraining {Rowlim2 + 1：end ,:}）;testingdata = [distorfreetesting {：：，：};故障{：：，：}];

网络设计和预处理

最终的数据集(包括训练、验证和测试数据)包含52个信号，500个均匀时间步长。因此，需要对信号或序列进行正确的故障数分类，这就成为了序列分类的问题。

长短时记忆(LSTM)网络适用于序列数据的分类。
LSTM网络适用于时序数据，因为它们倾向于记住过去信号的唯一性以便对新信号进行分类
LSTM网络使您可以将序列数据输入网络中输入到网络中，并基于序列数据的各个时间步长进行预测。有关LSTM网络的更多信息，请参阅长短期内存网络．
培训网络以使用该网络对序列进行分类Trainnetwork.函数，您必须先预处理数据。数据必须处于单元格阵列中，其中小区阵列的每个元素是表示单个模拟中的一组52个信号的矩阵。单元格阵列中的每个矩阵是用于TEP的特定模拟的一组信号，可以是故障或无故障的。每组信号点指向0到20的特定故障等级。

如前所述在数据集部分中，数据包含52个变量，其值在模拟中的一定时间记录在一定的时间内。这样本变量表示在一个仿真运行中记录了这52变量的次数。最大值样本变量为训练数据集500，测试数据集中为960。因此，对于每个模拟，存在一组长度为500或960的52个信号。每组信号属于TEP的特定模拟运行，并且指向范围0-20中的特定故障类型。

培训和测试数据集都包含每个故障类型的500个模拟。将2％（来自训练）保持验证，验证将培训数据设置为每次故障类型的400次模拟和验证数据，每个故障类型100次模拟。使用辅助功能Helperpreprocess.要创建一组信号，其中每个集合是单元阵列的单个元素中的双矩阵，表示单个TEP仿真。因此，最终培训，验证和测试数据集的大小如下：

sizeXTrain.:(仿真总数）x（故障类型总数）= 400 x 18 = 7200
sizexval.:(仿真总数）x（故障类型总数）= 100 x 18 = 1800
sizeXTest.:(仿真总数）x（故障类型总数）= 500 x 18 = 9000

在数据集中，前500种模拟是0错误类型（无故障）和随后的错误模拟的顺序是已知的。此知识可以创建培训，验证和测试数据集的真正响应。

XTrain = Helperpreprocess（TrainingData，Sampletrain）;YTrain =分类（[零（Mstrain，1）; Repmat（[1,2,4：8,10：14,16：20]，1，Mstrain）']）;xval = helperpreprocess（validationdata，sampletrain）;YVAL =分类（[零（MSVAL，1）; REPMAT（[1,2,4：8,10：14,16：20]，1，MSVAL）']）;xtest = helperpreprocess（testingdata，sampletest）;Yest =分类（[零（MSTEST，1）; REPMAT（[1,2,4：8,10：14,16：20]，1，MSTEST）']）;

规范化的数据集

归一化是一种技术，该技术将数据中的数据中的数值缩放到公共规模，而不会扭曲值范围内的差异．该技术可确保具有更大值的变量不会在训练中占据其他变量。它还将数值在较高范围内转换为较小的范围（通常为-1到1），而不会丢失培训所需的任何重要信息。

使用来自训练数据集中的所有模拟的数据计算52个信号的平均值和标准偏差。

tmean =均值（TrainingData（:,4：结束））';Tsigma = STD（TrainingData（:,4：结束））';

使用辅助功能扶手基于训练数据的平均值和标准偏差，在三个数据集中对每个单元的归一化。

XTrain = Helpernormalize（Xtrain，Tmean，Tsigma）;xval = Helpernormalize（xval，tmean，tsigma）;XTEST = Helpernormalize（XTEST，TMean，Tsigma）;

可视化数据

这XTrain.数据集包含400个无故障模拟，后跟6800个错误的模拟。维度无故障和故障数据。首先，创建无故障数据的曲线。出于此示例的目的，绘图和标签仅10个信号XTrain.数据集以创建易于读取的数字。

图;splot = 10;情节(Xtrain {1} (1:10:) ');包含(“时间步骤”）;标题（“非故障数据的培训观察”）;传奇（“信号 ”+字符串（1：符号），'地点'，“东北朝”）;

现在，通过在400之后绘制任何单元格数组元素来将故障绘图与故障绘图进行比较。

图;绘图（XTrain {1000}（1:10，:)'）;包含(“时间步骤”）;标题（“培训有错误数据的观察”）;传奇（“信号 ”+字符串（1：符号），'地点'，“东北朝”）;

层架构和培训选项

LSTM层是序列分类的良好选择，因为LSTM层倾向于只记得输入序列的重要方面。

指定输入层sequenceInputLayer与输入信号的数量相同的大小（52）。
指定3个LSTM隐藏层，分别为52、40和25个单位。该规范的灵感来自于在［2］．有关使用LSTM网络进行序列分类的更多信息，请参阅利用深度学习进行序列分类．
在LSTM层之间添加3个丢失层，以防止过度拟合。丢弃层随机将下一层的输入元素与给定概率随机设置为零，使得网络不会对图层中的一小组神经元变敏感
最后，对于分类，包括与输出类的数量相同的尺寸的完全连接层（18）。在完全连接的层之后，包括将十进制概率（预测可能性）分配给多级问题的每个类的软Max层，以及基于来自Softmax层的输出输出最终故障类型的分类层。

numSignals = 52个;numHiddenUnits2 = 52个;numHiddenUnits3 = 40;numHiddenUnits4 = 25;numClasses = 18;层= [......sequenceInputlayer（numsignals）lstmlayer（numhidentunits2，'OutputMode'，'顺序'）DropoutLayer（0.2）LSTMLAYER（numhidentunits3，'OutputMode'，'顺序') dropoutLayer (0.2) lstmLayer (numHiddenUnits4'OutputMode'，“最后一次”）DropoutLayer（0.2）全连接列（NumClasses）SoftMaxLayer分类层];

设置培训选项Trainnetwork.用途。

保持名称值对的默认值'executionenvironment'作为'汽车'．使用此设置，软件会自动选择执行环境。默认，Trainnetwork.如果一个可用的GPU，则使用GPU，否则，它使用CPU。GPU培训需要并行计算工具箱™和支持的GPU设备。金宝app有关支持设备的信息，请参阅金宝appGPU通金宝app过发布支持（并行计算工具箱）．因为这个例子使用了大量的数据，使用GPU可以大大加快训练时间。

设置名称值参数对'洗牌'至'每个时代'避免每个时代丢弃相同的数据。

有关深度学习培训选项的更多信息，请参阅培训选项．

maxepochs = 30;minibatchsize = 50;选项=培训选项（'亚当'，......'executionenvironment'，'汽车'，......'gradientthreshold'，1，......“MaxEpochs”maxEpochs,......'minibatchsize'，小匹马，......'洗牌'，'每个时代'，......'verbose'，0，......“阴谋”，'培训 - 进步'，......'vightationdata'，{xval，yval}）;

火车网络

使用LSTM网络使用Trainnetwork.．

net = trainnetwork（xtrain，ytrain，图层，选项）;

训练进度数字显示网络精度的曲线图。在图的右侧，查看有关培训时间和设置的信息。

测试网络

在测试集上运行培训的网络并预测信号中的故障类型。

ypred =分类（net，xtest，......'minibatchsize'，小匹马，......'executionenvironment'，'汽车'）;

计算准确性。准确性是测试数据中的真实标签数与分类相匹配分类除以测试数据中的图像数量。

ACC = SUM（YPRED == YTEST）./ NUMEL（YPRED）

ACC = 0.9992.

高精度表示神经网络成功地能够以最小的错误识别未经检验信号的故障类型。因此，准确性越高，网络的准确性越好。

使用真正的测试信号标签绘制混淆矩阵，以确定网络识别每个故障的程度。

ConfusionChart（Yest，Ypred）;

使用混淆矩阵，您可以评估分类网络的有效性。困惑矩阵在其他地方的主要对角线和零中具有数值。此示例中的训练网络是有效的，并正确分类超过99％的信号。

参考

[1] Rieth，C.A.，B. D. Amsel，R.Tran。和B. Maia。“额外的田纳西州Eastman流程用于异常检测评估的模拟数据。”哈佛Dativerse，版本1,2017。https://doi.org/10.7910/dvn/6c3jr1.．

[2] Heo，S.和J. H. Lee。“使用人工神经网络的故障检测和分类。”韩国化学与生物分子工程系，韩国先进科技学院学。

辅助功能

`Helperpreprocess.`

辅助功能Helperpreprocess.使用最大示例号以预处理数据。示例号表示信号长度，其在数据集中一致。FOR-LOOP通过信号长滤波器的数据集，以形成为52个信号的组。每组都是单元数组的元素。每个单元阵列表示单个模拟。

功能已处理= HelperPreprocess（MyData，Limit）H =大小（MyData）;处理= {};为了IND = 1：限制：H X = MyData（IND :( IND +（IND +（IND-1）），4：结束）;处理= [处理;X'];结尾结尾

`扶手`

辅助功能扶手使用数据，平均值和标准偏差来标准化数据。

功能数据= HelperNormalize（数据，M，S）为了IND = 1：大小（数据）数据{ind} =（数据{ind}  -  m）./ s;结尾结尾

也可以看看

lstmlayer.|sequenceInputLayer|培训选项|Trainnetwork.