Page 80 - 化工产品质量与安全管理

化工产品质量与安全管理

差传输启动，不断调整响应值和目标值之间的差距，直到相应结果在目标值的允
许范围内，停止传播。在传播过程中，每层权值通过学习进行调整到合适的数值。

3. 深度神经网络故障诊断
深度神经网络（DNN）是指多层次、非线性的变换，具有多个隐含层，同
样每层内部无连接，层间是全部连接的，对底层特征的表达不依靠人工选择，通

过学习利用高层抽象特征进行模拟。在深度神经网络学习中，首先是使用非监督
方式，对深层神经网络训练，获得样本的有效特征，防止陷入局部的极值点。再
次使用监督学习，对样本有效模拟，防止拟合严重扭曲。对深度神经网络进行细

节调整，使深度神经网络对故障特征表现出有效的诊断能力。深度神经网络的层
级多，为了防止陷入可能的局部极值点或者拟合扭曲，对各个层级进行贪婪训练。

（四）化工过程的故障反演
在化工过程故障反演的运用过程中，故障类型已知，通过建立不同的模型分
析故障的原因，模拟参数变化带来的结果，进行更深层次的研究。在化工过程的

反演故障诊断中，较多时候都会运用偏最小二乘（PLS）和最小二乘法（LSQ）
进行反演推算，其中，最小二乘法是利用最小化系数矩阵，形成向量空间到观测

向量的欧式误差距离；偏最小二乘是利用最小二乘法产生的故障参数，对连续故
障参数进行估计。因此，上述化工过程反演的参数估计方法是由无模型的简单回
归部分和非线性模型组成的优化方法。例如，利用动态模拟方法监控某一化工过

程时，需要观察变量改变时出现的异常识别源，通常可以利用偏最小二乘和最小
二乘法不断进行内部参数的修正，同时分析测量变量的趋势。与其他动态仿真（非
线性函数）相比，故障诊断反演在参数计算时使用的时间更长。混合反演就是尽

量用偏最小二乘来替代最小二乘法，减小诊断工作量。偏最小二乘通过将可测和
预测变量运用到一个新空间，形成一个新的线性回归模型，并不是寻找自变量和
响应之间的最大方差。偏最小二乘模型能够在 X 空间找到解释 Y 空间的有效多

维方向，摒弃迭代计算，对系统故障参数和输出参数进行拟合，直接计算其中的
关系，更加能够节省计算时间。

·68·