(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210776260.2 (22)申请日 2022.07.04 (65)同一申请的已公布的文献号 申请公布号 CN 114842425 A (43)申请公布日 2022.08.02 (73)专利权人 西安石油大 学 地址 710065 陕西省西安市雁塔区电子二 路东段18号 (72)发明人 刘灿　 (74)专利代理 机构 郑州知倍 通知识产权代理事 务所(普通 合伙) 41191 专利代理师 文慧君 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/02(2012.01) (56)对比文件 CN 111931641 A,2020.1 1.13 CN 112329685 A,2021.02.0 5 审查员 李志研 (54)发明名称 用于石油化工工艺的异常行为识别方法及 电子设备 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种用于石油化工工艺的异常行为识别方法及电 子设备， 该方法基于神经网络中各卷积层对正常 操作行为图像和异常操作行为图像的特征提取 效果差异， 对神经网络中的损失函数进行优化， 以实现对神经网络的神经元的抑制或激励， 进而 利用优化后的损失函数对神经网络进行再训练， 得到最终神经网络， 使 得最终神经网络能够很好 的学习到少量异常样本的特征信息， 从而增大了 神经网络对应异常样本的学习能力， 适当抑制了 神经网络对正常样本的学习能力， 同时提高了神 经网络对异常行为识别率的准确度。 权利要求书2页 说明书7页 附图1页 CN 114842425 B 2022.09.20 CN 114842425 B 1.一种用于石油化工 工艺的异常行为识别方法， 其特 征在于， 该 方法包括以下步骤： 采集石油化工提炼重点工位设备的多 张操作行为图像， 所述操作行为图像包括正常操 作行为图像和异常操作行为图像； 将所述正常操作行为图像和所述异常操作 行为图像作为训练数据， 基于预设的损失函 数对预先构建的神经网络进行初步训练， 得到目标神经网络； 其中， 所述预先构建的神经网 络包括N个卷积层， N为正整 数， 前N‑1个卷积层用于获取输入数据的特征图像和对应的多维 特征向量， 最后一个卷积层用于获取神经网络的输出数据； 所述损失函数是基于所述多维 特征向量和输出 数据构建的； 获取所述目标神经网络中各神经元对所述正常操作行为图像和所述异常操作行为图 像之间的特征提取效果差异， 根据所述特征提取效果差异对所述损失函数进行优化， 利用 优化后的所述损失函数对所述 目标神经网络进行训练， 得到最终神经网络； 利用所述最终 神经网络对待检测的操作行为图像进行异常行为识别； 所述损失函数的构建方法， 包括： 基于前N‑1个卷积层的所述多维特征向量和神经网络的输出数据分别对应构建每个卷 积层的损失函数； 将交叉熵损失函数和前N ‑1个卷积层对应的损失函数进行相加构 成神经网络的综合损 失函数， 将所述综合损失函数作为神经网络的所述损失函数； 所述获取所述目标神经网络中各神经元对所述正常操作行为图像和所述异常操作行 为图像之 间的特征提取效果差异， 根据所述特征提取效果差异对所述损失函数进 行优化的 方法， 包括： 基于所述目标神经网络得到前N ‑1个卷积层对应每个分组卷积核分别对所述正常操作 行为图像的第一特 征提取效果 值和对所述异常操作行为图像的第二特 征提取效果 值； 将当前卷积层中第 i个分组卷积核对应的第 一特征提取效果值和第 二特征提取效果值 进行归一化处理， 分别得到归一化第一特征提取效果值和归一化第二特征提取效果值； 根 据归一化第一特征提取效果值和归一化第二特征提取效果值之间的差异获取当前卷积层 中第i个分组卷积核的正则化系数， 其中， 正则化系数的计算公式为： 其中， 为当前卷积层中第i个分 组卷积核的正则化系数； 表示常量系数， 根据经验该 值为 ， 表示所述目标神经网络中神经元的总数量； 为归一化第一特征提取效果值； 为归一化第二特征提取效果值； 为特征提取效果差异值， 且当 时， = ， 当 时， ， 其中 为常 数； 获取当前卷积层中每个分组卷积核的正则化系数； 基于每个分组卷积核的正则化系数 构建当前卷积层的正则化项， 则正则化项的计算公式为： 权　利　要　求　书 1/2 页 2 CN 114842425 B 2其中， 为当前卷积层的正则化项； 为第j个神经元的参数值； 为当前卷积层的分组 卷积核的总数量； 获取所述目标神经网络中前N ‑1个卷积层的正则化项， 将所有的正则化项进行累加得 到综合正则化项； 将所述综合损失函数中的交叉熵损失函数与综合正则化项之 间的相加结 果作为优化后的所述损失函数。 2.如权利要求1所述的一种用于石油化工工艺的异常行为识别方法， 其特征在于， 所述 每个卷积层的损失函数的构建方法， 包括： 利用当前卷积层中的分组卷积操作得到M个通道 的特征图像， M为正整数， 一个分组对 应一个通道的特 征图像； 对M个通道的特 征图像进行全局最大池化得到 M维特征向量； 设定当前卷积层中第 i个分组卷积核对所述正常操作 行为图像的第 一特征提取效果值 和第i个分组卷积核对所述异常操作行为图像的第二特征提取效果值， 分组卷积核是指与 当前分组相关的神经元； 对第一特征提取效果值和第二特征提取效果值进行相加， 得到累 加值， 计算第一特征提取效果值与累加值之间的第一比值和 第二特征提取效果值与累加值 之间的第二比值； 获取M维特征向量中第i个分组卷积核对应的维度 取值， 将所述维度 取值与第 一比值之 间的乘积作为第i个分组卷积核对所述正常操作行为图像的第一特征描述能力指标， 将所 述维度取值与第二比值之 间的乘积作为第i个分组卷积核对所述异常操作行为图像的第二 特征描述能力指标； 令第i个分组卷积核对应的第一特征描述能力指标和第二特征描述能 力指标构成一个二维目标向量； 结合神经网络的输出数据和每个分组卷积核对应的所述二维目标向量构建当前卷积 层对应的损失函数， 则损失函数的公式为： 其中， 为当前卷积层的损失函数； 为当前卷积层的分组卷积核的总数量； 为输出数据 与第i个分组卷积核对应的所述 二维目标向量 之间的L2范 数。 3.一种用于石油化工工艺的异常行为识别电子设备， 包括存储器、 处理器以及存储在 所述存储器中并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 1‑2任意一项 所述一种用于石油化工工艺的异常行为识别方法 的步骤。权　利　要　求　书 2/2 页 3 CN 114842425 B 3