本發(fā)明屬于化工過程故障診斷，具體涉及一種多尺度時空特征融合的化工過程故障診斷方法。

背景技術：

1、在人工智能飛速發(fā)展的當下，現(xiàn)代化工對生產(chǎn)流程及設備的智能化、大型化和自動化要求不斷提高，化工系統(tǒng)的復雜度和綜合度急劇攀升。隨之而來地，質量、安全、財產(chǎn)等問題也不可避免地發(fā)生。近年來，關于動態(tài)系統(tǒng)故障檢測和異常診斷的基礎共性技術研究已引起化工領域及學術界的廣泛關注。如果能夠在化工過程的可控范圍內(nèi)及時發(fā)現(xiàn)故障，并在早期檢測出微小故障，進行故障辨識和溯源，就能通過系統(tǒng)補償?shù)瓤刂剖侄芜M行調(diào)控，降低異常事件的發(fā)生。因此，對復雜動態(tài)系統(tǒng)進行合理的故障檢測與診斷(faultdetection?and?diagnosis,fdd)是一個亟待解決的關鍵技術問題。當前，fdd建模方法主要可分為三類：機理驅動、知識驅動和數(shù)據(jù)驅動。然而，隨著分布式控制系統(tǒng)的廣泛應用以及數(shù)據(jù)存儲、傳輸和處理技術的不斷發(fā)展，面對生產(chǎn)過程和設備運行中的海量狀態(tài)數(shù)據(jù)及監(jiān)控變量，單純依靠傳統(tǒng)的機理分析方法已經(jīng)無法充分提取數(shù)據(jù)中隱含的故障征兆、因果邏輯等關系。同時，面對復雜系統(tǒng)的動態(tài)隨機性、多源不確定性、高度耦合性以及強干擾等特點，不僅難以建立精確的數(shù)學模型，而且難以構建完善的專家知識體系。

2、在大數(shù)據(jù)時代背景下，自動化技術的廣泛應用使化工現(xiàn)場積累了海量的數(shù)據(jù)資源，數(shù)據(jù)驅動的fdd方法因此變得更加適用。該方法能夠直接有效地對海量、多源、高維數(shù)據(jù)進行統(tǒng)計分析和信息提取。通過采集不同來源、不同類型的監(jiān)測數(shù)據(jù)，并利用各種數(shù)據(jù)挖掘技術，從中提取隱含的有用信息，表征系統(tǒng)運行的正常模式和故障模式。

3、其中深度學習方法因其強大的特征提取能力，逐漸成為該領域的研究熱點。高維度的化工數(shù)據(jù)通常反映出既有時間相關模式又存在空間依賴關系，視為時空序列。目前基于深度學習的時空序列研究主要從空間模型和序列模型兩個方向展開：在空間模型的研究中，卷積神經(jīng)網(wǎng)絡(cnn)及改進方法表現(xiàn)出了優(yōu)異的性能；在序列模型的研究中，長短期記憶(lstm)網(wǎng)絡及改進方法實現(xiàn)了有效挖掘數(shù)據(jù)中時序信息的目的。然而，由于只單一地進行時間特征或空間特征的提取難以充分捕捉復雜化工過程的非線性、強耦合、強動態(tài)特性等特點，因此當前最受學術界青睞的解決方法是將序列模型和空間模型進行結合，通過多種方式構建融合模型。在時空信息融合研究領域，時空信息的準確表達、高效提取、有效融合對于現(xiàn)代化工的發(fā)展有著重要的研究價值和意義?，F(xiàn)有的技術多側重于深度特征提取，盡管這種方法能夠捕捉到數(shù)據(jù)的復雜模式，但也導致了模型參數(shù)量過多和推理速度緩慢的問題。此外，一些方法采用串聯(lián)的方式先后提取時序特征和空間特征，這在特征提取的初期階段可能會導致關鍵信息的丟失，從而影響模型的整體性能。進一步地，有些方法僅在特定的數(shù)據(jù)集上驗證了其有效性，缺乏對泛化能力的系統(tǒng)性評估，這使得其在不同應用場景中的可靠性和適用性受到質疑。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是提供一種多尺度時空特征融合的化工過程故障診斷方法，用以對化工過程數(shù)據(jù)集進行故障的診斷與識別。

2、為了解決上述技術問題，本發(fā)明提供一種多尺度時空特征融合的化工過程故障診斷方法，包括：在化工生產(chǎn)現(xiàn)場，定時采集化工生產(chǎn)過程中的不同故障工況下的時序數(shù)據(jù)記為故障數(shù)據(jù)，故障數(shù)據(jù)經(jīng)預處理后輸入到訓練測試好的mts-f模型；

3、所述mts-f網(wǎng)絡包括并行的時序特征提取模塊和空間特征提取模塊，時序特征提取模塊包括依次連接的長短期記憶網(wǎng)絡、通道注意力機制模塊、一維卷積層和全局最大池化層；空間特征提取模塊基于cnns網(wǎng)絡，包括依次連接的gs-cnn模塊、最大池化層、空間可分離卷積層、最大池化層、空間可分離卷積層、最大池化層和全局最大池化層；時序特征提取模塊的輸出與空間特征提取模塊的輸出進行拼接，后再經(jīng)過丟棄層和全連接層輸出故障分類的預測結果。

4、作為本發(fā)明的一種多尺度時空特征融合的化工過程故障診斷方法的改進：

5、所述預處理包括標準化和移動滑窗截取，標準化為：

6、

7、式中：data為未經(jīng)預處理的故障樣本數(shù)據(jù)，μ為正常樣本數(shù)據(jù)的均值，s為正常樣本數(shù)據(jù)的方差，data*為歸一化后的數(shù)據(jù)；

8、所述移動滑窗截取采用寬度為l、步長為s的移動窗口沿時序方向進行滑動截取獲得l×n結構的多元時間序列數(shù)據(jù)集，其中n為過程變量數(shù)；

9、所述多元時間序列數(shù)據(jù)直接送入時序特征提取模塊，所述多元時間序列數(shù)據(jù)轉換為單通道2d圖像后送入空間特征提取模塊。

10、作為本發(fā)明的一種多尺度時空特征融合的化工過程故障診斷方法的進一步改進：

11、所述通道注意力機制模塊包括壓縮和激勵階段，在壓縮階段中，匯總每個特征維度的所有特征值為一個單一標量。

12、作為本發(fā)明的一種多尺度時空特征融合的化工過程故障診斷方法的進一步改進：

13、gs-cnn模塊為lgs-cnn網(wǎng)絡的全局特征提取部分，包括先使用二維卷積操作，二維卷積選取兩個條狀卷積核，一個具有與輸入圖像高度相同的長度，另一個具有與輸入圖像寬度相同的長度；接著將二維卷積操作獲得的特征圖通過向量外積逐通道進行計算，從而得到三維形式的新的特征。

14、作為本發(fā)明的一種多尺度時空特征融合的化工過程故障診斷方法的進一步改進：

15、所述mts-f網(wǎng)絡的訓練測試過程包括：

16、從tep數(shù)據(jù)集的訓練集中隨機選取40個模擬經(jīng)所述預處理后作為mts-f網(wǎng)絡的訓練集，從tep數(shù)據(jù)集的測試集中隨機選取5個模擬經(jīng)所述預處理后作為mts-f網(wǎng)絡的測試集，將tep數(shù)據(jù)集中原始的類別標簽轉換為one-hot編碼形式作為真實標簽，將訓練集輸入mts-f網(wǎng)絡根據(jù)交叉熵損失函數(shù)不斷優(yōu)化網(wǎng)絡，得到更接近標簽的權重；然后將測試集輸入訓練好的模型，生成預測分類結果，對比預測結果與真實標簽的差異并選擇最佳結果。

17、作為本發(fā)明的一種多尺度時空特征融合的化工過程故障診斷方法的進一步改進：

18、所述移動滑窗截取采用寬度l為60、步長s為20。

19、本發(fā)明的有益效果主要體現(xiàn)在：

20、1、本發(fā)明以遠低于當前主流網(wǎng)絡的參數(shù)量完成了化工過程故障識別與診斷任務，滿足了故障識別所需的實時性的同時，顯著降低了工廠對于硬件配置的要求；在降低模型復雜度的同時，準確率依舊有所提升，確保了網(wǎng)絡的可靠性。

21、2、本發(fā)明的方法保證了小樣本數(shù)據(jù)的識別效果，降低了數(shù)據(jù)采集的成本，進而提高生產(chǎn)的部署效率。

22、3、本發(fā)明的化工過程故障診斷網(wǎng)絡采取并行的方式同時提取時序與空間特征，提高了故障診斷能力，并顯著降低了模型參數(shù)量與計算量，同時具有良好的泛化性能。

技術特征：

1.一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：過程包括，在化工生產(chǎn)現(xiàn)場，定時采集化工生產(chǎn)過程中的不同故障工況下的時序數(shù)據(jù)記為故障數(shù)據(jù)，故障數(shù)據(jù)經(jīng)預處理后輸入到訓練測試好的mts-f模型；

2.根據(jù)權利要求1所述的一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：

3.根據(jù)權利要求2所述的一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：

4.根據(jù)權利要求3所述的一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：

5.根據(jù)權利要求4所述的一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：

6.根據(jù)權利要求5所述的一種多尺度時空特征融合的化工過程故障診斷方法，其特征在于：

技術總結
本發(fā)明涉及化工過程故障診斷技術領域，一種多尺度時空特征融合的化工過程故障診斷方法，包括定時采集化工生產(chǎn)過程中的故障數(shù)據(jù)，經(jīng)預處理后輸入MTS?F模型；MTS?F網(wǎng)絡包括并行的時序特征提取模塊和空間特征提取模塊，時序特征提取模塊包括依次連接的長短期記憶網(wǎng)絡、通道注意力機制模塊、一維卷積層和全局最大池化層；空間特征提取模塊包括依次連接的GS?CNN模塊、最大池化層、二組空間可分離卷積層和最大池化層、全局最大池化層；二個并行網(wǎng)絡的輸出拼接后再經(jīng)過丟棄層和全連接層輸出故障分類的預測結果。本發(fā)明采取并行的方式同時提取時序與空間特征，提高了故障診斷能力并降低了模型參數(shù)量與計算量，具有良好的泛化性能。

技術研發(fā)人員：陳曉,任佳
受保護的技術使用者：浙江理工大學
技術研發(fā)日：
技術公布日：2024/12/19