[發明專利]一種基于孿生長短時間記憶網絡的故障診斷方法

在審

• 申請號: 202010610712.0
• 申請日: 2020-06-30
• 公開（公告）號: CN111914897A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 鄒見效;凡時財;張季陽;徐紅兵
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

本發明公開了一種基于孿生長短時間記憶網絡的故障診斷方法，尤其針對化工過程故障診斷，包括S1、采集化工系統在各種運行狀態下各測量設備的測量數據，對其進行降噪處理；S2、對測量數據進行標準化處理構建訓練樣本；S3、構建故障診斷模型，利用訓練樣本進行訓練；S4、將待診斷的測量數據對應的標準化處理的數據輸入到訓練好的故障診斷模型中，得到故障類型結果。本發明將具有長短時間記憶功能的LSTM和能夠放大相似樣本之間微小差異的孿生網絡結合起來，進行化工過程的故障診斷，不僅能夠通過多層LSTM對復雜動態時序性的數據具有更強的表達能力，而且對微小故障也具有更優的識別能力，使得化工過程的故障診斷效果得到顯著提高。

技術領域

本發明屬于化工過程的故障診斷技術領域，具體涉及一種基于孿生長短時間記憶網絡(Siamese LSTM)的故障診斷方法。

背景技術

隨著計算機技術不斷進步，化工工業迅速發展，其整個生產系統日趨復雜化。大規模的化工生產過程使得企業的生產效率加倍提高，從而帶來更大的經濟效益。然而，這樣復雜化的化工過程給企業帶來利益的同時也會加大故障發生的效率，若在生產過程中發生故障，輕則導致產品質量下降，重則導致難以估計的人員傷亡和財產損失，所以要保證生產過程可靠、高效運行，需要能準確、及時地診斷故障的技術。

由于化工過程日趨復雜化，其監測數據具有高維度、非線性、動態時序性的特征。因此，基于傳統數據驅動的故障診斷方法應用在復雜化工過程中難度較高。深度學習作為數據驅動方法的一個新興分支，其對高維非線性數據具有強大的學習能力。因此，近年來深度學習方法被廣泛應用于化工過程的故障診斷研究。目前，基于深度學習的故障診斷方法主要有：深度置信網絡(Deep Belief Networks,DBN)、堆疊自動編碼器(Stacked AutoEncoders,SAE)、卷積神經網絡(Convolutional Neural Network,CNN)、循環神經網絡(Recurrent Neural Network,RNN)、長短時間記憶網絡(Long Short-Term Memory NeuralNetwork,LSTM)。除RNN和LSTM網絡之外的其它深度學習方法雖然與傳統的故障診斷方法相比，具有更強的學習能力，并取得更優的故障診斷效果；但是，這些方法忽略了化工過程監測數據之間的時序相關性。事實上，化工過程的觀測信號之間并不是相互獨立的，在化工過程中當前時刻的過程運行狀態與之前時刻過程運行狀態具有強關聯性，因此，觀測信號之間的動態時間依賴特性是故障診斷效果的主要影響因素。

同時，在實際的化工過程中常會出現幅值低、故障特性不明顯、易被未知擾動和噪聲掩蓋的微小故障，雖然微小故障和正常工況沒有明顯變化，早期對系統沒有太大的影響，但是如果沒有盡早對這些故障進行診斷和采取相關維護措施，那么經過時間的積累就會給系統帶來很大的安全隱患，使得系統不能正常運行。現有的化工過程故障診斷方法對微小故障的診斷效果仍不夠理想。

發明內容

針對現有技術中的上述不足，本發明提出的基于孿生長短時間記憶網絡的故障診斷方法解決了上述背景技術中的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于孿生長短時間記憶網絡的故障診斷方法，包括以下步驟：

S1、采集化工系統在各種運行狀態下各測量設備的測量數據，并對其進行降噪處理；

S2、對降噪后的測量數據進行標準化處理，并構建訓練樣本；

S3、構建基于Siamese LSTM的故障診斷模型，并利用構建的訓練樣本對其進行訓練；

S4、將化工系統運行過程中測量設備的測量數據對應的標準化處理后的數據輸入到訓練好的故障診斷模型中，得到對應的故障類型診斷結果，實現化工過程的故障診斷。

進一步地，所述步驟S1中的運行狀態包括正常狀態和K種故障狀態；