[發明專利]基于相關性分析的CNN-LSTM突發故障預警方法

在審

• 申請號: 202011636861.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112598144A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 謝國;李思雨;劉涵;梁莉莉;錢富才;穆凌霞;張春麗;上官安琪;楊婧
• 申請（專利權）人: 西安理工大學
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q10/04;G06N3/08;G06N3/04;G01D21/02
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王敏強

1.基于相關性分析的CNN-LSTM突發故障預警方法，其特征在于，具體按照以下步驟實施：

步驟1、構建制氬空分系統的突發故障閾值策略，通過監測的突發故障數據，確定突發故障出現的閾值；

步驟2、保留影響制氬空分系統突發故障發生的特征因素：對制氬空分系統中精餾塔、粗氬塔、粗氬冷凝器、精氬塔、精氬冷凝器、塔釜各部件傳感器采集的液位高度、溫度、壓強、流量和阻力數據進行相關性分析，保留具有相關性的特征變量，確定影響系統發生突發故障的特征因素；

步驟3、構建數據集構造策略：針對步驟2中的特征因素，構建突發故障預警數據集；

步驟4、實現特征提取：通過卷積神經網絡CNN對步驟3中突發故障預警數據集進行高維特征提取，得到最終的特征映射序列；

步驟5、實現突發故障的預測：將特征映射序列作為長短期記憶網絡LSTM的輸入訓練該預測網絡，利用訓練好的網絡對測試樣本進行預測，得到制氬空分系統運行狀態的預測結果，結合步驟1中的閾值對預測結果進行分析，實現網絡對突發故障的預警功能。

2.根據權利要求1所述的基于相關性分析的CNN-LSTM突發故障預警方法，其特征在于，所述步驟1具體如下：

步驟1.1、對制氬空分系統中精氬塔采集的溫度數據進行劃分：將直接反應制氬空分系統突發故障的M個時刻的精氬塔溫度數據以n為間隔，劃分到N個子區間內；

步驟1.2、統計所述步驟1.1得到的各子區間內的數據長度，并繪制柱狀圖；

步驟1.3、利用所述步驟1.2所得各子區間的數據長度，計算各子區間數據長度占總數據長度的百分比，并將所述步驟1.1得到的子區間劃分到制氬空分系統的三類運行狀態，即正常狀態S₁、趨于故障狀態S₂和故障狀態S₃中，若子區間數據長度占總數據長度的百分比大于10％，則將子區間劃分到制氬空分系統的正常狀態S₁中；若子區間數據長度占總數據長度的百分比在5％-10％之間，則將子區間劃分到制氬空分系統的趨于故障狀態S₂中；若各子區間數據長度占總數據長度的百分比小于5％，則將子區間劃分到制氬空分系統的故障狀態S₃中；

步驟1.4、計算突發故障的閾值：去除正常狀態S₁的數據，設趨于故障狀態S₂和故障狀態S₃的數據長度分別為t₂和t₃，根據式(1)計算兩種狀態的平均值，該平均值即為突發故障的閾值：

其中，趨于故障狀態S₂中的第i個數據記為s_i，故障狀態S₃中的第j個數據記為s_j，k表示制氬空分系統運行狀態的個數，q為制氬空分系統突發故障發生的閾值。