[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

本發明公開了一種基于相關性分析的CNN?LSTM突發故障預警方法，首先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；然后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；構建數據集構造策略，實現特征提取，最后實現突發故障的預測，本發明通過分析系統內部各環節之間的耦合關系，學習系統自身的運行行為，可對工業系統中的突發故障做出及時地預測和識別。

技術領域

本發明屬于工業系統智能維護技術領域，具體涉及一種基于相關性分析的CNN-LSTM突發故障預警方法。

背景技術

系統智能維護的主要任務是通過監測系統的運行狀態，實現對未來時期系統運行狀態的預測。當系統狀態存在潛在異常時，需對故障進行早期定位和預防，以縮短預防性維護周期，減少因故障造成的不必要損失，同時確保系統安全可靠地運行。由于工業系統中故障出現的原因復雜、設備的監測數據難以獲取、數據質量較低等原因，導致對工業系統故障預警的研究十分匱乏。開展故障預警研究以及實現系統的早期維護，是系統智能維護的重要組成部分，因此，對工業系統開展故障預警研究有重大意義。

由于突發故障的發生具有一定的隨機性，且短時間內工作人員不易監測到系統的異常狀態，所以無法對系統進行及時維護；同時，突發故障一旦出現，則可導致系統死機、停止運行。綜上所述，對工業系統突發故障的準確預測就顯得尤為重要。

結合突發故障的特點，針對故障預警研究所面臨的問題，提出一種基于相關性分析的CNN-LSTM突發故障預警研究方法，該方法不僅能夠增強對故障預警研究的信心，對于該學科和行業的進步起著關鍵性的作用。

發明內容

本發明的目的是提供一種基于相關性分析的CNN-LSTM突發故障預警方法，通過分析系統內部各環節之間的耦合關系，學習系統自身的運行行為，可對工業系統中的突發故障做出及時地預測和識別。

本發明所采用的技術方案是，基于相關性分析的CNN-LSTM突發故障預警方法，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。

本發明的特點還在于，

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；