[发明专利]基于相关性分析的CNN-LSTM突发故障预警方法

权利要求书

1.基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，具体按照以下步骤实施：

步骤1、构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；

步骤2、保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；

步骤3、构建数据集构造策略：针对步骤2中的特征因素，构建突发故障预警数据集；

步骤4、实现特征提取：通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取，得到最终的特征映射序列；

步骤5、实现突发故障的预测：将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络，利用训练好的网络对测试样本进行预测，得到制氩空分系统运行状态的预测结果，结合步骤1中的阈值对预测结果进行分析，实现网络对突发故障的预警功能。

2.根据权利要求1所述的基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，所述步骤1具体如下：

步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分：将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔，划分到N个子区间内；

步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度，并绘制柱状图；

步骤1.3、利用所述步骤1.2所得各子区间的数据长度，计算各子区间数据长度占总数据长度的百分比，并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态，即正常状态S₁、趋于故障状态S₂和故障状态S₃中，若子区间数据长度占总数据长度的百分比大于10％，则将子区间划分到制氩空分系统的正常状态S₁中；若子区间数据长度占总数据长度的百分比在5％-10％之间，则将子区间划分到制氩空分系统的趋于故障状态S₂中；若各子区间数据长度占总数据长度的百分比小于5％，则将子区间划分到制氩空分系统的故障状态S₃中；

步骤1.4、计算突发故障的阈值：去除正常状态S₁的数据，设趋于故障状态S₂和故障状态S₃的数据长度分别为t₂和t₃，根据式(1)计算两种状态的平均值，该平均值即为突发故障的阈值：

其中，趋于故障状态S₂中的第i个数据记为s_i，故障状态S₃中的第j个数据记为s_j，k表示制氩空分系统运行状态的个数，q为制氩空分系统突发故障发生的阈值。