[发明专利]基于相关性分析的CNN-LSTM突发故障预警方法

说明书

本发明公开了一种基于相关性分析的CNN‑LSTM突发故障预警方法，首先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；然后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；构建数据集构造策略，实现特征提取，最后实现突发故障的预测，本发明通过分析系统内部各环节之间的耦合关系，学习系统自身的运行行为，可对工业系统中的突发故障做出及时地预测和识别。

技术领域

本发明属于工业系统智能维护技术领域，具体涉及一种基于相关性分析的CNN-LSTM突发故障预警方法。

背景技术

系统智能维护的主要任务是通过监测系统的运行状态，实现对未来时期系统运行状态的预测。当系统状态存在潜在异常时，需对故障进行早期定位和预防，以缩短预防性维护周期，减少因故障造成的不必要损失，同时确保系统安全可靠地运行。由于工业系统中故障出现的原因复杂、设备的监测数据难以获取、数据质量较低等原因，导致对工业系统故障预警的研究十分匮乏。开展故障预警研究以及实现系统的早期维护，是系统智能维护的重要组成部分，因此，对工业系统开展故障预警研究有重大意义。

由于突发故障的发生具有一定的随机性，且短时间内工作人员不易监测到系统的异常状态，所以无法对系统进行及时维护；同时，突发故障一旦出现，则可导致系统死机、停止运行。综上所述，对工业系统突发故障的准确预测就显得尤为重要。

结合突发故障的特点，针对故障预警研究所面临的问题，提出一种基于相关性分析的CNN-LSTM突发故障预警研究方法，该方法不仅能够增强对故障预警研究的信心，对于该学科和行业的进步起着关键性的作用。

发明内容

本发明的目的是提供一种基于相关性分析的CNN-LSTM突发故障预警方法，通过分析系统内部各环节之间的耦合关系，学习系统自身的运行行为，可对工业系统中的突发故障做出及时地预测和识别。

本发明所采用的技术方案是，基于相关性分析的CNN-LSTM突发故障预警方法，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。

本发明的特点还在于，

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；