[发明专利]一种基于多特征融合和宽度学习的故障监测与诊断方法

说明书

本发明提供了一种基于多特征融合和宽度学习的故障监测与诊断方法，该方法包括：获取实际工业过程中的历史过程信号；基于历史过程信号进行多特征提取，构建多特征向量；将多特征向量输入到宽度学习网络进行训练，获得故障诊断模型；将故障诊断模型应用于实际工业过程进行实时故障诊断；采用评价指标F1‑score评估该故障诊断模型的诊断性能，若Micro F1大于第一设定阈值且Macro F1大于第二设定阈值，则继续使用该故障诊断模型；否则，重新进行训练。本发明采用多特征融合方法，为故障诊断提供了更多的动态信息，提高了故障诊断的准确性，也解决了由多特征融合带来的运算量变大，导致故障诊断效率降低的问题，可以满足实际工业实时监测及诊断的需求。

技术领域

本发明涉及工业过程故障监测与诊断技术领域，尤其涉及一种基于多特征融合和宽度学习的故障监测与诊断方法。

背景技术

随着科技的进步和现代化生产力的发展，生产设备的自动化程度大幅提高，功能更加完备，同时结构更加复杂。由于工业过程中存在诸多不可避免的不利因素，使得设备的性能降低或丧失原有的功能，若不及时发现并加以干预，甚至会导致灾难性的事故。随着信息化和智能化技术的发展，工业过程中需要监测的变量数大幅增加，传统利用人工经验的诊断模式很难应对大量的工业过程数据。因此，设计一种快速、准确的故障监测与诊断方法，对保障现代化工业过程的安全性具有重要而现实的意义。

传统的多元统计方法通常认为工业过程处于静态，即并仅对原始过程信号进行判断分析，缺少对原始过程信号中各个变量的动态信息的利用，导致对原始过程信号的动态变化的捕捉不够充分。但是，随着故障发生，往往伴随着趋势等特征的变化，这些变化可以为故障的监测和诊断提供帮助。所以，现代化工业过程对原始过程信号的动态特征的提取有着需求。

目前，基于深度学习的故障诊断方法是一种近些年被广泛关注的复杂工业过程监测方法。深度神经网络所建立的模型是黑箱系统，因此不需要考虑系统结构的复杂性。为了获得更优的诊断效果，大多基于深度神经网络的故障监测与诊断研究集中于堆叠更深层的结构或最优化模型的参数，这导致在结构的调整和参数的优化过程中，占用了大量计算资源。然而，在实际工业生产中往往无法承受如此昂贵的计算成本，工厂更加关注的是系统的实时性、轻量性和经济性。

发明内容

为了解决上述问题，本发明提供了一种基于多特征融合和宽度学习的故障监测与诊断方法。

一种基于多特征融合和宽度学习的故障监测与诊断方法，包括以下步骤：

S1、获取实际工业过程中带有故障标签的历史过程信号；所述历史过程信号包括故障信号和正常信号；

S2、基于所述历史过程信号进行多特征提取，构建多特征向量；

S3、将所述多特征向量输入到宽度学习网络进行训练，获得故障诊断模型；

S4、将所述故障诊断模型应用于实际工业过程进行实时故障诊断；

进一步地，步骤S2中，基于机理分析，将所述历史过程信号中的变量分为控制变量、连续测量变量和状态变量，提取所述控制变量中的二值报警信号和所述连续测量变量中的慢特征信号、定性趋势信号和二值报警信号，具体为：

S21、利用定性趋势分析方法提取所述历史过程信号中的连续测量变量的趋势特征，获得定性趋势信号；

S22、基于步骤S1中所述历史过程信号中的所述正常信号，计算出上下报警阈值，并基于所述上下报警阈值，获取二值报警信号；

S23、利用慢特征分析方法提取所述历史过程信号中的连续测量变量的慢特征，获得慢特征信号；

所述多特征向量即为所述历史过程信号、所述定性趋势信号、所述二值报警信号和所述慢特征信号构成的向量；

进一步地，步骤S21中，获取定性趋势信号的具体过程为：