[发明专利]基于动态时间归整和图卷积网络的工业过程故障诊断方法

说明书

本发明公开了一种基于动态时间归整和图卷积网络的工业过程故障诊断方法，将仿真实验数据集中的正常数据的所有不同变量之间进行动态时间归整DTW得到距离的倒数矩阵作为邻接矩阵A，将故障数据进行标准化处理，然后滑动窗口截取得到节点特征矩阵X，然后构建DTW‑GCN模型，将邻接矩阵A和节点特征矩阵X用于训练和测试DTW‑GCN模型，将实时采集到的工业生产现场数据经过标准化处理和滑动窗口截取后输入训练和测试好的DTW‑GCN模型中进行故障诊断，最终得到实时的诊断结果。本发明能够自动自取、深度挖掘数据中的时空融合特征，有效地提高故障的诊断率。

技术领域

本发明涉及工业过程故障诊断方法，特别是一种基于动态时间归整和图卷积网络的工业过程故障诊断方法。

背景技术

随着现代科技水平和不断发展和市场竞争的愈演愈烈，工业生产设备向大型化、智能化、自动化等方向发展，因此设备的安全稳定运行成为大家关注的重点。因为工业生产过程中一旦发生事故，轻则对产品质量和生产效率造成不良影响，重则造成非常严重的人员伤亡。因此，开发安全高效的故障检测和诊断技术显得尤为重要。

根据不同的建模原理，故障诊断方法可以分为机理建模、知识驱动建模和数据驱动建模三大类。机理建模和知识驱动建模方法需要大量的先验知识和对实际系统的全面把握，由于工业过程的高度集成性、复杂性等特点，这两种方法较难应用到当前的工业过程中。与此同时，随着工业过程数据储备的日益丰富和人工智能技术的发展，基于数据驱动的工业过程故障诊断算法受到越来越多的关注。数据驱动建模方法基于过程历史数据进行模型构建及参数自适应整定，具有良好的适配性和鲁棒性。常用的数据驱动建模方法有主成分分析、支持向量机、人工神经网络等。浅层的数据驱动建模方法在故障诊断中取得了很好的成果，但对于高维非线性、非平稳数据的特征提取效果有限。近年来，深度学习方法在许多领域表现出强大的性能，因此，越来越多的专家学者将深度学习方法应用于工业过程的故障诊断中。深度学习方法是一种深层的机器学习方法，通过堆叠多层的非线性函数映射层来挖掘数据之间的相互关系，从而实现更高层级的、更加抽象的数据表达。将深度学习方法引入故障诊断中，能够较好的克服以往方法存在的对复杂深层结构学习能力不足的问题，能够更加充分的利用数据的信息，提高模型的预测精度。

现如今，工业过程规模愈发庞大、结构愈发复杂，使得工业过程数据呈现复杂的时空特点：在时序上，不同种类的故障，其时序表现快慢不同，其数据表现出非平稳、非线性的特性；在特征空间上，影响不同故障的关键特征不同，特征之间的耦合关系复杂；在时空关联的角度上，时序特征和空间特征之间又存在着静态、动态耦合关联。因此在进行具有复杂时空数据特征的工业过程故障诊断建模时，不仅要考虑时间上的连续性和周期性，还需要考虑不同区域之间的空间相关性，并且这些空间相关性还会伴随着时间发生变化。传统的时空序列研究方法主要是基于统计学原理，这些方法将时空序列看作多个时间序列来处理，很难捕获空间的相关性，也难以挖掘出其中的非线性时空信息。深度学习的兴起使时空序列的研究取得了进一步的发展。现有的基于深度学习方法的时空序列算法从序列生成模型和空间关系建模两个角度进行分析。序列生成模型以循环神经网络(RNN)为基础，并在RNN的基础上提出了长短期记忆单元(LSTM)和门控循环单元(GRU)及其他衍生方法。随后，鉴于seq2seq框架在自然语言处理领域中的良好表现，将RNNs和seq2seq框架结合的序列生成模型也取得了很好的效果。空间关系建模以卷积神经网络(CNN)为基础，能够很好的提取空间特征。但对于非欧几里得的图结构关系，CNN无法有效操作，因此出现了图神经网络(GNN)。GNN是一类基于深度学习的处理图域信息的方法。对于非欧的图数据结构的研究，极大地推动了图卷积网络(GCN)等一系列图分析技术的发展。

通过将序列模型和空间模型相结合构建时空模型可以很好的应用于时空序列问题。结合序列生成模型和空间关系建模的时空序列算法要求输入数据为图像序列，或需要给定不同序列之间的明确相互关系。但是工业过程数据的不同特征之间的复杂相互关系难以测量，因此现有的时空序列算法无法直接应用。

发明内容