[发明专利]基于自编码器误差重构的故障监测方法、装置及介质

说明书

本申请关于一种基于自编码器误差重构的故障监测方法、装置及介质，涉及复杂工业过程建模和故障诊断领域，该方法包括：获取待测工况样本数据集；将待测工况样本数据集输入自编码器模型；确定待测工况重构误差信息子块；确定待测工况误差统计量；评价与待测工况样本数据集对应的TE过程的故障情况。在获取待测工况样本数据集后，在通过自编码器模型对于待测工况样本数据集进行特征提取时，对于其重构误差进行提取，并基于重构误差数据集进行信息子块的构建以及待测工况误差统计量的确定，并最终确定TE过程的误差情况。在对于TE数据集进行故障判断的过程中，提取了隐含的有效信息，进而提高了对于进行检测的准确率。

技术领域

本申请涉及复杂工业过程建模和故障诊断领域，特别涉及一种基于自编码器误差重构的故障监测方法、装置及介质。

背景技术

现代工业生产过程日趋复杂，故障类别日益增多，一旦发生故障，不仅影响生产效率，还可能会造成严重的安全事故。故障监测技术可以有效地监测过程运行状态，提高复杂系统的可靠性和安全性，因此已成为工业过程控制领域的研究热点。

在这样的背景下，基于过程数据的多变量统计分析故障监测算法被广泛应用于过程监控领域。其中常见的多元统计过程监控方法主要有主元分析法(PrincipalComponents Analysis，PCA)、偏最小二乘法(Partial Least Squares Regression，PLS)、独立元分析法(Independent Component Analysis，ICA)及kNN故障监测方法。在一个示例中，He等提出的基于k近邻的故障监测算法，使用局部近邻距离度量样本间的相似度，通过对比数据的近邻距离差异来实现故障监测，对非线性、非高斯和多模态过程有很好的监测效果。

然而，传统k近邻故障监测过程中，引发故障的异常信息易被正常工况信息淹没，导致故障检测不及时和报警率低等问题。比如，张成等通过对数据应用ICA方法获得独立元矩阵，然后在独立元矩阵建立kNN监测模型，解决了直接对变量做中心化处理时部分潜隐变量在统计量计算过程中被淹没的问题；再比如，马贺贺等利用近邻距离之差将样本映射到距离空间，通过捕捉样本之间的差异性来解决故障样本信息易被其他样本掩盖的问题。由于现代工业过程具有多个操作单元、变量之间关系复杂等特点，使局部、多块等建模策略的优势得到了充分发挥。Macgrego等首次提出基于多块建模策略的监测方法，通过将过程分解成若干个子块进行监测并决策融合，有效提高了复杂过程的监测效果；Ge等利用过程变量在主元方向上的贡献度划分子块，提出一种分布式PCA监测方法；同时又提出了一种基于线性子空间与贝叶斯决策的故障监测方法，利用PCA分解构造线性子空间，并通过贝叶斯方法融合各子块监测结果；Jiang等根据Hellinger距离将概率分布相似的变量划分在一个子块中，然后用独立主成分分析方法对每个子块建立故障监测模型。这些多块建模方法都在原始数据集上进行子块划分，在某种意义上忽略了原始数据集中隐含的部分有效信息，而提取这部分隐含的有效信息有利于提高监测算法的性能。因此在kNN故障监测中，如何解决统计量计算过程中故障变量信息易被淹没的问题以及如何提取数据集中隐含的有效信息构造子块从而达到较准确地监测故障，成为本领域的一大难题。

发明内容

本申请关于一种基于自编码器误差重构的故障监测方法、装置、终端及介质，能够提取统计量计算过程中隐含的有效信息，以准确地检测故障，该技术方案如下：

一方面，提供了一种基于自编码器误差重构的故障监测方法，该方法包括：

获取待测工况样本数据集，所述待测工况样本数据集为指示TE过程中待判断故障情况的样本数据集；

将所述待测工况样本数据集输入自编码器模型，输出得到与所述待测工况样本数据集对应的待测工况重构误差数据集，所述自编码器为通过原始工况样本数据集构建的编码器，所述原始工况样本数据集为指示所述TE过程中无故障情况的样本数据集；

基于所述待测工况重构误差数据集确定待测工况重构误差信息子块、待测工况累计信息子块以及待测工况变化率信息子块；