[发明专利]基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统

说明书

本发明涉及基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统，首先对工业过程数据进行标准化，并根据工业过程划分为B个子块；为每一个子块构建一个局部二段自适应加权堆叠自动编码器，利用历史数据训练所有局部二段自适应加权堆叠自动编码器，得到每个子块的局部统计量，并确定局部故障控制限；利用历史数据训练全局二段自适应加权堆叠自动编码器，得全局统计量，并确定全局故障控制限；根据工业过程将待检测数据划分为多个子块；利用训练完成的局部二段自适应加权堆叠自动编码器计算每个子块的局部统计量；利用训练完成的全局二段自适应加权堆叠自动编码器计算整个工业过程的全局统计量；最终得出故障检测结果。

技术领域

本发明涉及基于数据驱动的微小故障检测方法领域，特别是针对非线性化工过程微小故障提出的一种基于分布式二段自适应加权堆叠的微小故障检测方法及系统。

背景技术

化工过程的微小故障是指相对于正常状态的微小变化，微小故障的幅值小，与系统信号的偏差百分比通常在1％到10％之间。微小故障的特征容易被系统的正常波动和噪声掩盖，极容易被忽视，但微小故障可能会演变为严重故障甚至导致工业事故。因此，有效的微小故障检测有利于保障化工过程的安全运行。随着现代工业过程的发展，大量的过程数据可以被采集和存储，这使得基于数据驱动的故障检测方法受到了广泛的关注，而传统的故障检测方法不能有效地检测微小故障。

已有大量的研究针对微小故障检测。一部分研究通过检测数据分布的微小变化实现微小故障的检测，如利用Kullback-Leibler散度(Kullback-Leibler divergence,KLD)和相异性度量(dissimilarity measure,DISSIMM)对数据分布微小变化敏感实现微小故障检测。已有的研究表明，考虑数据的局部信息有利于微小故障检测，已有研究为了处理局部信息，将多块的框架应用于微小故障检测，对工业过程进行子块划分，对每个子块分别建立模型。统计局部核主成分分析(statistical local kernel principal componentanalysis,SLKPCA)将统计局部方法引入主成分分析已应用于微小故障检测。传统的故障检测方法同等处理所有的样本，这容易导致微小故障信息被淹没。针对这一问题，已有研究利用测试样本与正常样本之间的欧氏距离对样本进行加权，以突出微小故障信息，然而欧式距离并不能够有效挖掘微小故障信息。

发明内容

针对微小故障信息容易被掩盖的问题，本发明提出了一种基于分布式二段自适应加权堆叠自动编码器(Distributed two-stage adaptive weighted stackedautoencoder,DTAWSAE)的微小故障检测方法。为了考虑工业过程的局部信息以及提取过程数据的高阶非线性特征，为工业过程的每个操作单元建立局部SAE模型，获得特征向量和残差向量。对特征向量和残差向量使用滑动窗技术和奇异值分解(Singular valuedecomposition,SVD)，得到最大奇异值。针对传统的故障检测方法对所有样本做同等处理而导致故障样本的故障信息被淹没的问题，利用最大奇异值对样本的特征向量和残差向量加权，基于加权的特征向量和残差向量为每个操作单元构建两个局部统计量。为了考虑工业过程的全局信息，将所有局部SAE提取的特征作为输入，建立全局SAE模型，并构建两个全局统计量。本发明方法利用最大奇异值挖掘微小故障信息，对样本的特征向量和残差向量进行加权，突出了故障样本的影响，提高了微小故障检测的性能；设计了一个分布式框架考虑局部和全局信息，为工业过程的每个操作单元建立局部SAE模型以及为全局建立全局SAE模型，实现局部检测和全局检测，能够判断发生的故障是局部故障还是全局故障以及判断故障影响的操作单元。

基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法，其特征在于包括以下步骤：

A.离线建模阶段：