[发明专利]一种非平稳工业过程故障检测方法和系统

权利要求书

1.一种非平稳工业过程故障检测方法，其特征在于，所述方法包括：

步骤S1、从工厂历史数据库中获取正常工况下的历史数据，并对历史数据进行标准化处理；

步骤S2、在基于长短时记忆神经网络的循环神经网络中引入差分输入，构建差分循环自编码器，用解码器层对所述差分循环自编码器编码层输出进行解码，得到故障检测模型；

步骤S3、将标准化后的历史数据划分为训练数据集和验证数据集，应用训练数据集和验证数据集训练所述故障检测模型；

步骤S4、应用训练好的故障检测模型计算验证数据集的重构误差，作为监测统计量，并确定监测统计量阈值；

步骤S5、从工厂的传感器/仪表实时地获取实时数据，并对实时数据进行标准化处理；

步骤S6、将标准化后的实时数据输入到训练好的故障检测模型中进行数据重构，并计算实时监测统计量；

步骤S7、将所述实时监测统计量与所述监测统计量阈值进行比较，如果所述实时监测统计量超过所述监测统计量阈值，则判断为故障，否则判断为正常工况。

2.根据权利要求1所述的一种非平稳工业过程故障检测方法，其特征在于，在所述步骤S2中，所述在基于长短时记忆神经网络的循环神经网络中引入差分输入，构建差分循环自编码器的方法包括：

所述差分循环自编码器包括四层长短时记忆神经网络，以当前时刻第一层长短时记忆神经网络的隐层输出和上一时刻的第一层长短时记忆神经网络的隐层输出的差值作为第二层长短时记忆神经网络的输入，提取非平稳特征，将所述非平稳特征输入第三层长短时记忆神经网络，提取非平稳特征的隐藏状态，将所述非平稳特征的隐藏状态输入第四层长短时记忆神经网络，得到差分循环自编码器的隐藏特征。

3.根据权利要求2所述的一种非平稳工业过程故障检测方法，其特征在于，在所述步骤S2中，所述第一层长短时记忆神经网络的隐层输出为：第一层长短时记忆神经网络的最后一层的隐层输出。

4.根据权利要求3所述的一种非平稳工业过程故障检测方法，其特征在于，在所述步骤S2中，所述以当前时刻第一层长短时记忆神经网络的隐层输出和上一时刻的第一层长短时记忆神经网络的隐层输出的差值作为第二层长短时记忆神经网络的输入，提取的非平稳特征的方法包括：

i_t1＝σ(W_i1·[h_t-h_t-1，N_t-1]+b_i1)

f_t1＝σ(W_f1·[h_t-h_t-1，N_t-1]+b_f1)

g_t1＝tanh(W_C1·[h_t-h_t-1，N_t-1]+b_C1)

N_t＝f_t1·N_t-1+i_t1·g_t1

o_t1＝σ(W_O1·[h_t-h_t-1，N_t]+b_o1)

D_t＝o_t1·tanh(N_t)

其中，h_t和h_t-1分别为当前时刻第一层长短时记忆神经网络的隐层输出和上一时刻的第一层长短时记忆神经网络的隐层输出，N_t和N_t-1分别为当前时刻和上一时刻该层的细胞状态，D_t表示提取的非平稳特征，σ和tanh分别是激活函数，W_i1和b_i1分别为第二层长短时记忆神经网络第一层的权重和偏置；W_f1和b_f1分别为第二层长短时记忆神经网络第二层的权重和偏置；W_C1和b_C1分别为第二层长短时记忆神经网络第三层的权重和偏置；W_O1和b_O1分别为第二层长短时记忆神经网络第四层的权重和偏置。