[发明专利]一种非平稳工业过程故障检测方法和系统

说明书

本发明提出一种非平稳工业过程故障检测方法和系统。其中，方法包括：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，差分循环自编码器的输出输入解码器层，得到故障检测模型；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；将实时监测统计量与监测统计量阈值进行比较，如果实时监测统计量超过监测统计量阈值，则判断为故障，否则判断为正常工况。本发明提出的方案，可以提取数据的非平稳特征，从而可以有效地将故障与正常的非平稳趋势区分开来，实现过程故障的早期、准确识别，进而使企业的生产安全和经济效益得以保障。

技术领域

本发明属于故障检测领域，尤其涉及一种非平稳工业过程故障检测方法和系统。

背景技术

全球范围下的人工智能、大数据等信息技术迅速发展，推进了工业制造业向着数字化、智能化的方向发展。在工业生产中能够收集到大量的生产数据，对应着每一时刻各个设备的状态，应用人工智能技术对工业大数据进行处理和分析，能够为工厂提升生产效率，还能实现经济高质量的发展。

在工业生产中，过程的稳定运行是保证工厂产品质量和生产安全的重要前提。现代工厂中传感器网络的密集配置极大促进了过程监测技术的发展。与此同时，集散控制系统被广泛应用于工业数据的采集和存储，促使数据驱动的故障检测方法成为研究热点。故障通常被定义为至少一个测量变量偏离正常操作工况。集散控制系统同时也是工厂中主要的故障检测依据，当实际生产中有变量值超出了操作人员提前在系统中设定的报警值时就会给出警报。然后，在变量超出设定值范围时故障往往已经发生了较长时间，当其被集散控制系统检测到时可能已经对产品质量或生产造成了不可挽回的影响。由于生产的历史数据中蕴含着大量的过程信息，数据驱动的故障检测方法能够通过提取这些信息来降低故障的影响。

常用的多元统计方法，例如主成分分析和偏最小二乘法，通常通过提取过程变量之间的相关关系来进行建模。在主成分分析中，正常工况下的数据被投影到一个使潜变量的方差最大化的主空间中和一个残差空间，并通过在每个空间中构建相应的过程监测统计量，以及它们在正常工况下的阈值，即可实现故障检测。然而，非线性相关性不能通过主成分分析中的线性转换来提取。等人首先将核主成分分析应用于非线性特征提取，在该方法中数据在进行传统主成分分析变换之前先通过核函数映射到更高维的空间。后来，Lee等人将核主成分分析应用于非线性过程监测，但是该方法仍然难以选择合适的核及其参数来提取过程中复杂的非线性。

主成分分析的另一个缺点是没有考虑动态信息的提取，因为数据的自相关性没有被考虑。Ku等人应用动态主成分分析通过将变量与其时滞测量进行扩展来提取自相关。然而动态主成分分析有几个明显的局限性，例如，随着时间滞后的增加，增广矩阵的维数会很高，并且该方法仍然只考虑方差而不是数据内在的动态信息。另一种选择是Li等人提出的动态潜变量方法。该方法首先进行自回归主成分分析以获得具有最大自方差的潜变量，然后为潜变量建立内部模型以提取数据内在的动态信息。动态潜变量方法在统计过程监测中引起了极大的关注，并提出了几种变体，例如动态内部偏最小二乘、动态内部主成分分析和自回归动态潜变量。尽管上述潜变量方法解决了特征提取的某些问题，但这些模型仍然不足以提取工业数据的内在特征。