[发明专利]一种基于多尺度卷积神经网络的化工过程故障诊断方法

说明书

本发明公开了一种基于多尺度卷积神经网络的化工过程故障诊断方法，属于化工安全领域。本发明首先，获取对应化工生产过程的参数，并进行预处理。其次，将预处理的数据转换为图片集，并将划分成训练图片集和测试图片集。然后，为化工过程设计多尺度卷积神经网络诊断模型，并训练。最后，从化工过程中采集实时在线数据，并进行预处理转换为图片集，输入到多尺度卷积神经网络模型中，若预测的结果与专家的判断之间存在差异，则用新数据对模型进行重新训练。本发明能够更准确诊断目标数据的故障，可以帮助及时诊断和消除故障避免部分安全事故。

技术领域

本发明属于化工安全领域，涉及到矩阵色块图算法和卷积神经网络应用技术，特别是涉及一种基于多尺度卷积神经网络(Multi-scale Convolutional Neural Network，简称MsCNN)的化工过程故障诊断方法。

背景技术

伴随经济水平的持续进步，社会科学技术的不断提升，化工生产设备逐步实现自动化，并向着大型化、精密化和智能化的方向发展。同时随着持续扩大生产规模，也意味着生产设备装置和系统的结构变得越来越复杂，其生产过程往往表现出高度非线性、不确定性、不稳定性和强关联性等特点。

化工安全事故的发生，一般是化工装置故障没有及时发现和处理而造成，当化工生产过程出现故障或异常时，如果无法正确的辨别与快速的处理，较好情况下会导致生产设备无法正常运行而生产中断，较差情况下可能造成惨痛的生命财产损失，还可能引起环境的巨大破坏。

虽然目前基于深度学习的故障检测和诊断方法已经得到了较好的效果，但还是有部分故障类型的诊断准确率比较低，如：TE过程(Teenesse Eastman Process)中的“故障09”、“故障15”和“故障16”等。因此，如何能及时和准确地检测和诊断化工生产过程中的所有故障类型一直是化工行业面临的热点和难题，研究提高化工生产过程中故障诊断能力具有重大意义。

发明内容

本发明针对现有技术的不足，提出一种基于多尺度卷积神经网络的化工过程故障诊断方法。

本发明的目标是针对化工生产过程故障诊断中部分故障类型诊断准确率低的问题，提出了一种基于多尺度卷积神经网络的故障诊断方法。首先，该方法将化工过程的二维时间序列信号数据转换成矩阵色块图数据集，以便利用深度学习在图片特征提取上的优势；其次，应用多尺度卷积神经网络模型对化工生产过程的各类故障进行检测和诊断。

其诊断过程包括离线和在线阶段，具体步骤如下。

步骤1：从化工过程中收集历史数据并对其执行预处理。

步骤1.1：获取对应化工企业生产过程的参数，如化工过程历史正常数据和化工过程历史故障数据等。

步骤1.2：使用min-max归一化公式进行数据预处理。

为了方便计算，需要进行归一化处理。使用min-max归一化公式进行数据预处理。

步骤2：将预处理的历史数据转换为样本图片集，包括正常及其故障类型。

在本发明中，应用了一种有效的数据预处理方法，即将时间序列原始信号数据转换为图像。经过处理的每组参数均是一个时间序列数据，将多个变量数据组成数据矩阵，成功绘制数据矩阵色块图，用丰富的颜色和形状形象的展示矩阵元素值的大小。矩阵色块图中每个色块的正方形外形大小一样。色块的数量是由矩阵的参数数量决定的。每一个色块中填充的颜色是参考生成色块矩阵图的颜色标准中给出。因此，矩阵色块图中各元素对应的色块，通过不同的参数值控制方形色块的颜色属性。

步骤3：将样本图片集分成两份数据集，即训练图片集和测试图片集。

步骤4：为化工过程设计诊断模型(多尺度卷积神经网络)。