[发明专利]一种基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法

权利要求书

1.一种基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法，其特征在于，包括步骤如下：

步骤一、调用化工生产过程中在群体设备上的传感器所收集的数据；

步骤二、进行特征重要性计算，根据重要性排序确定与故障相关的变量，筛选与故障相关性较高的特征，可以确定造成故障的主控变量；

步骤三、进行特征重构并降维，计算主元贡献率；

步骤四、原始未降维数据在残差空间的投影变换构建T²统计量，用以描述工况数据并确定正常工况的阈值T_α；

步骤五、构建监督数据，将故障检验得到的T²统计量与降维后的监测数据拼接组成时间序列数据；

步骤六、构建预测模型；

步骤七、实时输入的T时刻的监督时间序列数据，预测T+n时刻的T²统计量；

步骤八、数据划分，划分训练集与测试集，使用训练集进行训练，测试集进行模型对比；

步骤九、用四个模型进行对比，对比预测效果；

所述的步骤一中所收集的传感器数据，即TE过程数据，此群体设备包括五个主要单元：反应器、冷凝器、压缩机、分离器和汽提塔，共有41个测量变量和12个控制变量，包括进料流量(A、D、E等)，总进料量，再循环流量，反应器速度、压力、等级、温度，排放速度，产品分离器温度、液位、压力，汽提器温度、流量、功率，反应器冷却水出口温度，分离器冷却水出口温度等53个变量；

所述的步骤二中，实时监测现运行工况的T²统计量是否超过阈值以实现故障检验的目的，当实时运行监控的T²＞T_α，则表明系统可能发生故障，反之则为正常运行的状态，并且根据主元贡献率可确定故障发生的位置，即传感器所反应的设备。

2.根据权利要求1所述的一种基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法，所述的步骤三中，数据降维与主元贡献率的具体计算步骤如下：

经过随机森林处理后共有m维数据，使用核函数将标准化后的输入空间样本X映射到高维特征空间并进行中心化处理，因为高维特征空间是线性可分的，可采取与PCA相似计算步骤进行降维，对协方差矩阵Φ(X)Φ(X)^T进行特征值分解：Φ(X)Φ(X)^TV＝λV

λ和V分别为特征值和特征向量矩阵；

求投影矩阵：

在高维空间直接求解特征值分解的特征值计算量较大，可引入核函数：和核矩阵K，将投影矩阵代入式特征值分解并左乘Φ(X)^T：Φ(X)^TΦ(X)Φ(X)^TΦ(X)A＝λΦ(X)^TΦ(X)A；

用核矩阵K代替Φ(X)^TΦ(X)：KA＝λA

因此在得到特征值后，可根据各特征值与特征值总和相比计算主元贡献率，通过循环累加计算，当值达到预设百分比时，可确定要保留的特征数，实现降维。

3.根据权利要求1所述的一种基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法，所述的步骤四中，故障诊断T2统计量的实时检测值与阈值T_α计算具体过程如下：T²统计量是在使用KPCA模型进行行故障诊断中常用的统计量，T²统计量表示样本变化趋势，反应样本在主分量中的变化，对于新样本x_new(m*1)，T²统计量为：

P为特征重构后的特征向量矩阵，S为特征值矩阵中的从大到小排列的特征值；

T²统计量的控制线：

k为主元个数，n为样本数，服从F分布。