[发明专利]基于FCM-LSTM的化工储罐异常检测算法研究

摘要

本发明公开了基于FCM‑LSTM的化工储罐异常检测算法研究。涉及化工设备、神经网络等领域，该方法利用多层网络架构模型作为故障诊断方法，结合监督学习和无监督学习的优点，采用基于数据驱动的故障诊断机制。首先利用无监督具类FCM算法对海量数据进行聚类，依据指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，再运用PSO算法避免初始值的随机选取，加速聚类过程，得到少量标记数据以提高检测性能，然后利用LSTM分别对每个簇和离线历史数据进行训练网路，最后进行多子网并行学习后对结果进行拟合并集成分析，提高网络的泛化能力。这种方法处理的数据量更大，可处理的信息更多，适用范围更广。

主权项

1.基于FCM‑LSTM的化工储罐异常检测方法，其特征在于，所述方法包括以下步骤：步骤一：建立数据采集通道：从传感器或其他检测设备中获取电量、非电量信号和少部分人工采集的数据，采用PLC控制系统，直接通过用户数据报协议通信将数据传输到上位机，客户端读取采集信息后，计算并存入数据库；步骤二：工业控制数据的处理；所述步骤一采集得到工业控制数据集进行特征提取，特征提取根据不同特征的信号采用不同的提取方式。步骤三：对步骤二中的数据集按照指定的相似度标准，对数据集进行划分，使得正常数据和故障数据归属到不同的类簇，每个簇内部具有高度相似性，簇之间高度分离，因为划分为多个数据簇，所以极大地降低了后续训练数据的复杂度，由于FCM算法在初始中心的选取上容易陷入局部最优解，所以这里会运用PSO算法避免初始值的随机选取，加速聚类过程；步骤四：经过步骤三的处理不能够达到很好的检测性能，所以由步骤三得到的多个簇，利用LSTM分别对每个簇和离线历史故障数据进行训练网络，针对每个聚类进行多子网并行学习后需要对结果进行拟合，从而提高网络的泛化能力。步骤五：多层LSTM网络层提供可提供对时间序列的长时记忆能力，从输出端看，最终准确诊断分类的前提是低层网络需要逐渐抽象化特征以达到易于分类的效果，因此引入DNN全连接层进行非线性变换及特征映射，并加入Sofimax回归模型对不同类型信号进行分类；步骤六：执行完步骤五以后，样本学习完后结束，根据输出的值可以确定有哪些故障类型。