公开/公告号CN112598144A
专利类型发明专利
公开/公告日2021-04-02
原文格式PDF
申请/专利权人 西安理工大学;
申请/专利号CN202011636861.0
申请日2020-12-31
分类号G06Q10/00(20120101);G06Q10/04(20120101);G06N3/08(20060101);G06N3/04(20060101);G01D21/02(20060101);
代理机构61214 西安弘理专利事务所;
代理人王敏强
地址 710048 陕西省西安市碑林区金花南路5号
入库时间 2023-06-19 10:27:30
技术领域
本发明属于工业系统智能维护技术领域,具体涉及一种基于相关性分析的CNN-LSTM突发故障预警方法。
背景技术
系统智能维护的主要任务是通过监测系统的运行状态,实现对未来时期系统运行状态的预测。当系统状态存在潜在异常时,需对故障进行早期定位和预防,以缩短预防性维护周期,减少因故障造成的不必要损失,同时确保系统安全可靠地运行。由于工业系统中故障出现的原因复杂、设备的监测数据难以获取、数据质量较低等原因,导致对工业系统故障预警的研究十分匮乏。开展故障预警研究以及实现系统的早期维护,是系统智能维护的重要组成部分,因此,对工业系统开展故障预警研究有重大意义。
由于突发故障的发生具有一定的随机性,且短时间内工作人员不易监测到系统的异常状态,所以无法对系统进行及时维护;同时,突发故障一旦出现,则可导致系统死机、停止运行。综上所述,对工业系统突发故障的准确预测就显得尤为重要。
结合突发故障的特点,针对故障预警研究所面临的问题,提出一种基于相关性分析的CNN-LSTM突发故障预警研究方法,该方法不仅能够增强对故障预警研究的信心,对于该学科和行业的进步起着关键性的作用。
发明内容
本发明的目的是提供一种基于相关性分析的CNN-LSTM突发故障预警方法,通过分析系统内部各环节之间的耦合关系,学习系统自身的运行行为,可对工业系统中的突发故障做出及时地预测和识别。
本发明所采用的技术方案是,基于相关性分析的CNN-LSTM突发故障预警方法,具体按照以下步骤实施:
步骤1、构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;
步骤2、保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;
步骤3、构建数据集构造策略:针对步骤2中的特征因素,构建突发故障预警数据集;
步骤4、实现特征提取:通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取,得到最终的特征映射序列;
步骤5、实现突发故障的预测:将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络,利用训练好的网络对测试样本进行预测,得到制氩空分系统运行状态的预测结果,结合步骤1中的阈值对预测结果进行分析,实现网络对突发故障的预警功能。
本发明的特点还在于,
步骤1具体如下:
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分:将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔,划分到N个子区间内;
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度,并绘制柱状图;
步骤1.3、利用所述步骤1.2所得各子区间的数据长度,计算各子区间数据长度占总数据长度的百分比,并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态(正常状态S
步骤1.4、计算突发故障的阈值:去除正常状态S
其中,趋于故障状态S
步骤2具体如下:
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号,将影响制氩空分系统突发故障的精氩塔温度数据编号为v,将其他部件的传感器监测数据编号为x
步骤2.2、通过以下4个条件,判断步骤2.1中的变量x
(1)x
(2)x
(3)x
(4)x
步骤2.3、计算步骤2.2之后的x
步骤2.4、利用所述步骤2.3中的Pearson相关系数
步骤2.3具体如下:
步骤2.3.1、通过式(2)计算x
步骤2.3.2、通过式(3)计算x
步骤2.3.3、通过式(4)计算x
Cov(x
步骤2.3.4、根据式(5)计算x
步骤3具体如下:
步骤3.1、构造样本集:将步骤2中保留的特征因素转换为矩阵形式;
步骤3.2、构造子训练集和子测试集:将每个特征因素x
步骤3.3、构造总训练集和总测试集:将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集,同时,按照总训练集中各子训练集的合并顺序,将各子测试集以列堆叠的形式合并为总测试集,最终形成由总训练集和总测试集构成的突发故障预警数据集。
步骤5具体如下:
以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入,每进行一次预测得到输出的预测结果,将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络,并对网络中的各参数进行调优,当网络的误差小于0.05时,说明网络收敛,可以对空分系统的突发故障进行预警。
本发明的有益效果是,一种基于相关性分析的CNN-LSTM突发故障预警方法,通过相关性分析的方法确定影响突发故障产生的特征因素,并利用CNN-LSTM算法提取各特征因素之间的特征映射,学习各特征因素之间的隐层关系,构建突发故障预警模型,实现了对突发故障的预警。通过实验仿真验证了所提方法在突发故障预警方面的准确性和高效性。
附图说明
图1为本发明基于相关性分析的CNN-LSTM突发故障预警方法总体流程图;
图2为本发明中CNN-LSTM网络预测流程图;
图3为本发明中突发故障阈值策略中数据划分原理图;
图4为本发明中突发故障阈值策略中数据分布示意图;
图5为本发明中突发故障阈值策略中系统运行状态分类示意图;
图6为本发明中CNN特征提取过程流程图;
图7为本发明中LSTM网络预测过程流程图;
图8为本发明中两组预测结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于相关性分析的CNN-LSTM突发故障预警方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;
步骤1具体如下:
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分:将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔,划分到N个子区间内;
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度,并绘制柱状图;
步骤1.3、利用所述步骤1.2所得各子区间的数据长度,计算各子区间数据长度占总数据长度的百分比,并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态(正常状态S
步骤1.4、计算突发故障的阈值:去除正常状态S
其中,趋于故障状态S
步骤2、保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;
图3~图7所示:
步骤2具体如下:
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号,将影响制氩空分系统突发故障的精氩塔温度数据编号为v,将其他部件的传感器监测数据编号为x
步骤2.2、通过以下4个条件,判断步骤2.1中的变量x
(1)x
(2)x
(3)x
(4)x
步骤2.3、计算步骤2.2之后的x
步骤2.4、利用所述步骤2.3中的Pearson相关系数
步骤2.3具体如下:
步骤2.3.1、通过式(2)计算x
步骤2.3.2、通过式(3)计算x
步骤2.3.3、通过式(4)计算x
Cov(x
步骤2.3.4、根据式(5)计算x
步骤3、构建数据集构造策略:针对步骤2中的特征因素,构建突发故障预警数据集;
步骤3具体如下:
步骤3.1、构造样本集:将步骤2中保留的特征因素转换为矩阵形式;
步骤3.2、构造子训练集和子测试集:将每个特征因素x
步骤3.3、构造总训练集和总测试集:将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集,同时,按照总训练集中各子训练集的合并顺序,将各子测试集以列堆叠的形式合并为总测试集,最终形成由总训练集和总测试集构成的突发故障预警数据集。
步骤4、实现特征提取:通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取,得到最终的特征映射序列;
步骤5、实现突发故障的预测:将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络,利用训练好的网络对测试样本进行预测,得到制氩空分系统运行状态的预测结果,结合步骤1中的阈值对预测结果进行分析,实现网络对突发故障的预警功能。流程图如图2所示,
步骤5具体如下:
以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入,每进行一次预测得到输出的预测结果,将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络,并对网络中的各参数进行调优,当网络的误差小于0.05时,说明网络收敛,可以对空分系统的突发故障进行预警。
实施例
本次实验以某制氩空分系统为研究对象,系统以30s作为采样频率,共收集了24个传感器的168个小时的样本数据(共518400个样本点)。经过相关性分析后,保留4个特征变量,共86400个样本数据,其中,总训练集有60480个样本点,总测试集有25920个样本点。
基于以上数据,采用本发明的方法与CNN和LSTM方法进行单变量突发故障预警,表1表明各网络性能比较结果。
表1单变量对比实验
由表1所示的结果可以看出,三种网络模型中,CA-CNN-LSTM网络预测结果的RMSE最小,CA-CNN的预测时间最长,且预测结果的RMSE最大,网络预测效率不高。CA-CNN-LSTM网络虽然预测时间趋于中间,但其预测结果的RMSE最小,网络预测效率较高。
采用本发明的方法与CNN和LSTM方法进行多变量突发故障预警,表2表明各网络性能比较结果。
表2多变量对比实验
分析表2中的结果可知,CA-CNN-LSTM网络预测结果的RMSE最小,虽然CA-CNN预测时间最短,但其预测结果的RMSE最大,且三种网络的预测时间非常接近,因此,CA-CNN-LSTM网络的预测效果最佳。
为了更加清晰地描述实验结果,将以上2个仿真结果可视化,结果见图8。
通过观察图8可知,所提CA-CNN-LSTM模型的预测效果比CA-CNN模型和CA-LSTM模型的预测效果更好;3种网络的多变量预测结果均明显优于单变量的预测结果。通过以上仿真实验的结果对比,验证了使用所提方法CA-CNN-LSTM网络来预测突发故障的有效性和可行性。
机译: 基于CNN-LSTM深度学习模型的驾驶员疲劳识别方法
机译: 基于局部通信的智能标记装置及一种能够形成基于位置的社交网络的位置预警方法
机译: 基于深度学习的产品相关性分析