[发明专利]一种基于数据驱动的工业生产过程故障诊断方法

说明书

本发明公开了一种基于数据驱动的工业生产过程故障诊断方法，包括：计算平均偏差和方差，对工业生产过程中的多维数据进行特征提取，得到特征数据，构建原始输入样本集；利用原始输入样本集，使用训练好的随机森林模型，对待诊断工业生产过程进行故障诊断，得到诊断结果；根据诊断结果是否有故障，以及故障类型，对待诊断工业生产过程故障产生的原因进行分析和解决。本发明采用粒子群算法，同时优化随机森林模型的2个关键参数，为随机森林参数的优化提供了一种可行、高效的方法，并提高了利用随机森林算法进行工业生产过程故障诊断的准确性。

技术领域

本发明属于工业生产过程诊断领域，更具体地，涉及一种基于数据驱动的工业生产过程故障诊断方法。

背景技术

工业生产过程系统越来越复杂，各个流程工序相互关联、相互影响，一旦其中任何一个过程出现故障，会导致系统功能失效，影响正常生产，造成企业重大经济损失，严重时还会造成人员安全事故，给国家和人民带来损失。因此，从安全生产和企业经济效益的角度来说，通过对工业生产过程数据的分析进行故障诊断是十分必要的。

现有的故障诊断方法可以分为基于机理模型的方法、基于知识的方法、基于信号处理的方法和基于人工智能的方法。基于机理模型的方法具有良好诊断效果的前提是建立精确的模型，随着生产制造系统的集成化与复杂化，构建这些系统的精确机理模型是很困难的，基于机理模型的方法在实际应用中很难起到良好的诊断效果。基于知识的方法是将故障诊断相关的专家经验知识进行处理，模拟人的决策方式，实现复杂系统的智能化诊断。这种方法构建的模型大部分不具有自我学习能力，不能满足需求。基于信号处理的方法是对信号进行处理和特征提取来进行故障诊断，但是没有固定的特征提取方案，不同类型数据的特征提取方式不近相同。近年来，基于人工智能的方法逐渐兴起，提高了诊断效率和识别率。但在使用人工智能方法对工业生产过程数据进行故障诊断时，人工智能算法的模型和模型参数往往需要优化，如果优化效果不好，则会降低故障诊断的准确率，诊断结果与实际偏差较大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据驱动的工业生产过程故障诊断方法，由此解决现有的故障诊断方法诊断结果偏差大，以及诊断算法的参数优化效率低的技术问题。

为实现上述目的，本发明提供了一种基于数据驱动的工业生产过程故障诊断方法，包括：

(1)计算工业生产过程中的多维数据的平均偏差和方差，以对工业生产过程中的多维数据进行特征提取，得到特征数据，由所述特征数据构建原始输入样本集；

(2)利用原始输入样本集，使用训练好的随机森林模型，对待诊断工业生产过程进行故障诊断，得到诊断结果；

(3)根据诊断结果是否有故障，以及故障类型，对待诊断工业生产过程故障产生的原因进行分析和解决。

优选地，步骤(1)包括：

选取工业生产过程中的变量A_k从t时刻开始的连续h个值，计算这h个值与该变量A_k的偏差，然后将这些偏差的平均值作为特征值e_t,k，另外再计算这h个值与该变量A_k的方差，并将这些方差的平均值作为另一个特征值由此，对于工业生产过程中的r个变量，能够构造出包含2*r个特征值的特征向量：将所述特征向量经归一化处理后，得到特征数据，构建原始输入样本集S。

优选地，所述步骤(2)的训练好的随机森林RF模型，训练过程包括：

(2.1)计算经过标记的工业生产过程中的多维数据的平均偏差和方差，以对工业生产过程中的多维数据进行特征提取，得到特征数据，由所述特征数据构建原始输入样本集；