[发明专利]基于一维多头卷积网络的工业过程故障分类方法和系统

说明书

本发明公开了基于一维多头卷积网络的工业过程故障分类方法和系统，属于工业过程监控技术领域。本发明使用一维多头卷积，对每个输入的过程变量进行单独的一维卷积，实现对原始数据的一种平滑，忽略数据在短时间内的微小波动，突出对于判别故障类型有用的特征。本发明在变量维度方向上同时进行卷积，与使用一维卷积只沿着时间轴方向进行扫描相比，可从数据中提取更多有用特征。本发明提出的模型以单路两层的卷积结构为主，模型简单，便于实际部署，在实际中，采集工业过程的故障数据，离线训练模型；工业过程在线运行时，将故障样本输入至模型，实时地诊断故障类型，分类器同时输出故障属于各类型的可能性大小。

技术领域

本发明属于工业过程监控技术领域，更具体地，涉及基于一维多头卷积网络的工业过程故障分类方法和系统。

背景技术

现代化工工业系统变得越来越复杂和集成，对化工工业系统的过程监视变得越来越重要。在实际工业系统中很难获得系统的物理原理，结构以及先验知识。一个简单的故障可能会损坏功能部分，从而进一步降低整个系统的性能，从而导致经济损失甚至巨大的人员伤亡。对故障进行及时、准确的故障检测和故障诊断可以减少危害，提高设备操作的安全性和可靠性，并降低制造成本。通常，过程监视方法可以分为三个部分：基于模型的方法，基于知识的方法和数据驱动的方法。故障诊断的主要任务是故障检测、故障分类、故障定位、故障恢复等。一旦检测到故障，就需要确定故障类别。故障分类是确定发生哪种故障，即区分观察到的异常情况的原因。确定故障类别后，将立即采取相应的故障排除措施。这种及时的故障排除可以避免更大的经济损失和人员伤亡。

随着存储技术的飞速发展，通过在线测量和离线分析收集并存储了大量重要的测量值和最终产品质量变量，数据驱动的过程监控技术可以得到越来越多的应用。因此，基于数据的方法成为新的热点。与传统的基于模型的方法相比，基于知识的需要有关系统的可靠的先验定量知识或定性知识。数据驱动的方法主要有机器学习和深度学习的方法，近年来深度学习技术在图像分类和自然语言处理方面取得了巨大的成功，但目前化工过程的故障分类中，现有的方法为直接套用图像分类的网络架构，在化工过程的故障分类中实现的分类准确率不高，需要设计针对化工过程数据的故障分类的网络架构。

专利CN110033021A公开了一种基于一维多路卷积神经网络的故障分类方法，该方法通过沿时间方向使用多路并列的一维卷积神经网络，各路一维卷积独立的对原始数据进行卷积、池化，提取时序特征，“多路”是指使用多种尺寸的卷积核对数据进行特征提取。然而，该方法使用了多路一维的卷积进行数据特征的提取，该网络架构复杂，不能很好地满足实际化工过程中的应用；同时其在田纳西伊斯曼化工过程中的21类全部故障的分类准确率仅为64.14％，分类准确率有待提升。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了种基于一维多头卷积网络的工业过程故障分类方法和系统，其目的在于利用一维多头卷积网络的特性来提取过程变量的特征进行故障分类，该模型网络架构简单，便于实际部署，需要的计算力少，执行速度快，分类准确率高，可以更好的满足实际化工过程中的应用。

为实现上述目的，按照本发明的第一方面，提供了一种基于一维多头卷积网络的工业过程故障分类方法，该方法包括：

S1.对采集到的原始故障数据进行标准化处理，对标准化后故障数据沿时间维度对每个变量进行截取，将数据截取后得到的数据集划分为训练集和验证集，所述训练集和验证集均包含所有故障类型的样本；

S2.使用训练集训练故障分类模型，使用验证集调整故障分类模型的超参数，以获得使模型分类性能最佳的超参数，所述故障分类模型包括依次串联的：一维多头卷积层、一维池化层、第一组归一化层、二维卷积层、二维池化层、第二组归一化层、非线性激活层、Dropout层、第一层全连接层、第二层全连接层、批归一化层和SoftMax分类层；

S3.将待测样本输入至训练好的故障分类模型，得到待测样本的类别预测结果。