[发明专利]多变量工业过程故障分类方法

说明书

本发明涉及一种多变量工业过程故障分类方法，首先使用正常操作工况数据集来分析过程变量之间的相关性，计算变量之间的相关性因子；其次根据过程变量之间的相关性因子构建新的过程变量排列顺序，并进一步构建变量自组织函数；使用卷积神经网络建模方法构建VSACNN故障分类模型，并利用训练数据集来进行网络参数的优化，将测试数据集输入至VSACNN故障诊断模型，根据VSACNN故障诊断模型输出确定故障类型。本发明将变量关系分析与CNN模型相结合，提高局部变量之间的相关性，从而帮助CNN充分挖掘相关过程变量之间的联系，改善CNN在提取局部特征的信息有效性，能够有效地提升故障分类的准确率。

技术领域

本发明属于工业过程故障诊断技术领域，涉及多变量工业过程故障诊断技术，具体地说，涉及一种基于变量自组织卷积神经网络(英文：Variable Self Arrangementbased Convolutional Neural Networks,简称：VSACNN)的多变量工业过程故障分类方法。

背景技术

过程自动化技术的快速发展使得工业系统的复杂性不断增加。为了保证复杂工业系统的安全连续运行，故障诊断技术已成为业界和学术界关注的主要问题。由于复杂的工业过程涉及大量的测量变量、高度非线性的变量关系和难以区分的故障模式，故障分类是一个具有挑战性的课题。

卷积神经网络(英文：Convolutional Neural Networks,简称：CNN)是指那些至少在网络的某一层中使用了卷积运算来代替一般的矩阵乘法运算的神经网络，该卷积神经网络采用了局部连接和权值共享的方式，减少了模型内部的参数数量，降低了网络模型的复杂度。因其具有强大的特征提取能力，目前已经在计算机视觉、自然语言处理、故障诊断等多个领域得到广泛应用。尽管在故障诊断领域取得了一定的成功，但基于CNN的故障诊断方法仍有提升的空间。现有基于CNN的故障诊断方法存在的一个重要问题是普通CNN没有考虑输入层中的变量排列顺序。在理想情况下，无论过程变量如何排列，CNN都有很强的能力提取数据的内在信息进行分类。但是在实际操作中，CNN通过一个有限大小的卷积核来挖掘数据的局部特征。如果将相关变量放置在距离较远的位置，使得卷积核无法覆盖它们，那么CNN可能无法找到这些变量之间的联系，导致分类性能变差，故障诊断性能低。

发明内容

本发明针对现有技术存在的故障诊断性能低的问题，提供一种基于VSACNN的多变量工业过程故障分类方法，能够准确分析过程变量之间的相关性，并根据相关性对过程变量进行重新排列，确保CNN在做卷积运算时能够充分挖掘相关变量之间的联系，提高故障分类准确度。

为了达到上述目的，本发明提供了一种多变量工业过程故障分类方法，其具体步骤为：

S1、采集工业过程正常操作工况数据建立正常工况数据集X₀，标准化处理后得到正常工况数据集

S2、采用正常工况数据集进行变量相关性分析，计算过程变量之间的相关性因子RF(v_i,v_j)，其中，v_i与v_j表示过程数据的任意两个变量；

S3、根据相关性因子RF(v_i,v_j)构建无向有权图G，对无向有权图G进行广度优先遍历，并根据变量之间的相关性进行分组，利用分组构建变量自组织函数X₀′＝DA(X₀)，其中，X₀为原始过程数据，X₀′为变量顺序重新组织后的过程数据；

S4、采集C类故障工况数据集{X₁,X₂,…,X_C}，并与正常工况数据集X₀构成训练数据集X_train＝{X₀,X₁,…,X_C}，标准化处理后得到训练数据集