[发明专利]针对多模态工业过程异常状态的检测方法、系统、设备

说明书

本发明属于过程监测领域，具体涉及一种针对多模态工业过程异常状态的检测方法、系统、设备，旨在解决在复杂工业生产过程中，由被监测的多维变量的异常变化趋势所反映的异常生产状态的检测精度不足的问题。本方法包括获取状态监测数据；对状态监测数据进行预处理，得到预处理数据；对预处理数据进行分割，并构建用于描述t时刻生产过程的状态的增广矩阵，作为第一矩阵；基于矩阵之间的误差，计算在设定的异常指标s_et、s_bt下的检测结果；对获取的检测结果进行滤波处理；若滤波后的检测结果对应的值大于预获取的两个报警阈值中的任一个，则进行预警。本发明提高了多模态工业过程中异常状态检测的检测精度。

技术领域

本发明属于过程监测领域，具体涉及一种针对多模态工业过程异常状态的检测方法、系统、设备。

背景技术

现代化工业生产线日益复杂，生产过程中的异常现象如果不能及时地被发现，诊断以及排除，可能会导致设备的损坏、产品质量的下降、甚至导致严重的生产事故及人员伤亡。现如今，已有大量的传感器被用于生产过程的监测，可从生产过程中采集到充足的监测数据。利用这些数据可以构建基于数据驱动的模型，实现生产过程的实时监测以及异常状态的自动化检测。相关研究有较大的研究意义以及应用价值。

现有的过程监测算法大多针对单模态生产过程。单模态生产过程的操作模式单一，其数据分布也相对简单，通常可表示单峰值的数据分布。高斯分布是其中一种最为典型代表。然而，从现实生产过程中采集的数据往往不能满足以上假设。受市场需求影响，生产过程会在多组参数设定之间切换；生产过程也会根据工艺要求在不同的工序间切换，这使得监测数据呈多峰分布。此时，基于单峰分布假设以及独立样本假设的单模态过程异常检测算法往往已经难以满足任务需求。因此，有必要构建多模态过程的异常检测方法。

尽管近年来已有许多关于多模态异常检测的方法被提出。但大多数方法所分析对象的数据形式相对单一。其生产过程中，每个操作模态往往对应着一组固定的参数设定，采集到的数据具有显著的统计特征。目前大多数基于独立样本假设，并基于数据统计特征的异常检测算法可以检测这些具有异常数据分布的异常状态。然而实际生产过程往往是连续过程，大多数统计模型不能有效反映时序上的异常变化趋势。此外，现实生产过程除了在多组操作模式间切换，单一操作模态内的监测变量也可能是时变的。由于工业生产过程会在多个工序之间循环切换，同一操作模式下的监测数据可能呈现多种变化趋势。然而仅采用统计模型很难有效地对这些特征进行建模。

因此，本领域需要一种对具有多种时序特征的多模态工业过程的有效建模方法，并进一步实现对多模态过程中异常状态的检测。

发明内容

为了解决现有技术中的上述问题，即为了解决在包含多种操作模态的复杂工业生产过程中，由被监测的多维变量的异常变化趋势所反映的异常生产状态的检测精度不足的问题，本发明第一方面，提出了一种针对多模态工业过程异常状态的检测方法，该方法包括：

S10，通过多组传感器采集生产线在生产过程中的状态监测数据；

S20，对所述状态监测数据进行预处理，得到预处理数据；

S30，采用滑动窗口策略，通过自定义窗口大小n和滑动步长n_s，对所述预处理数据进行分割；分割后，利用t-n+1时刻至t时刻的预处理数据构建用于描述t时刻生产过程的状态的增广矩阵，作为第一矩阵；

S40，利用训练好的自编码器模型重构第一矩阵，作为第二矩阵，并利用自编码器模型重构第一矩阵与第二矩阵之间的残差；将所述第二矩阵与所述残差求和，作为最终的重建结果，并计算所述重建结果与第一矩阵数据间的重建误差，进而基于该重建误差计算预处理数据在设定的异常指标s_et、s_bt下的检测结果；

S50，结合历史检测结果，对S40中获取的检测结果进行滤波处理；若滤波后的检测结果对应的值大于预获取的两个报警阈值中的任一个，则进行预警；