[发明专利]基于小样本学习的工业报警泛滥根源诊断方法及存储介质

说明书

本发明提供了一种基于小样本学习的工业报警泛滥根源诊断方法及存储介质，该方法包括离线训练过程和在线诊断过程，其中离线训练过程包括：对历史报警事件日志进行预处理，提取由显著故障引起的报警泛滥序列，进行文本编码，基于原型网络的小样本学习方法获得根源诊断模型以及每种根源的类表示，在线诊断过程包括：对待诊断的报警泛滥序列进行文本编码后，输入根源诊断模型，获取待诊断报警泛滥序列的空间表示向量，同时与每种根源问题的类表示进行相似性分析，输出故障类型。本发明通过考虑报警事件数据与故障根源的直接相关性，利用少量报警泛滥事件序列构建高精度的工业报警泛滥根源诊断模型，提高了工业报警泛滥根源诊断的实用性和有效性。

技术领域

本发明涉及工业过程故障监测与诊断领域，尤其涉及一种基于小样本学习的工业报警泛滥根源诊断方法及存储介质。

背景技术

近些年，分布式控制系统或数据采集与监控系统的广泛应用，生产和管理的自动化水平逐步提高。但同时，由于大型工业设施中包含大量生产设备和复杂的生产过程，导致异常状况频现并且容易快速传播扩散，为工业生产带来严峻的安全问题。而报警监控系统作为现代大规模复杂工业的核心成分，其性能的优劣直接影响到工业生产运行的安全性、稳定性和高效性。通过近些年国内外学者的研究，报警监控中的诸多问题，如误报警、漏报警、抖振报警和关联报警等，都得到了有效解决，但报警泛滥仍是困扰操作运营人员的难点问题。

报警泛滥是制约大型工业系统中报警监控系统性能的主要瓶颈。ANSI/ISA-18.2标准将报警泛滥定义为“大量报警信号出现导致报警率超过运营人员响应能力的情形”，规定每10分钟出现10个报警作为识别报警泛滥出现的基准阈值和每10分钟5个作为识别报警泛滥消逝的阈值，并建议报警泛滥的出现时间不超过总运营时间的1％。但实际工业中的报警泛滥无论是在报警率还是占比时间上，都远远超过这个标准。由于大型工业设施规模庞大、结构复杂，大量的监测变量和复杂的网络结构，导致异常状况频发并广泛传播，形成报警泛滥。而报警泛滥的频繁出现和传播，导致报警系统丧失其有效性，无法给操作运营人员提供有效的报警监控信息，从而极易导致生产事故的发生。因此，如何针对报警泛滥的分析与抑制研究成为学术界和工业界共同关注的问题。

报警泛滥的形成原因众多、类型不同、复杂程度不同，给报警泛滥的分析和应用带来挑战。现有研究方法主要集中于报警泛滥序列的相似性比对和报警泛滥序列的模式挖掘、和报警泛滥的分类方法，为报警泛滥的研究提供有效解决方法。然而，这些理论都是基于连续过程数据，但是忽略了与异常状况直接相关的报警事件数据，相比于连续过程数据，报警事件数据包含更少的数据量，并且包含有效信息的比例更大。同时，由于实际工业中，带标签的样本获取步骤繁琐、成本代价高，导致大量根源诊断方法应用受到限制，如何利用少量样本建立面向报警泛滥的根源诊断模型也值得进一步关注。

发明内容

为了解决实际工业中，带标签的样本获取步骤繁琐、成本代价高，导致大量根源诊断方法应用受到限制的技术问题，本发明提供了一种利用报警事件数据和少量带标签样本来构建工业报警泛滥根源诊断模型的方法。相比于连续过程数据，报警事件数据包含更少的数据量，但由于其与故障问题直接相关，因此，包含有效信息的比例更大。通过对报警事件日志进行预处理，然后提取报警泛滥序列；利用Word2Vec方法对提取的报警泛滥序列进行文本编码，得到新的可直接计算的报警泛滥序列。

由于带标签的工业故障样本不易直接获取，本发明提出了一种基于小样本学习(Few-Shot Learning,FSL)的工业报警泛滥根源诊断方法，量化不同故障类间差异。并提出一种基于原型网络的改进理论，用于进一步分析报警事件数据的时间序列特性，该方法利用长短期记忆网络(Long Short Term Memory,LSTM)进行特征提取，通过训练，得到诊断模型。基于小样本学习的建模方法利用少量报警泛滥事件序列构建报警泛滥根源诊断模型，可以提高诊断的实用性和有效性。所提方法的具体步骤如下：

获取历史报警事件日志；

对所述历史报警事件日志进行预处理；