[发明专利]一种基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法

说明书

为实现对复杂化工生产群体设备的故障趋势预测，提出了一种基于RF‑KPCA和SAC‑BILSTM故障预测方法。首先，使用RF对群体设备多信号进行故障特征筛选，保留与故障相关的特征。之后，使用KPCA进行特征重构并构造霍特林(Tsupgt;2/supgt;)统计量，用单一指标描述群体设备多信号的状态趋势，并构造阈值T。用以表明正常状态的阈值。将降维后的变量与Tsupgt;2/supgt;统计量组成监督学习型时间序列数据用以预测未来趋势，针对BiLSTM无法提取空间特征，引入CNN并改进激活函数，并针对故障点前后数据时变性较强的特性在隐藏输出层加入注意力机制。在TE仿真平台数据上的实验，表明此模型的准确性与其他模型相比有明显提升，并且此模型解决了传统LSTM无法起到预测作用的问题，无法表征故障趋势，而改进模型起到预测效果。

技术领域

本发明涉及化工生产过程中群体设备故障预测技术领域，特别是指一种基于基于RFKPCA和SAC-BiLSTM的化工群体设备故障预测方法。

背景技术

因为现代工业系统的自动化与大规模化，随之提升的工业系统复杂度导致故障也愈发难以预测。然而，如不能及时发现并处理生产过程中的异常工况，极有可能会导致系统的瘫痪，造成生命财产的损失^[1]。因此，故障预测对于正常的工业生产与人身安全具有重要意义。

诊断技术：对复杂度高，多信号特征的工业系统进行故障预测的前提是故障诊断，有效的故障诊断技术对于及时准确的预测故障具有重要意义。基于解析模型的方法^[2]是诊断的传统手段，然而面对逐渐复杂的工业系统，已难以用准确的数学模型进行描述。而数据驱动方法只需要分析工业过程中传感器收集到的历史数据便能进行故障诊断。主元分析^[3]、独立主元分析^[4]、核主元分析^[5]等方法，以建立连续性的T²统计量描述故障样本偏离正常样本程度来描述故障的发生。其中核主元分析(KPCA)能够处理非线性数据的特性适用于复杂工业系统的现实情况。机器学习也有着广泛应用，文献^[6]针对DAE模型的全连接编码方式无法提取时序特征，加入LSTM模型优化模型结构，不仅能以较高准确率监测出故障，还能对故障类型进行分类。

针对复杂工业系统的故障诊断，存在着一些无关变量，影响这故障诊断与识别的准确率与效率，因此需要排除无关特征信号。

预测技术：故障预测也称剩余寿命(RUL)预测，RUL预测方法是一种根据系统现行运行状态与过往数据进行预测的技术^[7]。近些年来，基于机器学习的方法被广泛研究并应用在故障预测中。在早期，支持向量机^[8]、随机森林^[9]、XGBoost^[10]等方法因其结构简单、训练时长短、能够处理工业生产中采集的信号与预测特征之间的非线性关系等特性，常被用来处理工业过程中时间序列数据的目标特征预测，但其不能挖掘时间序列结构的动态信息，预测精度难以满足工业安全生产需求，而能感知序列信息的深度学习算法^[11]更适合处理工业过程数据。循环神经网络(RNN)^[12]因其具备独特的记忆神经元结构，向后传递信息的特性，能够有效处理时间序列数据，但因模型在反向传播过程中，梯度会逐渐减少，所以无法学习较长序列。LSTM^[13]在使用门结构调节信息流，可以储存长时间依赖信息，克服了短期记忆问题。文献^[14]实验论证了双向长短期记忆神经网络(BILSTM)相较LSTM及其他几种模型具有更高准确度。文献^[15]针对LSTM在RUL预测中忽略多维传感器的空间关联性，根据CNN能够关注局部特征的特性，构建了CNN-LSTM预测模型。因为不同特征对预测结果的影响程度不同，文献^[16]在LSTM中增加了注意机制，通过加权处理，提高了模型的地震发生预测准确率。

上述方法中，针对复杂化工生产过程的故障预测问题，目前缺乏有效的预测技术，存在模型精度不足的问题，没有将故障诊断与预测相结合从而对化工群体设备进行故障预测的预警技术。