[发明专利]基于长短期记忆和典型相关结合的故障检测方法及系统

说明书

本发明涉及故障检测技术领域，公开了一种基于长短期记忆和典型相关结合的故障检测方法及系统，以充分分析产生故障的动态和非线性特征，从而实现故障检测；该方法包括获取构建对应输入集的第一长短期记忆神经网络和对应输出集的第二长短期记忆神经网络；采用典型相关性方法分析第一、第二长短期记忆神经网络之间的线性映射关系，优化第一、第二长短期记忆神经网络；利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，设定检测阈值；获取待分析对象的实时运行数据输入第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与检测阈值进行比较，从而实现故障检测。

技术领域

本发明涉及故障检测技术领域，尤其涉及一种基于长短期记忆和典型相关结合的故障检测方法及系统。

背景技术

随着自动化技术和系统安全性需求的提高，系统的故障检测和性能监测也变得越来越重要。过去的几十年里，基于模型的故障检测方法得到了广泛的认可。但是这类方法的性能依赖于模型的精确性。同时，由于传感器技术以及信息技术的发展，数据的采集变得越来越容易，在这个采集过程中积累了丰富的系统运行数据。因此，基于数据驱动的过程监测和故障检测技术，成为了故障检测领域的一个研究热点。

目前多采用基于多变量分析，如基于主成分分析法、偏最小二乘方法和典型相关性分析的故障检测方法。但是这些方法的分析原理都是通过寻找数据集的线性变换，所构建的特征无法反映复杂系统中的动态和非线性关系。

发明内容

本发明目的在于提供一种基于长短期记忆和典型相关结合的故障检测方法及系统，以充分分析产生故障的动态和非线性特征，从而实现故障检测。

为实现上述目的，本发明提供了一种基于长短期记忆和典型相关结合的故障检测方法，包括：

S1：获取待分析对象的历史正常运行数据作为输入集，并获取每组历史正常运行数据的对应输出作为输出集；

S2：构建对应所述输入集的第一长短期记忆神经网络和对应所述输出集的第二长短期记忆神经网络；

S3：采用典型相关性方法分析所述第一、第二长短期记忆神经网络之间的映射关系，根据所述映射关系计算相关性系数；

S4：根据所述相关性线性系数优化所述第一、第二长短期记忆神经网络，利用反向传播算法训练所述第一、第二长短期记忆神经网络直至得到符合设定收敛性的第一、第二长短期记忆神经网络；

S5：将所述第一时间序列训练集输入所述符合设定收敛性的第一长短期记忆神经网络中，将所述第二时间序列训练集输入所述符合设定收敛性的第二长短期记忆神经网络中，利用第一、第二长短期记忆神经网络输出层的典型相关性分析二者之间的残差向量，并根据该残差向量构建检测统计量，并根据所述检测统计量设定检测阈值；

S6：获取待分析对象的实时运行数据输入所述符合收敛性的第一、第二长短期记忆神经网络以计算得到实时数据的检测统计量，将实时数据的检测统计量与所述检测阈值进行比较，若所述实时数据的检测统计量超过所述检测阈值，则视为发生故障。

优选地，所述S2具体包括：

根据预设的时间跨度建立所述输入集的第一时间序列训练集和所述输出集的第二时间序列训练集；

根据所述第一时间序列训练集构建所述第一长短期记忆神经网络，根据所述第二时间序列训练集构建所述第二长短期记忆神经网络。

优选地，所述第一长短期记忆神经网络和所述第二长短期记忆神经网络的输出层输出相同的数据维度。

优选地，所述第一长短期记忆神经网络或所述第二长短期记忆神经网络包括LSTM层、最大值池化层、Dropout层以及全连接层。

优选地，所述S3包括：