[发明专利]基于双向长短时神经网络的流程工业故障诊断方法

说明书

本发明公开了基于双向长短时神经网络的流程工业故障诊断方法，包括如下步骤：S1：数据集准备：TE模型从160组数据开始引入故障，数据集用来建立监控模型；S2：特征提取：特征提取采用的是基于梯度提升机提取数据特征，在梯度下降的方向上，寻找出针对多个分类器组成的可加性模型；S3:建立实验平台；S4：实验进行：采用Keras框架搭建双向长短时神经网络模型，研究对象为田纳西伊斯曼模型；S5：实验结果。本发明利用双向长短时神经网络泛化能力强，能够避免长序列发生梯度消失和梯度爆炸的缺点，解决了流程工业故障诊断中准确率低，时常出现漏报和误报现象并且泛化能力低的问题。

技术领域

本发明涉及故障诊断技术领域，尤其涉及基于双向长短时神经网络的流程工业故障诊断方法。

背景技术

随着计算机技术和现代工业的飞速发展，工业越来越趋向于智能化和复杂化。对于生产过程的安全性提出了更高的要求。故障的发生会造成大量的人员伤亡和财产损失。因此，及时地检测或诊断出系统的故障就显得尤为重要。故障诊断的发展经历了三个过程，第一个阶段主要依靠专家和维修人员的经验、感官和简单的数据因为这一阶段生产设备都比较简单，所以故障诊断和监控也比较简单。第二个阶段，伴随着传感器和信号技术的发展，故障诊断与检测侧重于仪器仪表，并且在维修中得到了广泛的应用。第三个阶段随着计算机技术和人工智能技术的发展，故障诊断与检测进入了智能化阶段。

故障诊断技术按照建模的方法不同可以分为定量模型，定性模型和数据驱动模型。其中定量模型有状态估计法、参数估计法以及分析冗余法，这些方法的特点都是需要精确的机理模型的，但在工业过程由于非线性、时变、变量耦合、时间相关性、多模态、间歇等特性使其难以建立精确的模型。定性模型主要利用专家知识，因果关系通过演绎推理的方式来实现故障诊断与定位。随着工业的发展未知的故障会越来越多，此种方法无法获取完整的知识，因此有此种方法有局限性。数据驱动模型主要是利用正常工况的数据建立离散模型，通过大量的数据来细化模型使其更好的适应模型，不需要精准的机理模型，非常适合当下复杂的流程工业，近几年随着传感器技术和数据实时存储技术的发展，大量的数据得以保存下来，也为数据驱动模型打下了基础。数据驱动的方法主要分为多元统计分析、机器学习、信号处理、信息融合。

传统的流程工业故障诊断方法缺点为准确率低，时常出现漏报和误报现象并且泛化能力低，随着技术手段的提升，大量的故障数据得以保存，因此，我们提出了基于双向长短时神经网络的流程工业故障诊断方法。

发明内容

本发明提出的基于双向长短时神经网络的流程工业故障诊断方法，解决了上述背景技术中提出的问题。

为了实现上述目的，本发明采用了如下技术方案：

基于双向长短时神经网络的流程工业故障诊断方法，包括如下步骤：

S1：数据集准备：TE模型从160组数据开始引入故障，数据集用来建立监控模型，故障为21个预定义的故障和1个正常工况的数据集，正常情况下的测试集保存在d00_te.txt，训练集为d00.txt故障1的测试集保存在d01_te.txt训练集为d01.txt，……，故障21的测试集d21_te.txt，训练集d21.txt，选用正常工况下的520条，训练数据集d00_txt的第1条到第520条，进行建模，在此选取了故障8，故障12，故障13，故障17，故障20来验证模型的准确性；

S2：特征提取：特征提取采用的是基于梯度提升机提取数据特征，在梯度下降的方向上，寻找出针对多个分类器组成的可加性模型；

S3:建立实验平台：以电脑型号为联想thinkpad，操作系统为Windows10家庭中文版(64位)，CPU为(英特尔)Intel(R)Core(TM)i5-8250UCPU@1.60GHz(8CPU)，内存为8192MBRAM建立试验平台，在python3.7语言环境下进行的故障实验；