[发明专利]基于一维多尺度深度卷积神经网络的工业过程性能诊断方法

说明书

本发明公开了一种基于一维多尺度深度卷积神经网络的工业过程性能诊断方法，包括如下步骤：步骤1、以频率采集工业过程系统变量的运行数据，建立一个含有多个变量，多种类型故障的数据集，并对数据集进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；步骤2、构建一维多尺度深度卷积神经网络故障诊断模型；步骤3、利用划分好的训练集对提出的一维多尺度深度卷积神经网络进行训练，训练好之后，将验证集输入到模型中进行故障诊断，输出故障分类结果。

技术领域

本发明属于自动化过程控制领域，特别涉及到一种基于一维多尺度深度卷积神经网络(MSDCNN)的工业过程故障诊断方法。

背景技术

在现代实际工业生产中，由于许多复杂的实际过程对象的物理或化学特性并不为人所知，所以想要靠传统的工业过程故障诊断方法来建立准确的系统模型变得越来越困难，另外随着现代工业过程存在多模态、间歇性、非线性以及动态性等特点，使得系统建模方法变得更加困难。

智能故障诊断方法的出现解决了复杂工业过程系统建模困难的问题，近年来深受国内外故障诊断领域专家的青睐，其在故障领域的研究已经有了很多成果。目前智能故障诊断方法主要分为浅层学习方法和深度学习方法。基于浅层学习的方法主要通过将原始信号数据投影到低维子空间来人工提取原始数据的主要特征，然后输入到建立好的模型中学习并进行故障诊断。该方法具有一定的局限性，其需要如时域统计特征、变分模态分解及小波变换等先进的信号处理方法，且其训练方法需要很多训练方法和技巧，限制了其进一步发展。基于深度学习的方法相对于浅层学习不需要额外繁琐的人工特征提取这一步骤，其可以利用多隐层的网络结构直接对输入的数据样本进行有效分析并提取隐藏的数据特征信息，实现端到端的工业过程故障诊断。不仅如此，深度学习还解决了浅层学习容易过拟合、陷入局部最优、梯度消散以及泛化能力弱等问题，对非线性、间歇性以及动态性等复杂工业过程也具有较好的诊断精度。

工业过程系统是现代工业生产中一种必不可少的基础设施，典型的如工业焦化炉系统，其是一种立式管式加热炉，主要用来对原料残渣的循环油进行快速加热，在作业生产时对温度的控制非常重要，焦化炉的温度直接影响着炉内反应物的生产，对生成物的数量及质量有着至关重要的作用。因此一个好的的工业过程故障诊断模型对工业生产尤为重要，及时发现故障并诊断故障类型对工业生产安全以及减少资源浪费具有十分重要的意义。由于工业过程生产中原料的物理或化学特性难以为人所知，因此目前传统的故障诊断方法在工业过程生产中的应用尚存在局限性，主要存在下述问题：

模型的泛化能力较差；

不能充分学习并利用数据中的深层特征；

不能较好的提取不同尺寸的数据特征。

为了解决上述问题，需要提供一种新的能够克服上述问题的工业过程故障诊断方法。

发明内容

本发明的目的是针对现有工业过程故障诊断方法中存在的问题，提出了一种能够提取不同尺寸数据特征，充分学习并利用数据的深层特征，泛化能力强的一维多尺度深度卷积神经网络工业过程故障诊断方法。

本发明通过建立工业过程数据集，结合在传统卷积神经网络结构的基础上，在两个卷积模块中间加入了一个多尺度卷积网络模块，并在网络的分类模块中交替加入2个dropout层和全连接层的方法来提升网络的整体性能。

本发明的具体实现步骤包括：

步骤1、以频率f_s采集工业过程系统变量的运行数据，建立一个含有多个变量，多种类型故障的数据集，并对数据集进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；

所述数据预处理是指对数据集进行离差标准化处理(Min-maxnormalization),该方法可以采集的原始信号数据集进行线性变化，使数据样本落在[0，1]区间，相关转换函数如下：