基于长短期记忆和典型相关结合的故障检测方法及系统技术方案

本发明专利技术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。

Fault detection method and system based on the combination of long-term memory and typical correlation

【技术实现步骤摘要】
基于长短期记忆和典型相关结合的故障检测方法及系统
本专利技术涉及故障检测
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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：S31：将第一长短期记忆网络输出的特征数据和第二长短期记忆网络输出的特征数据进行归一化处理，得到归一化后的特征数据S32：计算的协方差矩阵Σ1、Σ2和Σ12，利用典型相关性分析寻找线性变换使得和拥有最大的相关性。优选地，所述S4包括：S41：构建矩阵M并对矩阵M进行奇异值分解如下：式中，为一个对角矩阵，其对角元素之和为corr，corr表示线性变换后的两组数据的相似程度，R为左矩阵，V为右奇异矩阵，T表示矩阵转置；S42：第一、第二长短期记忆网络以最大化相关系数作为优化目标，采用反向传播算法联合训练网络参数.优选地，所述S5包括：S51:采用核密度估计算法估计T2统计量的概率分布，采用径向基函数如下：式中，K(g)表示径向基函数，g表示该径向基函数的自变量；设定置信度α，T2统计量的阈值UCLs通过公式得到，其中其中xk,k＝1,2,…,M是x的样本值，h为核函数的带宽值，b为自变量，M表示x的样本数量。作为一个总地技术构思，本专利技术还提供一种基于长短期记忆和典型相关结合的故障检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本专利技术具有以下有益效果：本专利技术提供的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，该方法包括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；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映射关系，根据线性映射关系计算相关性系数；根据相关性系数优化第一、第二长短期记忆神经网络，利用反向传播算法训练第一、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；将第一时间序列训练集输入符合设定收敛性的第一长短期记忆神经网络中，将第二时间序列训练集输入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，并根据检测统计量设定检测阈值；获取待分析对象的实时运行数据输入符合收敛性的第一、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检测阈值进行比较，若实时数据的检测统计量超过检测阈值，则视为发生故障，可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。下面将参照附图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术优选实施例的基于长短期记忆和典型相关结合的故障检测方法流程图；图2是本专利技术优选实施例的闭环连续搅拌釜式反应器的原理图；图3是本专利技术优选实施例的故障6由CCA方法检测的效果图；图4是本专利技术优选实施例的故障6由LSTM-CCA方法检测的效果图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。实施例1如图1所示，本实施例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，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；S3：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映射关系，根据映射关系计算相关性系数；S4：根据相关性系数优化第一、第二长短期记忆神经网络，利用反向传播算法训练第一、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：将第一时间序列训练集输入符合设定本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆和典型相关结合的故障检测方法，其特征在于，包括：/nS1：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；/nS2：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；/nS3：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；/nS4：根据所述相关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；/nS5：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；/nS6：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。/n...

【技术特征摘要】
1.一种基于长短期记忆和典型相关结合的故障检测方法，其特征在于，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。


2.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，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。


3.根据权利要求1或2所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，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。


4.根据权利要求1所述的基于长短期记忆和典型相关结合的故障检测方法，其特征在于，所述第一长短期记忆神经网络或所述第二长短...

【专利技术属性】
技术研发人员：陈志文，解长瑞，彭涛，阳春华，彭霞，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43