基于双向长短时神经网络的流程工业故障诊断方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
基于双向长短时神经网络的流程工业故障诊断方法
本专利技术涉及故障诊断
，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。
技术介绍
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本文档来自技高网...

【技术保护点】
1.基于双向长短时神经网络的流程工业故障诊断方法，其特征在于，包括如下步骤：/nS1：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；/nS2：特征提取：特征提取采用的是基...

【技术特征摘要】
1.基于双向长短时神经网络的流程工业故障诊断方法，其特征在于，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；
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；
采用故障8、故障12、故障13、故障17、故障...

【专利技术属性】
技术研发人员：罗林，赵子雯，王乔，陈帅，
申请(专利权)人：辽宁石油化工大学，
类型：发明
国别省市：辽宁;21