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。
技术实现思路
本专利技术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
技术介绍
中提出的问题。为了实现上述目的，本专利技术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；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20进行验证，故障数据集和正常工况数据集通过梯度提升机进行特征提取；之后将提取的特征作为双向长短时神经网络的输入，由双向长短时神经网络进行二分类，实验判断依据为准确率，实验结果通过箱型图进行展示；S5：实验结果：故障8、故障12、故障17，故障20的上下限准确率几乎为100％，而且异常值相对较少表明准确率相对稳定浮动很小，精度高，故障13由故障类型可知其类型为反应动力学中的缓慢漂移相关的故障，这类故障往往波动较大，而在双向LSTM中上限准确率为100％，中位数为0.89其下限为0.55，实验结果表明效果较好。优选的，所述步骤S4中样本数据的选择，选用田纳西伊士曼数据集中的故障8，故障12，故障13，故障17，故障20作为故障集，将故障样本按照7：3的比例划分为训练集和测试集。优选的，所述样本数据建模的方式为在线建模，Time-Step步长为350，每次在pycharm中运行一次会得到其对应的准确率，将得到的准确率输入进箱型图代码即得到BILSTM的箱型图，箱型图可以不受到异常值的影响能够稳定地描绘出准确率分布的情况。本专利技术的有益效果为：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；双向长短时神经网络应用在流程工领域，符合技术革新的要求；通过双向长短时神经网络提前诊断出流程工业中的故障并制定相应的措施，能够大大减少人员的伤亡和财产的损失。附图说明图1为本专利技术的遗忘门的运算过程示意图；图2为本专利技术的输入门的运算过程示意图；图3为本专利技术的输出门的运算过程示意图；图4为本专利技术的双向LSTM运算模型示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。参照图1-4，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；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20进行验证，故障数据集和正常工况数据集通过梯度提升机进行特征提取；之后将提取的特征作为双向长短时神经网络的输入，由双向长短时神经网络进行二分类，实验判断依据为准确率，实验结果通过箱型图进行展示；<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；/nS3: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)i5-8250U CPU@1.60GHz(8CPU)，内存为8192MB RAM建立试验平台，在python3.7语言环境下进行的故障实验；/nS4：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；/n采用故障8、故障12、故障13、故障17、故障20进行验证，故障数据集和正常工况数据集通过梯度提升机进行特征提取；/n之后将提取的特征作为双向长短时神经网络的输入，由双向长短时神经网络进行二分类，实验判断依据为准确率，实验结果通过箱型图进行展示；/nS5：实验结果：故障8、故障12、故障17，故障20的上下限准确率几乎为100％，而且异常值相对较少表明准确率相对稳定浮动很小，精度高，故障13由故障类型可知其类型为反应动力学中的缓慢漂移相关的故障，这类故障往往波动较大，而在双向LSTM中上限准确率为100％，中位数为0.89其下限为0.55，实验结果表明效果较好。/n...

【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