基于相关性分析的CNN-LSTM突发故障预警方法技术

本发明专利技术公开了一种基于相关性分析的CNN‑LSTM突发故障预警方法，首先构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；然后保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；构建数据集构造策略，实现特征提取，最后实现突发故障的预测，本发明专利技术通过分析系统内部各环节之间的耦合关系，学习系统自身的运行行为，可对工业系统中的突发故障做出及时地预测和识别。

【技术实现步骤摘要】
基于相关性分析的CNN-LSTM突发故障预警方法
本专利技术属于工业系统智能维护
，具体涉及一种基于相关性分析的CNN-LSTM突发故障预警方法。
技术介绍
系统智能维护的主要任务是通过监测系统的运行状态，实现对未来时期系统运行状态的预测。当系统状态存在潜在异常时，需对故障进行早期定位和预防，以缩短预防性维护周期，减少因故障造成的不必要损失，同时确保系统安全可靠地运行。由于工业系统中故障出现的原因复杂、设备的监测数据难以获取、数据质量较低等原因，导致对工业系统故障预警的研究十分匮乏。开展故障预警研究以及实现系统的早期维护，是系统智能维护的重要组成部分，因此，对工业系统开展故障预警研究有重大意义。由于突发故障的发生具有一定的随机性，且短时间内工作人员不易监测到系统的异常状态，所以无法对系统进行及时维护；同时，突发故障一旦出现，则可导致系统死机、停止运行。综上所述，对工业系统突发故障的准确预测就显得尤为重要。结合突发故障的特点，针对故障预警研究所面临的问题，提出一种基于相关性分析的CNN-LSTM突发故障预警研究方法，该方法不仅能够增强对故障预警研究的信心，对于该学科和行业的进步起着关键性的作用。
技术实现思路
本专利技术的目的是提供一种基于相关性分析的CNN-LSTM突发故障预警方法，通过分析系统内部各环节之间的耦合关系，学习系统自身的运行行为，可对工业系统中的突发故障做出及时地预测和识别。本专利技术所采用的技术方案是，基于相关性分析的CNN-LSTM突发故障预警方法，具体按照以下步骤实施：步骤1、构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；步骤2、保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；步骤3、构建数据集构造策略：针对步骤2中的特征因素，构建突发故障预警数据集；步骤4、实现特征提取：通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取，得到最终的特征映射序列；步骤5、实现突发故障的预测：将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络，利用训练好的网络对测试样本进行预测，得到制氩空分系统运行状态的预测结果，结合步骤1中的阈值对预测结果进行分析，实现网络对突发故障的预警功能。本专利技术的特点还在于，步骤1具体如下：步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分：将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔，划分到N个子区间内；步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度，并绘制柱状图；步骤1.3、利用所述步骤1.2所得各子区间的数据长度，计算各子区间数据长度占总数据长度的百分比，并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态(正常状态S1、趋于故障状态S2和故障状态S3)中，若子区间数据长度占总数据长度的百分比大于10％，则将子区间划分到制氩空分系统的正常状态S1中；若子区间数据长度占总数据长度的百分比在5％-10％之间，则将子区间划分到制氩空分系统的趋于故障状态S2中；若各子区间数据长度占总数据长度的百分比小于5％，则将子区间划分到制氩空分系统的故障状态S3中；步骤1.4、计算突发故障的阈值：去除正常状态S1的数据，设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3，根据式(1)计算两种状态的平均值，该平均值即为突发故障的阈值：其中，趋于故障状态S2中的第i个数据记为si，故障状态S3中的第j个数据记为sj，k表示制氩空分系统运行状态的个数，q为制氩空分系统突发故障发生的阈值。步骤2具体如下：步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号，将影响制氩空分系统突发故障的精氩塔温度数据编号为v，将其他部件的传感器监测数据编号为xm，m＝1,...,n，其中，xm表示制氩空分系统中第m个传感器的监测数据，n表示制氩空分系统中传感器的总个数；步骤2.2、通过以下4个条件，判断步骤2.1中的变量xm和v是否满足计算Pearson相关系数的条件，如若其中某一变量未满足任意一条要求，则不可使用Pearson相关系数分析变量间的相关性，4个条件如下：(1)xm和v的标准差不可为0；(2)xm和v之间需满足线性关系；(3)xm和v的总体分布符合正态分布，或接近正态的单峰分布；(4)xm和v的观测值成对存在，且每对观测值之间相互独立；步骤2.3、计算步骤2.2之后的xm和v之间的Pearson相关系数并计算v对自身的Pearson相关系数；步骤2.4、利用所述步骤2.3中的Pearson相关系数结合式(6)排除弱相关和极弱相关变量xr，r＝1,...w,w≤n，其中，xr表示被排除的变量，w表示被排除变量的个数，结合式(7)保留具有相关性的变量xp，p＝1,...h,h≤n，xp表示保留变量，h表示保留变量的个数，此处xp即为影响制氩空分系统突发故障发生的特征因素：步骤2.3具体如下：步骤2.3.1、通过式(2)计算xm和v的数学期望，其中，xk表示变量xm中第k个数据，为对应数据的概率，lk表示变量v中第k个数据，为对应数据的概率，Nk和Nv分别表示xm和v的数据个数；步骤2.3.2、通过式(3)计算xm和v的标准差和其中，ux和uv分别表示xm和v的算数平均值；步骤2.3.3、通过式(4)计算xm和v的协方差；Cov(xi,v)＝E((xi-Exi)(v-Ev))(4)步骤2.3.4、根据式(5)计算xm和v的Pearson相关系数步骤3具体如下：步骤3.1、构造样本集：将步骤2中保留的特征因素转换为矩阵形式；步骤3.2、构造子训练集和子测试集：将每个特征因素xp按照7:3的比例划分为子训练集和子测试集；步骤3.3、构造总训练集和总测试集：将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集，同时，按照总训练集中各子训练集的合并顺序，将各子测试集以列堆叠的形式合并为总测试集，最终形成由总训练集和总测试集构成的突发故障预警数据集。步骤5具体如下：以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入，每进行一次预测得到输出的预测结果，将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络，并对网络中的各参数进行调优，当网络的误差小于0.05时，说明网络收敛，可以对空分系统的突发故障进行预警。本专利技术的有益效果是，一种基于相关性分本文档来自技高网...

【技术保护点】
1.基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，具体按照以下步骤实施：/n步骤1、构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；/n步骤2、保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；/n步骤3、构建数据集构造策略：针对步骤2中的特征因素，构建突发故障预警数据集；/n步骤4、实现特征提取：通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取，得到最终的特征映射序列；/n步骤5、实现突发故障的预测：将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络，利用训练好的网络对测试样本进行预测，得到制氩空分系统运行状态的预测结果，结合步骤1中的阈值对预测结果进行分析，实现网络对突发故障的预警功能。/n

【技术特征摘要】
1.基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，具体按照以下步骤实施：
步骤1、构建制氩空分系统的突发故障阈值策略，通过监测的突发故障数据，确定突发故障出现的阈值；
步骤2、保留影响制氩空分系统突发故障发生的特征因素：对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析，保留具有相关性的特征变量，确定影响系统发生突发故障的特征因素；
步骤3、构建数据集构造策略：针对步骤2中的特征因素，构建突发故障预警数据集；
步骤4、实现特征提取：通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取，得到最终的特征映射序列；
步骤5、实现突发故障的预测：将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络，利用训练好的网络对测试样本进行预测，得到制氩空分系统运行状态的预测结果，结合步骤1中的阈值对预测结果进行分析，实现网络对突发故障的预警功能。


2.根据权利要求1所述的基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，所述步骤1具体如下：
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分：将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔，划分到N个子区间内；
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度，并绘制柱状图；
步骤1.3、利用所述步骤1.2所得各子区间的数据长度，计算各子区间数据长度占总数据长度的百分比，并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态，即正常状态S1、趋于故障状态S2和故障状态S3中，若子区间数据长度占总数据长度的百分比大于10％，则将子区间划分到制氩空分系统的正常状态S1中；若子区间数据长度占总数据长度的百分比在5％-10％之间，则将子区间划分到制氩空分系统的趋于故障状态S2中；若各子区间数据长度占总数据长度的百分比小于5％，则将子区间划分到制氩空分系统的故障状态S3中；
步骤1.4、计算突发故障的阈值：去除正常状态S1的数据，设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3，根据式(1)计算两种状态的平均值，该平均值即为突发故障的阈值：



其中，趋于故障状态S2中的第i个数据记为si，故障状态S3中的第j个数据记为sj，k表示制氩空分系统运行状态的个数，q为制氩空分系统突发故障发生的阈值。


3.根据权利要求2所述的基于相关性分析的CNN-LSTM突发故障预警方法，其特征在于，所述步骤2具体如下：
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号，将影响制氩空分系统突发故障的精氩塔温度数据编号为v，将其他部件的传感器监测数据编号为xm，m＝1,...,n，其中，xm表示制氩空分系统中第m个传感器的监测数据，n表示制氩空分系统中传感器的总个数；

【专利技术属性】
技术研发人员：谢国，李思雨，刘涵，梁莉莉，钱富才，穆凌霞，张春丽，上官安琪，杨婧，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61