化工过程故障诊断方法、系统、电子设备及存储介质技术方案

本发明专利技术涉及化工过程故障检测与诊断技术领域，提供了一种化工过程故障诊断方法、系统、电子设备及存储介质。其中方法包括：获取化工过程中现场生产装置的监控数据；对所述监控数据进行预处理，所述预处理包括特征提取和数据标准化；将预处理后的监控数据输入训练好的极深因式分解机故障诊断模型；得到训练好的极深因式分解机故障诊断模型的输出作为诊断结果。本发明专利技术提供的实施方式能够降低模型超参数的复杂程度，提升故障诊断效率，应用场景广泛。应用场景广泛。应用场景广泛。

【技术实现步骤摘要】
化工过程故障诊断方法、系统、电子设备及存储介质


[0001]本专利技术涉及化工过程故障检测与诊断
，具体地涉及一种化工过程故障诊断方法、一种化工过程故障诊断系统、一种电子设备以及对应的存储介质。

技术介绍

[0002]目前化工过程中的故障检测与诊断的方法大致可以分为三类：基于知识驱动的方法、基于模型驱动的方法和基于数据驱动的方法。而基于数据驱动的方法以过程数据为基础，构造决策模型模拟装置真实运行情况，用计算量和数据量弥补复杂过程难以有效机理建模的弊端，因而在三类方法中脱颖而出，成为当下故障检测与诊断技术的主流方法。
[0003]而基于数据驱动的方法又可细分为统计方法、浅层学习方法和深度学习方法。尽管以上数据驱动方法各有优势，但是弊端也非常明显。首先，需要大量的专业领域知识才能确定故障的属性特征，而由于自身方法的限制，两类方法又不能有效处理大数据量的问题；其次，两类方法将过程变量特征视为服从独立分布的离散变量处理，不考虑变量之间的交互关系和隐藏关系，因此故障诊断率仍然普遍偏低，而且极大地浪费了数据资源，基于田纳西
‑
伊斯曼过程(TE)基准进行工艺监控和诊断比较，两类方法的平均故障诊断率只有73.8％和84.4％。
[0004]虽然基于深度学习的诊断方法在处理高维过程变量方面展现出了优势，故障诊断准确率明显提高，但是仍然存在不足之处，第一，现有深度诊断方法在构建训练模型时只关注了特征的非线性高阶交互而忽视了低阶交互、线性关系对全局建模的补充，导致模型泛化性能较差；第二，现有深度模型提取出的高阶特征只涉及到隐式的交互特征，其特征形式是未知的，且阶数不可控制，模型复杂性过高。

技术实现思路

[0005]本专利技术实施例的目的是提供一种化工过程故障诊断方法、系统、电子设备及存储介质，以至少解决现有技术中的以下问题：传统浅层学习方法难以自动获取交互特征，只有在大量专业领域知识的辅助下才能确定故障类型，而现实中获取过程数据成本高、难度较大，因此，浅层方法只适合小样本数据，难以解决现代化工系统对海量数据的实时诊断处理要求；以及大部分现有深度学习方法仅关注不同特征间的非线性隐式高阶交互，特征形式未知且阶数不可控制，并且忽略了显式高阶交互、低阶交互及线性关系对模型学习的重要性，从而造成了极大地数据资源浪费。
[0006]为了实现上述目的，本专利技术第一方面提供化工过程故障诊断方法，所述诊断方法包括：获取化工过程中现场生产装置的监控数据；将所述监控数据进行预处理，所述预处理包括特征提取和数据标准化；将预处理后的监控数据输入训练好的极深因式分解机故障诊断模型；得到所述训练好的极深因式分解机故障诊断模型的输出作为诊断结果。
[0007]优选的，所述数据标准化包括以下操作：利用均值和方差进行标准化、独热编码离散化、标签标注和格式转换。
[0008]优选的，所述训练好的极深因式分解机故障诊断模型通过以下步骤得到：构建所述极深因式分解机故障诊断模型，所述极深因式分解机故障诊断模型包括因式分解机模型、深度神经网络模型和压缩交互网络模型；构建化工过程中现场生产装置的监控数据的历史数据为样本数据，将所述样本数据分为训练集和测试集；将所述训练集中的样本数据输入所述极深因式分解机故障诊断模型进行训练，得到训练后的极深因式分解机故障诊断模型；将所述验证集中的样本数据输入训练后的极深因式分解机故障诊断模型，若验证通过，则以所述训练后的极深因式分解机故障诊断模型作为所述训练好的极深因式分解机故障诊断模型。
[0009]优选的，构建以化工过程中现场生产装置的监控数据的历史数据为样本数据，并将所述样本数据分为训练集和测试集，包括：将所述监控数据的历史数据进行预处理后得到样本数据，所述预处理包括特征提取和数据标准化；将样本数据进行分类，对分类后的每类样本数据按各自比例抽取作为所述训练集；以抽取训练集后的剩余样本数据作为所述测试集。
[0010]优选的，将所述训练集中的样本数据输入所述极深因式分解机故障诊断模型进行训练，包括：通过训练集中的样本数据训练所述因式分解机模型，使所述因式分解机模型中的权重参数最优化；通过训练集中的样本数据训练所述深度神经网络模型，使所述深度神经网络模型的损失函数最小化；通过训练集中的样本数据训练所述压缩交互网络模型，使所述压缩交互网络模型的目标函数最小化。
[0011]优选的，通过训练集中的样本数据训练所述因式分解机模型，使所述因式分解机模型中的权重参数最优化，包括：将所述因式分解机模型中的二阶交互项的权重参数分解为隐因式向量的乘积；构建基于权重参数、隐因式向量、全局偏置、正则化系数的优化方程；利用随机梯度下降法求解所述优化方程中的权重参数，得到最优化的权重参数。
[0012]优选的，通过训练集中的样本数据训练所述深度神经网络模型，使所述深度神经网络模型的损失函数最小化，包括：根据所述深度神经网络模型中的激活函数、输出函数、权重参数和偏置参数定义损失函数；利用批量梯度下降法求解所述损失函数，通过调整所述深度神经网络模型中的权重参数和偏置参数使所述损失函数最小化。
[0013]优选的，通过训练集中的样本数据训练所述压缩交互网络模型，使所述压缩交互网络模型的目标函数最小化，包括：配置所述压缩交互网络模型：根据所述压缩交互网络模型中的前一隐含层的输出和嵌入层的输出得到张量矩阵；对所述张量矩阵进行逐层特征映射后，通过卷积核生成所述前一隐含层的下一隐含层的输出；对每一隐含层对应的逐层特征映射后的张量矩阵进行池化，得到池化后向量；将所有隐含层的池化后向量进行拼接作为所述压缩交互网络模型的输出；定义所述压缩交互网络模型的目标函数：根据损失函数、正则项和参数集构建所述目标函数；以及训练所述压缩交互网络模型：将所述样本数据输入所述压缩交互网络模型，调整所述参数集，使所述目标函数最小化。
[0014]优选的，在得到所述极深因式分解机故障诊断模型的输出作为诊断结果之后，所述诊断方法还包括：确定所述诊断结果与人工诊断结果存在差异，则对所述训练好的极深因式分解机故障诊断模型进行重新训练。
[0015]在本专利技术的第二方面，还提供了一种化工过程故障诊断系统，所述诊断系统包括：数据获取模块，用于获取化工过程中现场生产装置的监控数据；预处理模块，用于将所述监
控数据进行预处理，所述预处理包括特征提取和数据标准化；诊断模型模块，用于将预处理后的监控数据输入训练好的极深因式分解机故障诊断模型；以及结果输出模块，用于得到所述训练好的极深因式分解机故障诊断模型的输出作为诊断结果。
[0016]优选的，所述数据标准化包括以下操作：利用均值和方差进行标准化、独热编码离散化、标签标注和格式转换。
[0017]优选的，所述诊断模型模块中的训练好的极深因式分解机故障诊断模型通过以下步骤得到：构建所述极深因式分解机故障诊断模型，所述极深因式分解机故障诊断模型包括因式分解机模型、深度神经网络模型和压缩交互网络模型构成；构建以化工过程中现场生产装置的监控数据的历史数据为样本数据，并将所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种化工过程故障诊断方法，其特征在于，所述诊断方法包括：获取化工过程中现场生产装置的监控数据；对所述监控数据进行预处理，所述预处理包括特征提取和数据标准化；将预处理后的监控数据输入训练好的极深因式分解机故障诊断模型；得到训练好的极深因式分解机故障诊断模型的输出作为诊断结果。2.根据权利要求1所述的诊断方法，其特征在于，所述数据标准化至少包括以下操作：利用均值和方差进行标准化、独热编码离散化、标签标注和格式转换。3.根据权利要求2所述的诊断方法，其特征在于，所述训练好的极深因式分解机故障诊断模型通过以下步骤得到：构建极深因式分解机故障诊断模型，所述极深因式分解机故障诊断模型由因式分解机模型、深度神经网络模型和压缩交互网络模型构成；构建化工过程中现场生产装置的监控数据的历史数据作为样本数据，将所述样本数据分为训练集和测试集；将所述训练集中的样本数据输入所述极深因式分解机故障诊断模型进行训练，得到训练后的极深因式分解机故障诊断模型；将所述验证集中的样本数据输入训练后的极深因式分解机故障诊断模型，若验证通过，则以所述训练后的极深因式分解机故障诊断模型作为所述训练好的极深因式分解机故障诊断模型。4.根据权利要求3所述的诊断方法，其特征在于，构建化工过程中现场生产装置的监控数据的历史数据作为样本数据，将所述样本数据分为训练集和测试集，包括：对所述历史数据进行预处理，得到所述样本数据，所述预处理包括特征提取和数据标准化；对所述样本数据进行分类，对分类后的每类样本数据按各自比例抽取作为所述训练集；以抽取训练集后的剩余样本数据作为所述测试集。5.根据权利要求3所述的诊断方法，其特征在于，将所述训练集中的样本数据输入所述极深因式分解机故障诊断模型进行训练，包括：通过训练集中的样本数据训练所述因式分解机模型，使所述因式分解机模型中的权重参数最优化；通过训练集中的样本数据训练所述深度神经网络模型，使所述深度神经网络模型的损失函数最小化；通过训练集中的样本数据训练所述压缩交互网络模型，使所述压缩交互网络模型的目标函数最小化。6.根据权利要求5所述的诊断方法，其特征在于，通过训练集中的样本数据训练所述因式分解机模型，使所述因式分解机模型中的权重参数最优化，包括：将所述因式分解机模型中的二阶交互项的权重参数分解为隐因式向量的乘积；构建基于权重参数、隐因式向量、全局偏置、正则化系数的优化方程；利用随机梯度下降法求解所述优化方程中的权重参数，得到最优化的权重参数。7.根据权利要求5所述的诊断方法，其特征在于，通过训练集中的样本数据训练所述深
度神经网络模型，使所述深度神经网络模型的损失函数最小化，包括：根据所述深度神经网络模型中的激活函数、输出函数、权重参数和偏置参数定义损失函数；利用批量梯度下降法求解所述损失函数，通过调整所述深度神经网络模型中的权重参数和偏置参数使所述损失函数最小化。8.根据权利要求5所述的诊断方法，其特征在于，通过训练集中的样本数据训练所述压缩交互网络模型，使所述压缩交互网络模型的目标函数最小化，包括：配置所述压缩交互网络模型：根据所述压缩交互网络模型中的前一隐含层的输出和嵌入层的输出得到张量矩阵；对所述张量矩阵进行逐层特征映射后，通过卷积核生成所述前一隐含层的下一隐含层的输出；对每一隐含层对应的逐层特征映射后的张量矩阵进行池化，得到池化后向量；将所有隐含层的池化后向量进行拼接作为所述压缩交互网络模型的输出；定义所述压缩交互网络模型的目标函数：根据损失函数、正则项和参数集构建所述目标函数；以及训练所述压缩交互网络模型：将所述样本数据输入所述压缩交互网络模型，调整所述参数集，使所述目标函数最小化。9.根据权利要求1所述的诊断方法，其特征在于，在得到训练好的极深因式分解机故障诊断模型的输出作为诊断结果之后，所述诊断方法还包括：确定所述诊断结果与人工诊断结果存在差异，对所述训练好的极深因式分解机故障诊断模型进行重新训练。10.一种化工过程故障诊断系统，其特征在于，所述诊断系统包括：数据获取模块，用于获取化工过程中现场生产装置的监控数据；预处理模块，用于对所述监控数据进行预处理，所述预处理包括特征提取和数据标准化；诊断模型模块，用于将预处理后的监控数据输入训练好的极深因式分解机故障诊断模型；以及结果输出模块，用于得...

【专利技术属性】
技术研发人员：何亚东，林扬，杨哲，袁壮，高新江，李传坤，王春利，徐伟，
申请(专利权)人：中石化安全工程研究院有限公司，
类型：发明
国别省市：