基于多模型融合的化工过程故障诊断方法及系统技术方案

本发明专利技术涉及化工过程故障检测与诊断技术领域，提供了一种基于多模型融合的化工过程故障诊断方法及系统。其中方法包括：将获取的化工过程数据转换为变量矩阵；将所述变量矩阵输入FunkSVD模型完成所述变量矩阵的增强填充；将增强填充后的变量矩阵输入XGBoost模型计算变量特征的重要性，根据所述重要性排序提取变量特征；将提取的变量特征输入训练好的xDeepFM模型，得到所述训练好的xDeepFM模型的输出作为化工过程数据对应的诊断结果。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，消除数据不足带来的诊断效率低和诊断精度低的问题。低的问题。低的问题。

【技术实现步骤摘要】
基于多模型融合的化工过程故障诊断方法及系统


[0001]本专利技术涉及化工过程故障检测与诊断
，具体地涉及一种基于多模型融合的化工过程故障诊断方法、一种基于多模型融合的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]现有深度诊断方法在某些方面取得了比浅层学习方法更好的结果，但是对于实际复杂的化工过程系统来说，依然存在以下问题没有有效解决：
[0003](1)数据缺失性问题。由于厂区生产环境、通信网络、传输介质等多种因素影响，工厂采集的信息通常是不完整的，数据变量存在缺失现象，但是现有方法没有专门处理此类问题，基本利用删除或均值处理的方式，破坏了数据间的内在规律。
[0004](2)数据冗余性问题。化工过程数据属于高维度连续型时序数据，包含众多没有用处甚至干扰诊断的信息，严重影响模型训练、优化和结果预测，但是只有部分研究关注到这类问题。
[0005](3)特征单一性问题。现有深度方法特征挖掘不够全面，提取故障特征时只关注到了非线性隐式高阶特征而忽略了显式高阶特征以及线性特征、低阶交互特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型融合的化工过程故障诊断方法，其特征在于，包括：将获取的化工过程数据转换为变量矩阵；将所述变量矩阵输入FunkSVD模型完成所述变量矩阵的增强填充；将增强填充后的变量矩阵输入XGBoost模型计算变量特征的重要性，根据所述重要性排序提取变量特征；将提取的变量特征输入训练好的xDeepFM模型，得到所述训练好的xDeepFM模型的输出作为化工过程数据对应的诊断结果；其中，所述训练好的xDeepFM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。2.根据权利要求1所述的诊断方法，其特征在于，将所述变量矩阵输入FunkSVD模型完成所述变量矩阵的增强填充，包括：将所述变量矩阵分解为样本潜在因子矩阵和变量潜在因子矩阵，所述样本潜在因子矩阵和所述变量潜在因子矩阵共享相同的潜在因子空间；优化所述样本潜在因子矩阵和所述变量潜在因子矩阵；根据优化后的样本潜在因子矩阵和优化后的变量潜在因子矩阵计算得到矩阵运算结果，以所述矩阵运算结果作为所述变量矩阵的增强填充的结果。3.根据权利要求1所述的诊断方法，其特征在于，将增强填充后的变量矩阵输入XGBoost模型计算变量特征的重要性，根据所述重要性排序提取变量特征，包括：定义XGBoost模型中单个弱学习器的目标函数；在所述单个弱学习器的训练过程中，优化所述目标函数；并计算优化后的目标函数的残差；通过所述XGBoost模型中的目标函数和目标函数的残差确定计算变量特征的重要性；确定特征分割点，提取重要性高于所述特征分割点的变量特征。4.根据权利要求3所述的诊断方法，其特征在于，所述训练好的xDeepFM模型通过以下步骤得到：构建xDeepFM模型，所述xDeepFM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xDeepFM模型进行训练，得到训练后的xDeepFM模型；将所述验证集中的样本数据输入训练后的xDeepFM模型，若验证通过，则以所述训练后的xDeepFM模型作为所述训练好的xDeepFM模型。5.根据权利要求4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xDeepFM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。9.一种基于多模型融合的化工过程故障诊断系统，其特征在于，所述诊断系统包括：数据转换模块，用于将获取的化工过程数据转换为变量矩阵；增强填充模块，用于将所述变量矩阵输入FunkSVD模型完成所述变量矩阵的增强填充；特征提取模块，用于将增强填充后的变量矩阵输入XGBoost模型计算变量特征的重要性，根...

【专利技术属性】
技术研发人员：何亚东，高新江，杨哲，袁壮，林扬，武传朋，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：