工业过程运行状态评价方法、系统、电子设备及存储介质技术方案

本申请提供了工业过程运行状态评价方法、系统、电子设备及存储介质，属于智能工业技术领域。方法包括：获取工业过程中表征当前运行状态的样本数据；根据样本数据构建时域信号矩阵；根据时域信号矩阵进行时域到频域的转换，得到频域信号矩阵；将时域信号矩阵和频域信号矩阵输入至预先训练好的混合双孪生神经网络模型中，分别得到对应的时域评分值和频域评分值；根据时域评分值和频域评分值得到工业过程中当前运行状态下的目标评分值。本申请中通过对时域和频域信号的处理，淡化了标签，使得网络具有很好的扩展性，可以对那些没有训练过的类别进行分类，鲁棒性强，可准确进行系统运行状态的判断及程度描述，提高工业过程运行状态评价的准确性。评价的准确性。评价的准确性。

【技术实现步骤摘要】
工业过程运行状态评价方法、系统、电子设备及存储介质


[0001]本申请涉及智能工业
，尤其涉及一种工业过程运行状态评价方法、系统、电子设备及存储介质。

技术介绍

[0002]随着工业互联网的不断发展，智能化的工业设备越来越多，生产系统的运行状态和工业装备的质量，与企业生产产品的数量、质量及其他一系列技术、经济指标都有着密切的关系，因此，对复杂工业过程实施精准且稳健的运行状态评价，具有十分重要的实际意义。
[0003]相关技术中，常通过人工经验对工业过程的运行状态进行识别，严重依赖人工经验，效率低，近年来开始逐渐利用神经网络来解决，但是该技术具有很强的逼近非线性函数的能力，不善于显示表达知识，面对工业过程中工况复杂粗放、状态变化丰富的特点，这些神经网络的表现力会大大降低，导致工业过程的运行状态评价不够准确。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种工业过程运行状态评价方法、系统、电子设备及存储介质，能够提高工业过程运行状态评价的准确性。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种工业过程运行状态评价方法，所述方法包括：获取工业过程中表征当前运行状态的样本数据；根据所述样本数据构建时域信号矩阵；根据所述时域信号矩阵进行时域到频域的转换，得到频域信号矩阵；将所述时域信号矩阵和所述频域信号矩阵输入至预先训练好的混合双孪生神经网络模型中，分别得到对应的时域评分值和频域评分值；根据所述时域评分值和所述频域评分值得到工业过程中当前运行状态下的目标评分值。<br/>[0006]在一些实施例中，所述样本数据包括正常样本和当前运行状态下的实时样本，所述时域信号矩阵包括所述实时样本的第一时域信号矩阵和所述正常样本的第二时域信号矩阵，所述频域信号矩阵包括所述实时样本的第一频域信号矩阵和所述正常样本的第二频域信号矩阵，所述混合双孪生神经网络模型包括时域孪生神经网络模型和频域孪生神经网络模型；所述将所述时域信号矩阵和所述频域信号矩阵输入至预先训练好的混合双孪生神经网络模型中，分别得到对应的时域评分值和频域评分值，包括：分别将所述第一时域信号矩阵和所述第二时域信号矩阵输入至预先训练好的所述时域孪生神经网络模型中，得到时域评分值；分别将所述第一频域信号矩阵和所述第二频域信号矩阵输入至预先训练好的所述频域孪生神经网络模型中，得到频域评分值。
[0007]在一些实施例中，所述时域孪生神经网络模型和所述频域孪生神经网络模型通过以下步骤训练得到：获取工业过程中的历史数据，将所述历史数据作为训练样本数据，并根据所述历史数据构建时域下的第一训练样本对和频域下的第二训练样本对；将所述第一训练样本对输入至所述时域孪生神经网络模型中，计算得到模型的时域损失值；将所述第二
训练样本对输入至所述频域孪生神经网络模型中，计算得到模型的频域损失值；根据所述时域损失值和所述频域损失值计算得到所述混合双孪生神经网络模型的总损失值；根据所述总损失值调整所述时域孪生神经网络模型和所述频域孪生神经网络模型的参数，得到训练后的所述时域孪生神经网络模型和所述频域孪生神经网络模型。
[0008]在一些实施例中，所述计算得到模型的时域损失值，包括：获取所述第一训练样本对的样本对数量，得到第一数量；获取所述第一训练样本对中样本之间的欧式距离，得到第一距离；获取所述时域孪生神经网络模型预测的相似值，得到第一相似值；获取时域下预设的样本对之间不相似的距离阈值，得到第一距离阈值；根据所述第一数量、所述第一距离、所述第一相似值和所述第一距离阈值计算得到模型的时域损失值；
[0009]在一些实施例中，所述计算得到模型的频域损失值，包括：获取所述第二训练样本对的样本对数量，得到第二数量；获取所述第二训练样本对中样本之间的欧式距离，得到第二距离；获取所述频域孪生神经网络模型预测的相似值，得到第二相似值；获取频域下预设的样本对之间不相似的距离阈值，得到第二距离阈值；根据所述第二数量、所述第二距离、所述第二相似值和所述第二距离阈值计算得到模型的频域损失值。
[0010]在一些实施例中，所述时域孪生神经网络模型设置有第一编码器、多个第一自相关模块和第一s i gmoi d神经元，所述频域孪生神经网络模型设置有第二编码器、多个第二自相关模块和第二s i gmoi d神经元；所述分别将所述第一时域信号矩阵和所述第二时域信号矩阵输入至预先训练好的所述时域孪生神经网络模型中，得到时域评分值，包括：将所述第一时域信号矩阵和所述第二时域信号矩阵输入至所述第一编码器中进行深度编码，得到第一编码数据；将所述第一编码数据输入至所述第一自相关模块中进行特征提取，得到第一时域特征向量和第二时域特征向量；将所述第一时域特征向量和所述第二时域特征向量输入至所述第一s i gmoi d神经元中进行相似度计算，得到时域评分值；
[0011]在一些实施例中，所述分别将所述第一频域信号矩阵和所述第二频域信号矩阵输入至预先训练好的所述频域孪生神经网络模型中，得到频域评分值，包括：将所述第一频域信号矩阵和所述第二频域信号矩阵输入至所述第二编码器中进行深度编码，得到第二编码数据；将所述第二编码数据输入至所述第二自相关模块中进行特征提取，得到第一频域特征向量和第二频域特征向量；将所述第一频域特征向量和所述第二频域特征向量输入至所述第二s i gmoid神经元中进行相似度计算，得到频域评分值。
[0012]在一些实施例中，所述根据所述样本数据构建时域信号矩阵，包括：对所述样本数据进行数据清洗处理，去掉所述样本数据中线性强相关的数据，得到清洗处理后的第一干净数据；将所述第一干净数据进行标准正态分布转换，并按照比例压缩后再进行平移，得到数据标准化后的标准化数据；按照预设的划分规则获取所述标准化数据中的时间窗矩阵，并将连续的两个所述时间窗矩阵进行配对和配对标记，得到时域信号矩阵。
[0013]在一些实施例中，所述对所述样本数据进行数据清洗处理，去掉所述样本数据中线性强相关的数据，得到清洗处理后的第一干净数据，包括：对所述样本数据进行数据清洗处理，去掉所述样本数据中线性强相关的数据，得到降维后的第二干净数据；基于样本维度，确定所述第二干净数据中的空值，并获取所述第二干净数据中位于所述空值上一时刻的目标值，根据所述目标值填充所述空值，得到数据清洗后的第一干净数据。
[0014]在一些实施例中，所述根据所述时域信号矩阵进行时域到频域的转换，得到频域
信号矩阵，包括：对所述时域信号矩阵进行预设的特征处理，转换为频域信号矩阵；其中，所述特征处理包括短时傅里叶变换处理。
[0015]在一些实施例中，所述根据所述时域评分值和所述频域评分值得到工业过程中当前运行状态下的目标评分值，包括：获取所述时域评分值的第一权重，和所述频域评分值的第二权重；根据所述时域评分值、所述第一权重、所述频域评分值和所述第二权重进行加权计算，得到工业过程中的目标评分值。
[0016]为实现上述目的，本申请实施例的第二方面提出了一种工业过程运行状态评价系统，所述系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业过程运行状态评价方法，其特征在于，所述方法包括：获取工业过程中表征当前运行状态的样本数据；根据所述样本数据构建时域信号矩阵；根据所述时域信号矩阵进行时域到频域的转换，得到频域信号矩阵；将所述时域信号矩阵和所述频域信号矩阵输入至预先训练好的混合双孪生神经网络模型中，分别得到对应的时域评分值和频域评分值；根据所述时域评分值和所述频域评分值得到工业过程中当前运行状态下的目标评分值。2.根据权利要求1所述的工业过程运行状态评价方法，其特征在于，所述样本数据包括正常样本和当前运行状态下的实时样本，所述时域信号矩阵包括所述实时样本的第一时域信号矩阵和所述正常样本的第二时域信号矩阵，所述频域信号矩阵包括所述实时样本的第一频域信号矩阵和所述正常样本的第二频域信号矩阵，所述混合双孪生神经网络模型包括时域孪生神经网络模型和频域孪生神经网络模型；所述将所述时域信号矩阵和所述频域信号矩阵输入至预先训练好的混合双孪生神经网络模型中，分别得到对应的时域评分值和频域评分值，包括：分别将所述第一时域信号矩阵和所述第二时域信号矩阵输入至预先训练好的所述时域孪生神经网络模型中，得到时域评分值；分别将所述第一频域信号矩阵和所述第二频域信号矩阵输入至预先训练好的所述频域孪生神经网络模型中，得到频域评分值。3.根据权利要求2所述的工业过程运行状态评价方法，其特征在于，所述时域孪生神经网络模型和所述频域孪生神经网络模型通过以下步骤训练得到：获取工业过程中的历史数据，将所述历史数据作为训练样本数据，并根据所述历史数据构建时域下的第一训练样本对和频域下的第二训练样本对；将所述第一训练样本对输入至所述时域孪生神经网络模型中，计算得到模型的时域损失值；将所述第二训练样本对输入至所述频域孪生神经网络模型中，计算得到模型的频域损失值；根据所述时域损失值和所述频域损失值计算得到所述混合双孪生神经网络模型的总损失值；根据所述总损失值调整所述时域孪生神经网络模型和所述频域孪生神经网络模型的参数，得到训练后的所述时域孪生神经网络模型和所述频域孪生神经网络模型。4.根据权利要求3所述的工业过程运行状态评价方法，其特征在于，所述计算得到模型的时域损失值，包括：获取所述第一训练样本对的样本对数量，得到第一数量；获取所述第一训练样本对中样本之间的欧式距离，得到第一距离；获取所述时域孪生神经网络模型预测的相似值，得到第一相似值；获取时域下预设的样本对之间不相似的距离阈值，得到第一距离阈值；根据所述第一数量、所述第一距离、所述第一相似值和所述第一距离阈值计算得到模型的时域损失值；
所述计算得到模型的频域损失值，包括：获取所述第二训练样本对的样本对数量，得到第二数量；获取所述第二训练样本对中样本之间的欧式距离，得到第二距离；获取所述频域孪生神经网络模型预测的相似值，得到第二相似值；获取频域下预设的样本对之间不相似的距离阈值，得到第二距离阈值；根据所述第二数量、所述第二距离、所述第二相似值和所述第二距离阈值计算得到模型的频域损失值。5.根据权利要求2所述的工业过程运行状态评价方法，其特征在于，所述时域孪生神经网络模型设置有第一编码器、多个第一自相关模块和第一sigmoid神经元，所述频域孪生神经网络模型设置有第二编码器、多个第二自相关模块和第二sigmoid神经元；所述分别将所述第一时域信号矩阵和所述第二时域信号矩阵输入至预先训练好的所述时域孪生神经网络模型中，得到时域评分值，包括：将所述第一时域信号矩阵和所述第二时域信号矩...

【专利技术属性】
技术研发人员：刘雨桐，李婉莹，张兴，王国勋，
申请(专利权)人：华润数字科技有限公司，
类型：发明
国别省市：