【技术实现步骤摘要】
本专利技术属于故障诊断，更为具体地讲，涉及一种化学反应搅拌器在化工过程中的状态检测方法。
技术介绍
1、在日趋复杂的现代工业过程中，稳定可靠的早期故障检测是复杂工业生产系统安全正常运行的基础。对于实际工业过程，早期故障往往能通过系统复杂的拓扑结构不断变化与转移，最终导致严重生产事故。但是，由于某些早期故障由于幅值较低、故障特性并不明显、有未知扰动和噪声干扰等原因，使得此类故障难以被有效检测。因为无需精确的数学模型，在工业领域，基于数据驱动的故障检测方法得到了广泛的应用。然而，由于其难以充分挖掘非线性数据特征，利用机器学习对过程信息进行深度提取是必要的。出于异常数据在实际工业过程中难以采集到的考虑，需选取合适的模型架构以实现无监督学习训练。同时，因不同检测器检测机理不同，使用恰当的集成策略以综合其性能也是值得重视的工作。但现有基于滑窗的特征集成方法在转换过程中忽略了重要的浅层信息，难以充分利用基础检测器提取的过程信息。故而有必要需要提出一种新方法改进以上不足，从而更加充分地利用过程数据学习并实现有效的早期故障检测。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种化学反应搅拌器在化工过程中的状态检测方法，根据工业过程中化学反应搅拌器采集到的电机功率、压力、反应物液位等监测数据。通过若干基于机器学习的基础检测器初步提取过程信息，再通过基于滑窗奇异值以及浅层信息重利用的集成机制，对基础检测器的结果进行深度特征挖掘，最终实现对化学反应搅拌器的有效故障检测。
2
3、(1)、样本数据采集；
4、等间隔采集化学反应搅拌器在化工过程中正常运行下的特征数据，特征数据包括化学反应搅拌器的电机功率、压力、反应物液位、反应物流速、生成物流速、反应温度、再循环流量和搅拌速度；
5、记第i个时刻采集的特征数据为xi，从而得到样本数据集x＝{x1,x2,…,xi,…,xn}，其中，n表示采样的时刻总数；
6、(2)、构建基础检测器并训练；
7、基础检测器包括孤立森林、一分类支持向量机、前馈神经网络、长短期记忆网络和时间卷积网络，共计五个检测模块；然后分别对五个检测模块进行训练，直至每个检测模块收敛；
8、(3)、构建矩阵u；
9、将样本数据集x中每个时刻的特征数据xi输入至基础检测器，五个检测模块对应的输出定义为统计量值，从而构建出矩阵u：
10、
11、(4)、统计滑窗矩阵；
12、(4.1)、设置滑动窗，窗口大小为ω×h，滑动步进为1，其中，宽度ω～[h+1,n)，长度h为矩阵u的列数减一；
13、(4.2)、以矩阵u的第一个元素为起点，按照滑动步进利用滑动窗对矩阵u先从上至下进行滑动，在滑动过程中，如果剩余列的数量小于滑窗的长度h，则从矩阵u的第一列开始依次补齐；记录每次滑动后对应的矩阵，其中，记第j次滑动后对应的滑窗矩阵为uj；
14、(5)、对每一个滑窗矩阵进行归一化处理；
15、对于任意的滑窗矩阵uj，先计算uj中每列元素的均值，其中，uj的第k列元素的均值记为uj,k，k＝1,2,…,h；
16、将每一列的均值uj,k组成行矩阵
17、然后按照如下公式将uj归一化为均值为0、方差为1的矩阵
18、
19、其中，上标t表示转置；表示长度为ω的单位矩阵，∑j是uj的协方差矩阵，(σj)*表示求∑j的逆变换；
20、(6)、对每个归一化矩阵进行奇异值分解，得到奇异值向量
21、(7)、将每个分解得到奇异值向量合为一个奇异值矩阵v1；
22、
23、(8)、在矩阵u上，从左往右将滑动步进加1，然后重复步骤(4.2)～(7)，直到遍历完了矩阵u的最后一列，滑动结束，从而得到每一列对应下的奇异值矩阵v1～v5；
24、(9)、对每个奇异值矩阵进行主成分分解，每个奇异值矩阵得到两组统计量向量；其中，第τ个奇异值矩阵vτ分解得到的两组统计量向量分别表示为[tτ,1,tτ,2,…,tτ,n-ω+1]和[qτ,1,qτ,2,…,qτ,n-ω+1]，其中，τ＝1,2,3,4,5；
25、然后将所有奇异值矩阵分解得到的统计量向量组合成统计量矩阵t和q；
26、
27、
28、(10)、将统计矩阵t和q合并为统计矩阵o；
29、
30、(11)、通过迭代求解的方式获取统计矩阵；
31、(11.1)、设置迭代次数l；
32、(11.2)、在第一次迭代时，将矩阵o的后ω-1行接入矩阵o的最前端，整合后形成矩阵
33、
34、然后将矩阵沿列拼合在矩阵u的后面，得到第一次迭代时的输入矩阵最后利用矩阵u1替换矩阵u，然后重复步骤(4)～(10)完成第一轮迭代，得到统计矩阵
35、(11.3)、在第二次迭代时，先按照步骤(11.2)计算第二次迭代时的输入矩阵利用矩阵u2替换矩阵u1，然后重复步骤(4)～(10)完成第二轮迭代，得到统计矩阵
36、(11.4)、以此类推，当第l次迭代后得到统计矩阵为ol；
37、(12)、设置滑动窗，窗口大小为ω×h，滑动步进为1，其中，宽度ω～[h,n)，长度h为矩阵ol的列数；
38、按照滑动步进从上至下对矩阵为ol进行滑动，记录每次滑动后对应的矩阵，其中，记第j次滑动后对应的滑窗矩阵为kj；
39、(13)、对每个滑窗矩阵kj进行奇异值分解，得到奇异值向量再将每个kj分解得到奇异值向量合为奇异值矩阵v；
40、
41、其中，nl为矩阵ol的行数；
42、(14)、对奇异值矩阵v进行归一化处理；
43、计算奇异值矩阵v中每列元素的均值，其中，第k列元素的均值记为vk，k＝1,2,…,h；
44、将每一列的均值vk组成行矩阵
45、将奇异值矩阵v归一化为均值为0、方差为1的矩阵
46、
47、其中，表示长度为nl的单位矩阵，σ为v的协方差矩阵，上标*表示求σ的逆变换；
48、(15)、计算矩阵每一行的元素对应的统计量dj；
49、取出得到行矩阵j＝1,2,…,nl；
50、计算其对应最终的统计量dj；
51、
52、其中，表示矩阵每j行的元素，j＝1,2,…,nl，||·||表示求二范数；
53、(16)、对统计量进行核密度估计；
54、
55、其中，g(x)为估计得出的概率密度，λ为设置常数，k(·)代表高斯核函数；
56、(17)、设置控制限δ，δ满足：其中，α为设置本文档来自技高网...
【技术保护点】
1.一种化学反应搅拌器在化工过程中的状态检测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种化学反应搅拌器在化工过程中的状...
【专利技术属性】
技术研发人员：王敏，程菲洋，陈凯，邱根，程玉华，刘震，冯智彬，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。