【技术实现步骤摘要】
本专利技术涉及故障诊断领域，具体地涉及一种化工产线故障诊断方法、一种化工产线故障诊断系统、一种电子设备及一种计算机可读存储介质。
技术介绍
1、随着化工过程、生化过程等流程行业过程的快速发展，为了降低维护成本，保障工业系统的安全，高效可靠的故障诊断系统越来越必要。一般来说，故障诊断系统包括状态监测传感器、数据采集装置、数据处理分析模块和诊断评估模块。由于流程行业过程通常是复杂且大规模的，导致这些多变量传感器读数往往具有高维度、复杂交互等特点。因此，将流程行业过程的故障诊断定义为一种基于多变量时间序列信号的识别任务，在工业领域得到了越来越多的重视。化工产线故障诊断是一种保障监控生产过程安全运行并优化的关键技术。数据驱动的故障诊断模型是目前最为常用的，到目前为止，常用的故障诊断方法根据模型的不同可以分为三类：1)基于知识的方法；2)基于模型的方法；3)基于数据的方法。
2、其中，基于知识或者模型的方法需要反应过程精确的机制模型，而这通常是难以获得的。例如，由于对系统中存在的发酵代谢等行为了解不足，生物化学过程很难用第一性原理方程来建模。
3、由于大数据时代的来临和产线智能化的推进更是促进了数据驱动模型的发展。化工产线过程的大量监测数据为构建数据驱动模型并提升模型性能提供了数据基础。因此，基于数据的故障诊断方法得到了领域内众多研究者青睐，已逐渐成为主流。
4、化工产线故障诊断问题，本质上属于分类问题，以深度学习为代表的新一代人工智能技术在分类问题上具有明显的优越性。智能化工产线各个部分的传感器提供的
5、深度学习在故障诊断中还至少存在以下问题：
6、1、传统的神经网络模型往往只关注测量信号的时间依赖性，而忽略了传感器信号之间存在的空间依赖性，导致故障诊断精度相对较低；
7、2、化工产线故障诊断往往还存在样本数据不平衡问题，即不同种类的样本之间存在较大的数量差异，部分样本数量巨大，使得其易于被分类，而另一些样本数量很小，其难以被分类；因此导致了易分类的大样本准确率掩盖了难分类的小样本准确率，造成了小样本故障类型难于被准确分类的问题。
技术实现思路
1、本专利技术实施例的目的是提供一种化工产线故障诊断方法、系统及介质，解决现有的故障诊断方法至少存在着诊断精度低的问题。
2、为了实现上述目的，本专利技术实施例提供一种化工产线故障诊断方法，所述方法包括：
3、对获取的化工产线的历史样本进行转换处理，得到历史样本的图数据；
4、根据历史样本的图数据构建故障诊断模型；
5、对获取的化工产线的在线数据进行转换处理，得到在线数据的图数据；
6、将在线数据的图数据输入至故障诊断模型中进行诊断，得到诊断结果。
7、优选地，对历史样本进行转换处理，得到历史样本的图数据，包括；
8、将时刻t0的各个历史样本分别作为样本节点；
9、对时刻t0的各个历史样本分别进行预处理，得到样本节点特征；
10、根据每个样本节点对应的样本节点特征确定该样本节点的邻样本节点；
11、根据每个样本节点与该样本节点对应的邻样本节点构建样本边集，所述样本边集用于表征历史样本的图数据。
12、优选地，对获取的化工产线的在线数据进行转换处理，得到在线数据的图数据，包括：
13、将实时采集到的各个在线数据分别作为节点；
14、对各个在线数据分别进行预处理，得到节点特征；
15、根据每个节点对应的节点特征确定该节点的邻节点；
16、根据每个节点与该节点对应的邻节点构建边集，所述边集用于表征在线数据的图数据。
17、优选地，对时刻t0的各个历史样本分别进行预处理，得到样本节点特征，包括：
18、基于min-max归一化分别对各个历史样本进行处理，得到缩放数据；
19、基于自编码器分别对各个缩放数据进行特征学习，得到样本节点特征。
20、优选地，根据历史样本的图数据构建故障诊断模型，包括：
21、构建chegcn图卷积神经网络；
22、将历史样本的图数据作为训练样本，利用训练样本对chegcn图卷积神经网络进行训练，得到故障诊断模型。
23、优选地，所述chegcn图卷积神经网络包括图卷积层、激活函数和分类器；
24、其中，所述图卷积层用于学习图数据的样本节点特征；
25、所述激活函数用于根据学习到的样本节点特征拟合非线性特性；
26、所述分类器用于根据所述非线性特征预测历史样本的健康状态标签，所述健康状态标签用于表征故障信息。
27、优选地，所述图卷积层包括三层chebgcn卷积层和一层softmax全连接层。
28、优选地，所述方法还包括：采用焦损失函数对故障诊断模型进行训练。
29、本专利技术实施例还提供一种化工产线故障诊断系统，所述系统用于实现上述的化工产线故障诊断方法，所述系统包括：
30、第一转换模块，用于对获取的化工产线的历史样本进行转换处理，得到历史样本的图数据；
31、构建模块，用于根据历史样本的图数据构建故障诊断模型；
32、第二转换模块，用于对获取的化工产线的在线数据进行转换处理，得到在线数据的图数据；
33、诊断模块，用于将在线数据的图数据输入至故障诊断模型中进行诊断，得到诊断结果。
34、本专利技术实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的化工产线故障诊断方法。
35、本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的化工产线故障诊断方法。
36、通过上述技术方案，本专利技术通过构建了图数据，图数据能有效表示监测数据之间的时间和空间依赖关系，全面表征产线监测对象的故障信息；本专利技术的故障诊断方法具有性能更强、准确率更高和可信性更高等优点。
37、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种化工产线故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对历史样本进行转换处理，得到历史样本的图数据，包括；
3.根据权利要求2所述的方法，其特征在于，对获取的化工产线的在线数据进行转换处理，得到在线数据的图数据，包括：
4.根据权利要求2所述的方法，其特征在于，对时刻t0的各个历史样本分别进行预处理，得到样本节点特征，包括：
5.根据权利要求3所述的方法，其特征在于，根据历史样本的图数据构建故障诊断模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述CheGCN图卷积神经网络包括图卷积层、激活函数和分类器；
7.根据权利要求6所述的方法，其特征在于，所述图卷积层包括三层ChebGCN卷积层和一层softmax全连接层。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述方法还包括：采用焦损失函数对故障诊断模型进行训练。
9.一种化工产线故障诊断系统，所述系统用于实现权利要求1-8中任一项所述的化工产线故障诊断方法，其特征在于
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一项所述的化工产线故障诊断方法。
...【技术特征摘要】
1.一种化工产线故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对历史样本进行转换处理，得到历史样本的图数据，包括；
3.根据权利要求2所述的方法，其特征在于，对获取的化工产线的在线数据进行转换处理，得到在线数据的图数据，包括：
4.根据权利要求2所述的方法，其特征在于，对时刻t0的各个历史样本分别进行预处理，得到样本节点特征，包括：
5.根据权利要求3所述的方法，其特征在于，根据历史样本的图数据构建故障诊断模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述chegcn图...
【专利技术属性】
技术研发人员：李义，刘颖慰，卢翔，刘颉，张峰源，汪虎，隋淼，耿哲贤，佟毅，瞿金平，
申请(专利权)人：吉林中粮生化有限公司，
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。