CN112598144B - 基于相关性分析的cnn-lstm突发故障预警方法 - Google Patents
基于相关性分析的cnn-lstm突发故障预警方法 Download PDFInfo
- Publication number
- CN112598144B CN112598144B CN202011636861.0A CN202011636861A CN112598144B CN 112598144 B CN112598144 B CN 112598144B CN 202011636861 A CN202011636861 A CN 202011636861A CN 112598144 B CN112598144 B CN 112598144B
- Authority
- CN
- China
- Prior art keywords
- argon
- data
- fault
- sudden
- space division
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 22
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims abstract description 70
- 229910052786 argon Inorganic materials 0.000 claims abstract description 35
- 239000007788 liquid Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Separation By Low-Temperature Treatments (AREA)
Abstract
本发明公开了一种基于相关性分析的CNN‑LSTM突发故障预警方法,首先构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;然后保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;构建数据集构造策略,实现特征提取,最后实现突发故障的预测,本发明通过分析系统内部各环节之间的耦合关系,学习系统自身的运行行为,可对工业系统中的突发故障做出及时地预测和识别。
Description
技术领域
本发明属于工业系统智能维护技术领域,具体涉及一种基于相关性分析的CNN-LSTM突发故障预警方法。
背景技术
系统智能维护的主要任务是通过监测系统的运行状态,实现对未来时期系统运行状态的预测。当系统状态存在潜在异常时,需对故障进行早期定位和预防,以缩短预防性维护周期,减少因故障造成的不必要损失,同时确保系统安全可靠地运行。由于工业系统中故障出现的原因复杂、设备的监测数据难以获取、数据质量较低等原因,导致对工业系统故障预警的研究十分匮乏。开展故障预警研究以及实现系统的早期维护,是系统智能维护的重要组成部分,因此,对工业系统开展故障预警研究有重大意义。
由于突发故障的发生具有一定的随机性,且短时间内工作人员不易监测到系统的异常状态,所以无法对系统进行及时维护;同时,突发故障一旦出现,则可导致系统死机、停止运行。综上所述,对工业系统突发故障的准确预测就显得尤为重要。
结合突发故障的特点,针对故障预警研究所面临的问题,提出一种基于相关性分析的CNN-LSTM突发故障预警研究方法,该方法不仅能够增强对故障预警研究的信心,对于该学科和行业的进步起着关键性的作用。
发明内容
本发明的目的是提供一种基于相关性分析的CNN-LSTM突发故障预警方法,通过分析系统内部各环节之间的耦合关系,学习系统自身的运行行为,可对工业系统中的突发故障做出及时地预测和识别。
本发明所采用的技术方案是,基于相关性分析的CNN-LSTM突发故障预警方法,具体按照以下步骤实施:
步骤1、构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;
步骤2、保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;
步骤3、构建数据集构造策略:针对步骤2中的特征因素,构建突发故障预警数据集;
步骤4、实现特征提取:通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取,得到最终的特征映射序列;
步骤5、实现突发故障的预测:将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络,利用训练好的网络对测试样本进行预测,得到制氩空分系统运行状态的预测结果,结合步骤1中的阈值对预测结果进行分析,实现网络对突发故障的预警功能。
本发明的特点还在于,
步骤1具体如下:
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分:将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔,划分到N个子区间内;
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度,并绘制柱状图;
步骤1.3、利用所述步骤1.2所得各子区间的数据长度,计算各子区间数据长度占总数据长度的百分比,并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态(正常状态S1、趋于故障状态S2和故障状态S3)中,若子区间数据长度占总数据长度的百分比大于10%,则将子区间划分到制氩空分系统的正常状态S1中;若子区间数据长度占总数据长度的百分比在5%-10%之间,则将子区间划分到制氩空分系统的趋于故障状态S2中;若各子区间数据长度占总数据长度的百分比小于5%,则将子区间划分到制氩空分系统的故障状态S3中;
步骤1.4、计算突发故障的阈值:去除正常状态S1的数据,设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3,根据式(1)计算两种状态的平均值,该平均值即为突发故障的阈值:
其中,趋于故障状态S2中的第i个数据记为si,故障状态S3中的第j个数据记为sj,k表示制氩空分系统运行状态的个数,q为制氩空分系统突发故障发生的阈值。
步骤2具体如下:
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号,将影响制氩空分系统突发故障的精氩塔温度数据编号为v,将其他部件的传感器监测数据编号为xm,m=1,...,n,其中,xm表示制氩空分系统中第m个传感器的监测数据,n表示制氩空分系统中传感器的总个数;
步骤2.2、通过以下4个条件,判断步骤2.1中的变量xm和v是否满足计算Pearson相关系数的条件,如若其中某一变量未满足任意一条要求,则不可使用Pearson相关系数分析变量间的相关性,4个条件如下:
(1)xm和v的标准差不可为0;
(2)xm和v之间需满足线性关系;
(3)xm和v的总体分布符合正态分布,或接近正态的单峰分布;
(4)xm和v的观测值成对存在,且每对观测值之间相互独立;
步骤2.3、计算步骤2.2之后的xm和v之间的Pearson相关系数并计算v对自身的Pearson相关系数;
步骤2.4、利用所述步骤2.3中的Pearson相关系数结合式(6)排除弱相关和极弱相关变量xr,r=1,...w,w≤n,其中,xr表示被排除的变量,w表示被排除变量的个数,结合式(7)保留具有相关性的变量xp,p=1,...h,h≤n,xp表示保留变量,h表示保留变量的个数,此处xp即为影响制氩空分系统突发故障发生的特征因素:
步骤2.3具体如下:
步骤2.3.1、通过式(2)计算xm和v的数学期望,其中,xk表示变量xm中第k个数据,为对应数据的概率,lk表示变量v中第k个数据,/>为对应数据的概率,Nk和Nv分别表示xm和v的数据个数;
步骤2.3.2、通过式(3)计算xm和v的标准差和/>其中,ux和uv分别表示xm和v的算数平均值;
步骤2.3.3、通过式(4)计算xm和v的协方差;
Cov(xi,v)=E((xi-Exi)(v-Ev)) (4)
步骤2.3.4、根据式(5)计算xm和v的Pearson相关系数
步骤3具体如下:
步骤3.1、构造样本集:将步骤2中保留的特征因素转换为矩阵形式;
步骤3.2、构造子训练集和子测试集:将每个特征因素xp按照7:3的比例划分为子训练集和子测试集;
步骤3.3、构造总训练集和总测试集:将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集,同时,按照总训练集中各子训练集的合并顺序,将各子测试集以列堆叠的形式合并为总测试集,最终形成由总训练集和总测试集构成的突发故障预警数据集。
步骤5具体如下:
以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入,每进行一次预测得到输出的预测结果,将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络,并对网络中的各参数进行调优,当网络的误差小于0.05时,说明网络收敛,可以对空分系统的突发故障进行预警。
本发明的有益效果是,一种基于相关性分析的CNN-LSTM突发故障预警方法,通过相关性分析的方法确定影响突发故障产生的特征因素,并利用CNN-LSTM算法提取各特征因素之间的特征映射,学习各特征因素之间的隐层关系,构建突发故障预警模型,实现了对突发故障的预警。通过实验仿真验证了所提方法在突发故障预警方面的准确性和高效性。
附图说明
图1为本发明基于相关性分析的CNN-LSTM突发故障预警方法总体流程图;
图2为本发明中CNN-LSTM网络预测流程图;
图3为本发明中突发故障阈值策略中数据划分原理图;
图4为本发明中突发故障阈值策略中数据分布示意图;
图5为本发明中突发故障阈值策略中系统运行状态分类示意图;
图6为本发明中CNN特征提取过程流程图;
图7为本发明中LSTM网络预测过程流程图;
图8为本发明中两组预测结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于相关性分析的CNN-LSTM突发故障预警方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;
步骤1具体如下:
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分:将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔,划分到N个子区间内;
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度,并绘制柱状图;
步骤1.3、利用所述步骤1.2所得各子区间的数据长度,计算各子区间数据长度占总数据长度的百分比,并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态(正常状态S1、趋于故障状态S2和故障状态S3)中,若子区间数据长度占总数据长度的百分比大于10%,则将子区间划分到制氩空分系统的正常状态S1中;若子区间数据长度占总数据长度的百分比在5%-10%之间,则将子区间划分到制氩空分系统的趋于故障状态S2中;若各子区间数据长度占总数据长度的百分比小于5%,则将子区间划分到制氩空分系统的故障状态S3中;
步骤1.4、计算突发故障的阈值:去除正常状态S1的数据,设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3,根据式(1)计算两种状态的平均值,该平均值即为突发故障的阈值:
其中,趋于故障状态S2中的第i个数据记为si,故障状态S3中的第j个数据记为sj,k表示制氩空分系统运行状态的个数,q为制氩空分系统突发故障发生的阈值。
步骤2、保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;
图3~图7所示:
步骤2具体如下:
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号,将影响制氩空分系统突发故障的精氩塔温度数据编号为v,将其他部件的传感器监测数据编号为xm,m=1,...,n,其中,xm表示制氩空分系统中第m个传感器的监测数据,n表示制氩空分系统中传感器的总个数;
步骤2.2、通过以下4个条件,判断步骤2.1中的变量xm和v是否满足计算Pearson相关系数的条件,如若其中某一变量未满足任意一条要求,则不可使用Pearson相关系数分析变量间的相关性,4个条件如下:
(1)xm和v的标准差不可为0;
(2)xm和v之间需满足线性关系;
(3)xm和v的总体分布符合正态分布,或接近正态的单峰分布;
(4)xm和v的观测值成对存在,且每对观测值之间相互独立;
步骤2.3、计算步骤2.2之后的xm和v之间的Pearson相关系数并计算v对自身的Pearson相关系数;
步骤2.4、利用所述步骤2.3中的Pearson相关系数结合式(6)排除弱相关和极弱相关变量xr,r=1,...w,w≤n,其中,xr表示被排除的变量,w表示被排除变量的个数,结合式(7)保留具有相关性的变量xp,p=1,...h,h≤n,xp表示保留变量,h表示保留变量的个数,此处xp即为影响制氩空分系统突发故障发生的特征因素:
步骤2.3具体如下:
步骤2.3.1、通过式(2)计算xm和v的数学期望,其中,xk表示变量xm中第k个数据,为对应数据的概率,lk表示变量v中第k个数据,/>为对应数据的概率,Nk和Nv分别表示xm和v的数据个数;
步骤2.3.2、通过式(3)计算xm和v的标准差和/>其中,ux和uv分别表示xm和v的算数平均值;
步骤2.3.3、通过式(4)计算xm和v的协方差;
Cov(xi,v)=E((xi-Exi)(v-Ev)) (4)
步骤2.3.4、根据式(5)计算xm和v的Pearson相关系数
步骤3、构建数据集构造策略:针对步骤2中的特征因素,构建突发故障预警数据集;
步骤3具体如下:
步骤3.1、构造样本集:将步骤2中保留的特征因素转换为矩阵形式;
步骤3.2、构造子训练集和子测试集:将每个特征因素xp按照7:3的比例划分为子训练集和子测试集;
步骤3.3、构造总训练集和总测试集:将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集,同时,按照总训练集中各子训练集的合并顺序,将各子测试集以列堆叠的形式合并为总测试集,最终形成由总训练集和总测试集构成的突发故障预警数据集。
步骤4、实现特征提取:通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取,得到最终的特征映射序列;
步骤5、实现突发故障的预测:将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络,利用训练好的网络对测试样本进行预测,得到制氩空分系统运行状态的预测结果,结合步骤1中的阈值对预测结果进行分析,实现网络对突发故障的预警功能。流程图如图2所示,
步骤5具体如下:
以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入,每进行一次预测得到输出的预测结果,将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络,并对网络中的各参数进行调优,当网络的误差小于0.05时,说明网络收敛,可以对空分系统的突发故障进行预警。
实施例
本次实验以某制氩空分系统为研究对象,系统以30s作为采样频率,共收集了24个传感器的168个小时的样本数据(共518400个样本点)。经过相关性分析后,保留4个特征变量,共86400个样本数据,其中,总训练集有60480个样本点,总测试集有25920个样本点。
基于以上数据,采用本发明的方法与CNN和LSTM方法进行单变量突发故障预警,表1表明各网络性能比较结果。
表1单变量对比实验
由表1所示的结果可以看出,三种网络模型中,CA-CNN-LSTM网络预测结果的RMSE最小,CA-CNN的预测时间最长,且预测结果的RMSE最大,网络预测效率不高。CA-CNN-LSTM网络虽然预测时间趋于中间,但其预测结果的RMSE最小,网络预测效率较高。
采用本发明的方法与CNN和LSTM方法进行多变量突发故障预警,表2表明各网络性能比较结果。
表2多变量对比实验
分析表2中的结果可知,CA-CNN-LSTM网络预测结果的RMSE最小,虽然CA-CNN预测时间最短,但其预测结果的RMSE最大,且三种网络的预测时间非常接近,因此,CA-CNN-LSTM网络的预测效果最佳。
为了更加清晰地描述实验结果,将以上2个仿真结果可视化,结果见图8。
通过观察图8可知,所提CA-CNN-LSTM模型的预测效果比CA-CNN模型和CA-LSTM模型的预测效果更好;3种网络的多变量预测结果均明显优于单变量的预测结果。通过以上仿真实验的结果对比,验证了使用所提方法CA-CNN-LSTM网络来预测突发故障的有效性和可行性。
Claims (6)
1.基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,具体按照以下步骤实施:
步骤1、构建制氩空分系统的突发故障阈值策略,通过监测的突发故障数据,确定突发故障出现的阈值;
步骤2、保留影响制氩空分系统突发故障发生的特征因素:对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行相关性分析,保留具有相关性的特征变量,确定影响系统发生突发故障的特征因素;
步骤3、构建数据集构造策略:针对步骤2中的特征因素,构建突发故障预警数据集;
步骤4、实现特征提取:通过卷积神经网络CNN对步骤3中突发故障预警数据集进行高维特征提取,得到最终的特征映射序列;
步骤5、实现突发故障的预测:将特征映射序列作为长短期记忆网络LSTM的输入训练该预测网络,利用训练好的网络对测试样本进行预测,得到制氩空分系统运行状态的预测结果,结合步骤1中的阈值对预测结果进行分析,实现网络对突发故障的预警功能。
2.根据权利要求1所述的基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,所述步骤1具体如下:
步骤1.1、对制氩空分系统中精氩塔采集的温度数据进行划分:将直接反应制氩空分系统突发故障的M个时刻的精氩塔温度数据以n为间隔,划分到N个子区间内;
步骤1.2、统计所述步骤1.1得到的各子区间内的数据长度,并绘制柱状图;
步骤1.3、利用所述步骤1.2所得各子区间的数据长度,计算各子区间数据长度占总数据长度的百分比,并将所述步骤1.1得到的子区间划分到制氩空分系统的三类运行状态,即正常状态S1、趋于故障状态S2和故障状态S3中,若子区间数据长度占总数据长度的百分比大于10%,则将子区间划分到制氩空分系统的正常状态S1中;若子区间数据长度占总数据长度的百分比在5%-10%之间,则将子区间划分到制氩空分系统的趋于故障状态S2中;若各子区间数据长度占总数据长度的百分比小于5%,则将子区间划分到制氩空分系统的故障状态S3中;
步骤1.4、计算突发故障的阈值:去除正常状态S1的数据,设趋于故障状态S2和故障状态S3的数据长度分别为t2和t3,根据式(1)计算两种状态的平均值,该平均值即为突发故障的阈值:
其中,趋于故障状态S2中的第i个数据记为si,故障状态S3中的第j个数据记为sj,k表示制氩空分系统运行状态的个数,q为制氩空分系统突发故障发生的阈值。
3.根据权利要求2所述的基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,所述步骤2具体如下:
步骤2.1、对制氩空分系统中精馏塔、粗氩塔、粗氩冷凝器、精氩塔、精氩冷凝器、塔釜各部件传感器采集的液位高度、温度、压强、流量和阻力数据进行编号,将影响制氩空分系统突发故障的精氩塔温度数据编号为v,将其他部件的传感器监测数据编号为xm,m=1,...,n,其中,xm表示制氩空分系统中第m个传感器的监测数据,n表示制氩空分系统中传感器的总个数;
步骤2.2、通过以下4个条件,判断步骤2.1中的变量xm和v是否满足计算Pearson相关系数的条件,如若其中某一变量未满足任意一条要求,则不可使用Pearson相关系数分析变量间的相关性,4个条件如下:
(1)xm和v的标准差不可为0;
(2)xm和v之间需满足线性关系;
(3)xm和v的总体分布符合正态分布,或接近正态的单峰分布;
(4)xm和v的观测值成对存在,且每对观测值之间相互独立;
步骤2.3、计算步骤2.2之后的xm和v之间的Pearson相关系数并计算v对自身的Pearson相关系数;
步骤2.4、利用所述步骤2.3中的Pearson相关系数结合式(6)排除弱相关和极弱相关变量xr,r=1,...w,w≤n,其中,xr表示被排除的变量,w表示被排除变量的个数,结合式(7)保留具有相关性的变量xp,p=1,...h,h≤n,xp表示保留变量,h表示保留变量的个数,此处xp即为影响制氩空分系统突发故障发生的特征因素:
4.根据权利要求3所述的基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,所述步骤2.3具体如下:
步骤2.3.1、通过式(2)计算xm和v的数学期望,其中,xk表示变量xm中第k个数据,为对应数据的概率,lk表示变量v中第k个数据,/>为对应数据的概率,Nk和Nv分别表示xm和v的数据个数;
步骤2.3.2、通过式(3)计算xm和v的标准差和/>其中,ux和uv分别表示xm和v的算数平均值;
步骤2.3.3、通过式(4)计算xm和v的协方差;
Cov(xi,v)=E((xi-Exi)(v-Ev)) (4)
步骤2.3.4、根据式(5)计算xm和v的Pearson相关系数
5.根据权利要求3所述的基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,所述步骤3具体如下:
步骤3.1、构造样本集:将步骤2中保留的特征因素转换为矩阵形式;
步骤3.2、构造子训练集和子测试集:将每个特征因素xp按照7:3的比例划分为子训练集和子测试集;
步骤3.3、构造总训练集和总测试集:将所述步骤3.2得到的各子训练集按照列堆叠的形式合并为总训练集,同时,按照总训练集中各子训练集的合并顺序,将各子测试集以列堆叠的形式合并为总测试集,最终形成由总训练集和总测试集构成的突发故障预警数据集。
6.根据权利要求5所述的基于相关性分析的CNN-LSTM突发故障预警方法,其特征在于,所述步骤5具体如下:
以所述步骤4卷积神经网络CNN提取到的特征映射序列作为长短期记忆网络LSTM的输入,每进行一次预测得到输出的预测结果,将该预测结果和制氩空分系统实时采集的真实数据之间的误差反向传播给LSTM网络,并对网络中的各参数进行调优,当网络的误差小于0.05时,说明网络收敛,可以对空分系统的突发故障进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011636861.0A CN112598144B (zh) | 2020-12-31 | 2020-12-31 | 基于相关性分析的cnn-lstm突发故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011636861.0A CN112598144B (zh) | 2020-12-31 | 2020-12-31 | 基于相关性分析的cnn-lstm突发故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598144A CN112598144A (zh) | 2021-04-02 |
CN112598144B true CN112598144B (zh) | 2024-02-23 |
Family
ID=75206627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011636861.0A Active CN112598144B (zh) | 2020-12-31 | 2020-12-31 | 基于相关性分析的cnn-lstm突发故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598144B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076239B (zh) * | 2021-04-12 | 2023-05-23 | 西安交通大学 | 一种高性能计算机用混合神经网络故障预测方法及系统 |
CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
CN113642779A (zh) * | 2021-07-22 | 2021-11-12 | 西安理工大学 | 基于特征融合的ResNet50网络关键设备剩余寿命预测方法 |
CN116627847B (zh) * | 2023-07-21 | 2023-10-10 | 山东云科汉威软件有限公司 | 一种浏览器兼容性测试方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
CN110879372A (zh) * | 2019-12-03 | 2020-03-13 | 中南大学 | 基于特征相关的牵引系统主回路接地故障诊断方法及系统 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN111695607A (zh) * | 2020-05-25 | 2020-09-22 | 北京信息科技大学 | 基于lstm增强模型的电子设备故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11522888B2 (en) * | 2019-04-02 | 2022-12-06 | Nec Corporation | Anomaly detection and troubleshooting system for a network using machine learning and/or artificial intelligence |
-
2020
- 2020-12-31 CN CN202011636861.0A patent/CN112598144B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
CN110879372A (zh) * | 2019-12-03 | 2020-03-13 | 中南大学 | 基于特征相关的牵引系统主回路接地故障诊断方法及系统 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN111695607A (zh) * | 2020-05-25 | 2020-09-22 | 北京信息科技大学 | 基于lstm增强模型的电子设备故障预测方法 |
Non-Patent Citations (2)
Title |
---|
《Diagnosis and Prediction of Bearing Fault Using EEMD and CNN 》;Borui Yang等;《ICASIT 2020: 2020 International Conference on Aviation Safety and Information Technology》;第282-289页 * |
《风力发电机组发电机前轴承故障预警及辨识》;尹诗等;《仪器仪表学报》;第41卷(第5期);第242-251页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598144A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN105404280A (zh) | 基于自回归动态隐变量模型的工业过程故障检测方法 | |
Luo et al. | A novel fault prediction method of wind turbine gearbox based on pair-copula construction and BP neural network | |
US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN112966434B (zh) | 基于滑动窗口的随机森林突发性故障预警方法 | |
CN113110402B (zh) | 知识与数据驱动的大规模工业系统分布式状态监测方法 | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN116738868A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN114091600A (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN111652393A (zh) | 基于大数据技术的电力设备异常预警方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240307 Address after: 510000 room 101-2, building 2, No. 95, Daguan Middle Road, Tianhe District, Guangzhou City, Guangdong Province (office only) Patentee after: Guangzhou shengxia Intellectual Property Operation Co.,Ltd. Country or region after: China Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5 Patentee before: XI'AN University OF TECHNOLOGY Country or region before: China |
|
TR01 | Transfer of patent right |