CN116522993A - 一种基于对抗自编码网络的化工过程故障检测方法 - Google Patents

一种基于对抗自编码网络的化工过程故障检测方法 Download PDF

Info

Publication number
CN116522993A
CN116522993A CN202310230154.9A CN202310230154A CN116522993A CN 116522993 A CN116522993 A CN 116522993A CN 202310230154 A CN202310230154 A CN 202310230154A CN 116522993 A CN116522993 A CN 116522993A
Authority
CN
China
Prior art keywords
data
network
chemical process
wavelet
layer
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.)
Pending
Application number
CN202310230154.9A
Other languages
English (en)
Inventor
陈怡潇
李秀喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310230154.9A priority Critical patent/CN116522993A/zh
Publication of CN116522993A publication Critical patent/CN116522993A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于对抗自编码网络的化工过程故障检测方法，包括以下步骤：收集历史数据，将收集到的数据进行预处理，构建网络模型，把处理好的数据输入到模型进行特征学习，最终用训练好的网络进行在线检测，从而实现化工过程的故障检测。所述方法针对化工过程中故障样本数据稀缺及故障种类复杂繁多的问题，采用对抗自编码网络进行特征学习，并且结合小波降噪，时间切片等方法提高预测准确率。所述方法是一种无监督学习方法，学习阶段仅需提供正常工况数据，对数据要求低，具有良好的成本优势。

Description

一种基于对抗自编码网络的化工过程故障检测方法
技术领域
本发明涉及化工过程故障检测与诊断领域，具体涉及一种基于对抗自编码网络的化工过程故障检测方法。
背景技术
随着信息化进程的快速推进，分布式控制系统(DCS)在化学工业中被广泛应用，化工过程变得更加自动化。然而，风险和事故依然存在。故障检测与诊断(FDD)技术作为安全管理的重要手段，给过程安全提供了一定保障。故障检测的目的是确定是否有故障发生，故障诊断的目的是判断发生了哪一种故障，从而帮助操作人员采取相应措施来消除故障。
到目前为止，FDD方法大致分为以下三类：基于知识的方法、基于模型的方法和基于数据的方法。现代化工过程具有耦合性、非线性和海量化的特性，因此如何从海量的数据中提取有效的信息，进行精确快速的检测是目前化工故障诊断研究领域亟待解决的问题。由于基于知识的方法和基于模型的方法自身的缺陷，在现代化工中的应用难度较大，而基于数据的方法能够处理大量且复杂的信息，越来越受到专家学者的青睐。
基于数据的方法包括传统的机器学习方法和深度学习方法。传统的机器学习方法如主成分分析(PCA)，独立成分分析(ICA)，支持向量机(SVM)等，这些方法常被用于化工故障检测与诊断并取得了一定的成果，但是现代化工过程数据的高维度、非线性和海量化特征，导致这些方法在应用中存在一定的局限性。近年来随着人工智能技术的发展，深度学习方法在许多领域中表现出了比传统机器学习方法更好的性能，在故障诊断领域的应用也越来越广泛，如深度置信网络，卷积网络，循环网络等。Venkatasubramanian等首次提出将BP网络应用于化工过程故障诊断，借助于流化催化裂化过程的炼油厂案例研究证明了这种方法的潜力；江升等人将长短期记忆神经网络(LSTM)应用于TE过程故障诊断，利用LSTM网络对信息在时间维度上的动态自适应学习，得到了相比于传统机器学习方法更好的诊断结果；Wu等人利用卷积神经网络对TE过程进行故障诊断，验证了卷积网络在故障诊断中具有良好的性能。上述方法均为监督学习方法，通过有标签的样本数据训练网络模型。而在实际工业中，故障样本十分稀有，少量的故障样本不足以支持深度学习。而且现实中故障是不可预见的，故障类型是无法枚举的，这进一步降低了监督学习在故障诊断中的稳定性和扩展性。Hinton最先在2006年提出自动编码器(AE),其主要思想是将高维数据通过编码网络层缩放到一个低维的隐藏层，再通过解码网络将低维数据重构回原始数据。目前AE及其改进方法在图像检测领域表现出强大的能力，然而此类学习算法在化工过程故障诊断中的报道较少。对抗自编码网络(AAE)是将输入数据从高维空间映射到低维空间，再从特征空间重构输入数据，与AE不同的是AAE通过一个判别器来保证特征空间的有效分布，使特征空间满足我们所期望的分布，生成更加逼真的样本。
发明内容
为了解决以上现有技术的缺点和不足之处，本发明的目的在于提供一种基于对抗生成网络的化工过程故障检测方法。
本发明至少通过如下技术方案之一实现。
一种基于对抗自编码网络的化工过程故障检测方法，包括以下步骤：
步骤一、采集化工过程的原始数据及预处理；
步骤二、构建及训练对抗自编码网络；
步骤三、将训练好的网络模型进行在线监测。
进一步地，所述预处理包括步骤如下：
(1)用小波阈值降噪方法对原始数据降噪；
(2)对降噪后的数据进行标准化；
(3)对标准化后的数据做切片，形式是二维矩阵。
进一步地，用小波阈值降噪方法对原始数据降噪包括：根据观测信号的特征确定合适的分解层数将观测信号分解，采用信噪比作为评价指标，信噪比值高表示降噪效果越好，计算公式如下：
其中N表示信号长度，f(n)表示原始信号，f′(n)表示降噪后信号；
选择基小波和分解层数后进行小波多尺度分解，根据式(2)计算每层的小波系数；
其中式中W(a,b)为小波系数，a表示分解层数，b表示位置，ψ表示小波函数；
计算小波降噪阈值λ：
其中σ信号中的噪声标准差，将各层分解的小波系数绝对值与小波降噪阈值进行比较，当小于小波降噪阈值时视为噪声信号，把小波系数取0，大于或等于阈值时，小波系数保持不变。
进一步地，对于具有时序关系的化工过程信号常采用Daubechies(db)小波。
进一步地，对降噪后的数据进行标准化包括：
设训练数据集Xtrain有n个样本，每个样本有m个变量，则标准化运算如下：
其中Xij表示第i个样本的第j个变量的值，Xmean,j表示第j个变量的平均值，Xstd,j表示第j个变量的标准差,Xnormal,ij表示正常样本第i个样本的第j个变量的值。
进一步地，对抗自编码网络包括生成网络，其中生成网络包括编码器和解码器。
进一步地，编码器和解码器分别通过卷积层和反卷积层以卷积和反卷积的形式进行特征学习，将训练数据集Xtrain输入生成网络，当输入矩阵形式的数据时，卷积层的每个神经元相当于一个滤镜对输入数据进行扫描，通过局部视野的方式对信息进行过滤和抽象，反卷积层对抽象到的特征进行还原，生成重构数据，用于判断输入样本是否为正常样本；判别网络为全连接网络结构，在学习阶段随机生成高斯向量作为真实样本，标记为1，将编码器生成的特征矩阵展平成一维向量作为虚假样本，标记为0；以判别网络和生成网络相互对抗的方式进行特征学习，选择验证数据集Xval上效果最优的模型作为最终模型，用于在线监测。
进一步地，生成网络的训练包括步骤如下：
编码器和解码器以卷积和反卷积的形式进行特征学习，设有M个特征图作为输入和K个卷积核，根据下式计算输出特征图：
其中表示第l个卷积层的第j个输出特征图，/>表示第l-1层的第j个特征图，/>表示与第l层相连接的第j个卷积核，每个卷积核对应一个输出特征图，/>表示第l层的第j个卷积核对应的偏置项，f表示激活函数，*表示卷积运算；在进行卷积运算并加上相应的偏置项向后，采用ReLU函数计算输出特征图，最后放缩到两个矩阵，均值矩阵μ和方差矩阵∑，根据下式计算得到特征矩阵用于记录提取到的主要特征信息z，其中ε为随机噪声：
z＝μ+exp(∑)*ε (8)。
进一步地，判别网络根据均方误差损失进行梯度训练，其中真实样本误差err_d1和虚假样本误差err_d2各占判别器损失函数值的50％；最后由解码器作反卷积操作重构得到生成数据，根据均方误差损失函数计算生成数据与输入数据的误差err_g1，最终生成网络的损失值err_g2＝err_g1+err_d2。
进一步地，在线检测包括步骤如下：
设样本总数为T，制限的划定方式如下：
f(True)＝1,f(False)＝0 (11)
其中xi、分别为输入数据、重构数据，Threshold95％、Threshold99％分别是95％控制限、99％控制限，MSE为均方误差，f为判别函数，根据控制限的大小，将大于控制限的数据标记为故障，否则为正常。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明针对化工过程故障样本稀缺且种类复杂的特征，利用生成网络的方式进行特征提取，只需提供正常工况数据即可完成检测任务，具有较好的成本优势。
(2)本发明利用小波降噪，时间切片等方法对数据进行处理，减少外界因素的影响，避免时间跨度过大导致学习困难的问题。
(3)本发明采用对抗网络对特征空间进行限制，使特征向量趋于高斯分布，从而保证模型所提取特征的有效性，提高了特征学习的效率，同时也提高了故障的检测效率。
附图说明
图1为本发明实施例一种基于对抗自编码网络的化工过程故障检测方法的流程图；
图2为本发明实施例一种基于对抗自编码网络的化工过程故障检测方法的网络结构图；
图3为本发明实施例中采用的田纳西-伊斯曼(TE)化工过程的工艺流程图；
图4为本发明实施例小波函数降噪前后的对比图；
图5为本发明实施例正常工况下反应器压力部分生成结果对比图；
图6a为本发明实施例故障1的实时在线检测图；
图6b为本发明实施例故障2的实时在线检测图；
图6c为本发明实施例故障4的实时在线检测图；
图6d为本发明实施例故障6的实时在线检测图；
图6e为本发明实施例故障7的实时在线检测图；
图6f为本发明实施例故障8的实时在线检测图；
图6g为本发明实施例故障11的实时在线检测图；
图6h为本发明实施例故障13的实时在线检测图；
图6i为本发明实施例故障14的实时在线检测图；
图6j本发明实施例故障17的实时在线检测图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，一种基于对抗自编码网络的化工过程故障检测方法，包括以下步骤：
步骤一、采集数据及预处理：
收集DCS采集到的各相关变量在正常工況和各种故障下的时序数据，正常工况数据用于模型训练，故障工况数据用于在线检测。其中将正常工况数据的80％作为训练样本Xtrain，其余20％作为验证数据集Xval，用于验证本方法对正常数据的重构性能，从而确定控制限的大小。
利用小波阈值降噪法对收集到的原始数据进行降噪，然后对降噪数据进行归一化，去除量纲的影响。考虑到化工过程的时间动态性，选择合适的长度对数据做切片，最终得到的输入数据为二维矩阵。具体为：
(1)首先用小波阈值降噪方法对原始数据降噪。首先根据原始信号的特点来选择合适的基小波，根据观测信号的特征确定合适的分解层数，将观测信号分解，并计算每层的小波系数。然后选择合适的小波降噪阈值，并将各层分解大的小波系数与该阈值进行比较，对小于阈值的小波系数部分做进一步处理。最后对未处理信号与处理后保留下的信号重新结合完成降噪。采用信噪比(SNR)作为评价指标，SNR值高表示降噪效果越好，计算公式如式(1)所示。
其中N表示信号长度，f(n)表示DCS采集到的原始信号，f′(n)表示降噪后信号。
选择基小波和分解层数后进行小波多尺度分解，根据式(2)计算每层的小波系数；
其中式中W(a,b)为小波系数，a表示分解层数，b表示位置，ψ表示小波函数。
然后计算小波降噪阈值λ，如下式所示。
其中σ表示信号中的噪声标准差，将各层分解的小波系数绝对值与小波降噪阈值进行比较，当小于小波降噪阈值时视为噪声信号，把小波系数取0，大于或等于阈值时，小波系数保持不变。
(2)对降噪后数据进行标准化，假设训练数据集Xtrain(正常工况下的时序数据)有n个样本(每个样本代表一个采样点)，每个样本有m个监测变量，则标准化运算如下：
其中Xij表示第i个样本的第j个变量的值，Xmean,j表示第j个变量的平均值，Xstd,j表示第j个变量的标准差,Xnormal,ij表示正常样本第i个样本的第j个变量的值；
(3)通过实验对比，选择合适的时间长度对数据做切片，最终的数据形式是一个二维矩阵。本实施例取监测变量数量1.5～2倍的采样点个数进行切片，形式是二维矩阵。
作为一种优选的实施例，一般根据基小波的紧支撑性、对称性、正则性、相似性进行选取。对于具有时序关系的化工过程信号常采用Daubechies(db)小波。
步骤二、模型构建及训练
如图2所示，首先构建模型的生成网络，包括编码器和解码器，以卷积和反卷积的形式进行特征学习。将处理好的训练数据集Xtrain输入网络，当输入一个矩阵形式的数据时，卷积层的每个神经元相当于一个滤镜对输入数据进行扫描，通过局部视野的方式对信息进行过滤和抽象。判别网络为全连接网络结构，在学习阶段随机生成高斯向量作为真实样本，标记为1，将编码器生成的特征矩阵展平成一维向量作为虚假样本，标记为0。
具体的，编码器和解码器以卷积和反卷积的形式进行特征学习。假设有M个特征图作为输入和N个卷积核。根据下式计算输出特征图。
其中xj l表示第l个卷积层的第j个输出特征图，表示第l-1层的第j个特征图，/>表示与第l层相连接的第j个卷积核，bj l表示第l层的第j个卷积核对应的偏置项，f表示激活函数，*表示卷积运算。在进行卷积运算并加上相应的偏置项向后，采用ReLU函数计算输出特征图。最后放缩到两个矩阵，均值矩阵μ和方差矩阵∑，根据下式计算得到特征矩阵用于记录提取到的主要特征信息，其中ε为随机噪声。
z＝μ+exp(∑)*ε(5)
以判别网络和生成网络相互对抗的方式进行特征学习，选择验证数据集Xval上效果最优的模型作为最终模型，用于在线监测。
作为一种优选的实施例，判别网络根据均方误差损失进行梯度训练，其中真实样本误差err_d1和虚假样本误差err_d2各占判别器损失函数值的50％。判别网络可以使特征空间趋向高斯分布，保证特征向量每个特征的有效性。最后由解码器作反卷积操作重构得到生成数据，同样根据均方误差损失函数计算生成数据与输入数据的误差err_g1，最终生成网络的损失值err_g2＝err_g1+err_d2。
步骤三、根据模型在验证数据集Xval上得到的结果划分控制限，将验证数据集输入到训练好的模型中，得到验证集的重构数据，计算两者的均方误差作为划分控制限的依据，当检测值大于控制限则报出异常，否则认定为正常。在线检测，具体步骤如下：
制限的划定方式如下：假设验证数据集Xval为M，
f(True)＝1,f(False)＝0(8)
其中xi,分别为输入数据(经过预处理的原始信号)和重构数据，Threshold95％,Threshold99％分别是95％控制限和99％控制限，MSE为均方误差，f为判别函数。根据控制限的大小，将大于控制限的数据标记为故障，否则为正常。
将本实施例应用到田纳西-伊斯曼(TE)基准化工过程来对本实施例的方法做进一步说明，TE过程是由美国田纳西的伊斯曼化学公司的Downs J.J和Vogel E.F于1993年提出的实际化工过程计算模拟仿真程序，目前被广泛用于评估过程控制和监测的有效性。该过程的工艺流程图如图3所示。TE过程主要包括5个操作单元：反应器、冷凝器、气液分离器、循环压缩机和汽提塔。在仿真模拟中一共对52个观测变量进行监测，其中包括22个过程变量、11个操作变量和19个成分变量。TE过程还包括21个预先设定的故障，本实施例采用前20个故障进行监测，20个预先设定的故障如下表1所示。
表1.TE过程的20个预先设定的故障
故障序号 过程变化 干扰类型
1 A/C物料进料比例扰动，B成分恒定 阶跃变化
2 B组分扰动，A/C比例恒定 阶跃变化
3 组分D进料温度扰动 阶跃变化
4 反应器冷却水入口温度 阶跃变化
5 反应器冷却水入口温度 阶跃变化
6 A组分泄漏 阶跃变化
7 组分C压力下降扰动 阶跃变化
8 A、B、C进料成分 随机变化
9 组分D进料温度扰动 随机变化
10 组分C进料温度扰动 随机变化
11 反应器冷却水入口温度 随机变化
12 反应器冷却水入口温度 随机变化
13 反应器动力性能 缓慢漂移
14 反应器冷却水调节阀 堵塞
15 反应器冷却水调节阀 堵塞
16 未知 未知
17 未知 未知
18 未知 未知
19 未知 未知
20 未知 未知
步骤一、数据采集及预处理
采集TE过程正常工况和20种故障工况下的数据。TE模拟实验过程中每隔3分钟进行一次采样，训练数据集中每种工况的模拟时间为25小时，系统正常运行1小时后引入故障(正常样本是在无干扰的情况下系统运行25小时采样得到)。每种工况分别进行500次模拟实验并使用不同的随机种子，采样到的训练集数据中每种工况共有250000个样本；测试集数据每种工况的模拟时间为25小时，故障样本中系统正常运行8个小时，之后开始引入故障，测试集数据中每种工况共有480000个样本。首先，对收集到的数据进行降噪，图4为小波函数降噪前后的对比。以反应器压力、汽提塔温度和压缩机工作功率为例，可以看出原始信号在峰值处受到的干扰比较严重，信号有明显的尖峰和突变。在使用小波函数降噪后，信号的波形变得更加平滑。并且降噪前后信号的变化趋势和大致形状几乎保持不变，因此说明小波函数有效去除了噪声信号并且保留了有效信号。然后利用均值Xmean和标准差Xstd对数据集进行标准化处理，达到无量纲化。选取时间序列为100个采样点长度进行切片，因此最终每个输入样本是一个52×100的二维矩阵。
步骤二、模型构建及训练
模型结构如表2、3、4所示，为避免梯度消失和梯度爆炸现象，每个卷积层后加入批标准化化(Batch Normalization)层，训练过程中将中间层数据进行标准化。
表2.序列长为100的编码器结构
表3.序列长为100的解码器结构
表4.序列长为100的判别器器结构
通过对比实验得到模型的最优超参数如表5所示。
表5.模型超参数
将训练数据输入网络进行训练，记录在验证数据集上损失函数值最小的模型，将其作为最优模型。最终得到的效果图如图4所示。
步骤三、在线监测
根据控制限的大小，将大于控制限的数据标记为故障，否则为正常。本文使用故障检出率(Fault Detection Rate,FDR)作为性能评价指标,其具体计算公式如下：
将故障测试数据输入不同的网络模型后得到的故障检出率如表(6)所示。可以看出，所提出的方法对TE过程中有些故障非常容易识别，比如故障1、2、4、5、6、7、12、14和17，这些故障在不同条件下的检出率均达到95％以上。故障3、9、15、16和19，由于这些故障在系统运行过程产生的扰动十分微小，仅仅在个别监测变量发生的微小偏移，模型对这种细微变化非常难以捕捉，但相比于其他方法，所提出方法的故障检出率有明显提升，因此，从一定程度上说明提出的方法有效地提高了某些难以检测出故障点的性能。
表6.不同模型的故障检出率
在实际应用中需要考虑模型的检测速度，因此对测试结果，选取诊断精度较高的10个故障作分析(故障1、2、4、6、7、8、11、13、14、17)。从图中可以看出，故障引入的时间均为第60个采样点，图中横向虚线表示控制限，当键控制处于控制限以下时检测为正常，否则报出异常。其中故障1、4、6、7、11能被模型快速捕捉，报出异常的速度很快，均小于10个采样点，前4种故障类型均阶跃变化，因此说明模型对该类故障可以做到有效且快速的检测。对于随机变化类型的故障8，故障11，预测值虽然有波动，但依然能明显高于控制限。对于故障出现前期系统变化缓慢的漂移变化，如故障13，模型的检出速度有所下降，但在一定时间后，变化达到一定程度，依然可以被有效检出，并且预测值稳定在100％。阻塞类型故障和阶跃故障类型相似，模型给出的预测值在故障开始阶段就直线升高，达到100％的稳定值，因此该类故障也能被有效且快速地检出。
以上所述，仅为本发明较佳的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。

Claims (10)

1.一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，包括以下步骤：
步骤一、采集化工过程的原始数据及预处理；
步骤二、构建及训练对抗自编码网络；
步骤三、将训练好的网络模型进行在线监测。
2.根据权利要求1所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，所述预处理包括步骤如下：
(1)用小波阈值降噪方法对原始数据降噪；
(2)对降噪后的数据进行标准化；
(3)对标准化后的数据做切片，形式是二维矩阵。
3.根据权利要求2所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，用小波阈值降噪方法对原始数据降噪包括：根据观测信号的特征确定合适的分解层数将观测信号分解，采用信噪比作为评价指标，信噪比值高表示降噪效果越好，计算公式如下：
其中N表示信号长度，f(n)表示原始信号，f′(n)表示降噪后信号；
选择基小波和分解层数后进行小波多尺度分解，根据式(2)计算每层的小波系数；
其中式中W(a,b)为小波系数，a表示分解层数，b表示位置，ψ表示小波函数；
计算小波降噪阈值λ：
其中σ信号中的噪声标准差，将各层分解的小波系数绝对值与小波降噪阈值进行比较，当小于小波降噪阈值时视为噪声信号，把小波系数取0，大于或等于阈值时，小波系数保持不变。
4.根据权利要求2所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，对于具有时序关系的化工过程信号常采用Daubechies(db)小波。
5.根据权利要求2所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，对降噪后的数据进行标准化包括：
设训练数据集Xtrain有n个样本，每个样本有m个变量，则标准化运算如下：
其中Xij表示第i个样本的第j个变量的值，Xmean,j表示第j个变量的平均值，Xstd,j表示第j个变量的标准差,Xnormal,ij表示正常样本第i个样本的第j个变量的值。
6.根据权利要求1所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，对抗自编码网络包括生成网络，其中生成网络包括编码器和解码器。
7.根据权利要求6所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，编码器和解码器分别通过卷积层和反卷积层以卷积和反卷积的形式进行特征学习，将训练数据集Xtrain输入生成网络，当输入矩阵形式的数据时，卷积层的每个神经元相当于一个滤镜对输入数据进行扫描，通过局部视野的方式对信息进行过滤和抽象，反卷积层对抽象到的特征进行还原，生成重构数据，用于判断输入样本是否为正常样本；判别网络为全连接网络结构，在学习阶段随机生成高斯向量作为真实样本，标记为1，将编码器生成的特征矩阵展平成一维向量作为虚假样本，标记为0；以判别网络和生成网络相互对抗的方式进行特征学习，选择验证数据集Xval上效果最优的模型作为最终模型，用于在线监测。
8.根据权利要求1所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，生成网络的训练包括步骤如下：
编码器和解码器以卷积和反卷积的形式进行特征学习，设有M个特征图作为输入和K个卷积核，根据下式计算输出特征图：
其中xj l表示第l个卷积层的第j个输出特征图，表示第l-1层的第j个特征图，/>表示与第l层相连接的第j个卷积核，每个卷积核对应一个输出特征图，/>表示第l层的第j个卷积核对应的偏置项，f表示激活函数，*表示卷积运算；在进行卷积运算并加上相应的偏置项向后，采用ReLU函数计算输出特征图，最后放缩到两个矩阵，均值矩阵μ和方差矩阵∑，根据下式计算得到特征矩阵用于记录提取到的主要特征信息z，其中ε为随机噪声：
z＝μ+exp(∑)*ε(8)。
9.根据权利要求7所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，判别网络根据均方误差损失进行梯度训练，其中真实样本误差err_d1和虚假样本误差err_d2各占判别器损失函数值的50％；最后由解码器作反卷积操作重构得到生成数据，根据均方误差损失函数计算生成数据与输入数据的误差err_g1，最终生成网络的损失值err_g2＝err_g1+err_d2。
10.根据权利要求1所述的一种基于对抗自编码网络的化工过程故障检测方法，其特征在于，在线检测包括步骤如下：
设样本总数为T，制限的划定方式如下：
f(True)＝1,f(False)＝0(11)
其中xi、分别为输入数据、重构数据，Threshold95％、Threshold99％分别是95％控制限、99％控制限，MSE为均方误差，f为判别函数，根据控制限的大小，将大于控制限的数据标记为故障，否则为正常。
CN202310230154.9A 2023-03-10 2023-03-10 一种基于对抗自编码网络的化工过程故障检测方法 Pending CN116522993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310230154.9A CN116522993A (zh) 2023-03-10 2023-03-10 一种基于对抗自编码网络的化工过程故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310230154.9A CN116522993A (zh) 2023-03-10 2023-03-10 一种基于对抗自编码网络的化工过程故障检测方法

Publications (1)

Publication Number Publication Date
CN116522993A true CN116522993A (zh) 2023-08-01

Family

ID=87405351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310230154.9A Pending CN116522993A (zh) 2023-03-10 2023-03-10 一种基于对抗自编码网络的化工过程故障检测方法

Country Status (1)

Country Link
CN (1) CN116522993A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117914629A (zh) * 2024-03-18 2024-04-19 台州市大数据发展有限公司 一种网络安全检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117914629A (zh) * 2024-03-18 2024-04-19 台州市大数据发展有限公司 一种网络安全检测方法及系统
CN117914629B (zh) * 2024-03-18 2024-05-28 台州市大数据发展有限公司 一种网络安全检测方法及系统

Similar Documents

Publication Publication Date Title
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN111861272A (zh) 一种基于多源数据的复杂机电系统异常状态检测方法
CN113657454B (zh) 基于自回归BiGRU的核电旋转机械状态监测方法
CN116796272A (zh) 一种基于Transformer的多变量时间序列异常检测方法
CN116522993A (zh) 一种基于对抗自编码网络的化工过程故障检测方法
Zhang et al. MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes
CN114708675A (zh) 基于dae的电潜泵故障诊断方法、系统、终端及介质
CN114707577A (zh) 一种基于自对抗变分自编码器的异常检测方法及系统
CN117633690A (zh) 一种基于数据驱动的旋转机械健康状态监测方法及设备
CN117369418A (zh) 数控机床进给系统故障诊断方法、系统、存储介质及设备
Márquez-Vera et al. Adaptive threshold PCA for fault detection and isolation
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
Tian et al. Anomaly detection with convolutional autoencoder for predictive maintenance
CN114879612A (zh) 一种基于Local-DBKSSA的高炉炼铁过程监测方法
Zhao et al. Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis
CN118427670B (zh) 换电柜的数据在线监测方法及系统
CN118332291B (zh) 一种飞行器多传感器数据故障预测方法
CN118586469B (zh) 一种异构时序变量输入输出动态性的智能自适应学习方法
CN118585917B (zh) 一种基于时频域特性分析的电磁阀故障在线诊断方法
CN115049299A (zh) 基于报警时间序列的故障诊断与健康评估方法
CN118568608A (zh) 基于CNN-BiLSTM-Attention的多变量时序故障诊断方法及系统

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