基于滑动窗和多块卷积自编码器的故障检测方法

本发明涉及复杂工业过程建模和故障诊断，具体为基于滑动窗和多块卷积自编码器的故障检测方法。

背景技术：

1、随着科学技术的发展，工业过程日益复杂，实施高效的故障检测能够及时报警，保证工业过程与设备稳定运行，减少财产损失与人员伤亡。目前常用的故障检测方法分为基于机理模型的方法、基于知识的方法和基于数据驱动的方法等。

2、复杂工业过程的机理模型难以精确地建立，基于知识的方法需要大量的故障样本，难获取且成本高，基于数据驱动的故障检测方法可以仅用正常的样本建立模型，因此基于数据驱动的故障检测方法得到了许多学者的关注。深度学习与其他传统的数据驱动方法相比，能够通过多层非线性映射，从数据中提取更深层的抽象特征，具有强大的数据建模能力。常用的深度学习故障检测方法有：卷积神经网络、长短时记忆网络、生成对抗网络和卷积自编码器等。其中cae不需要对原有数据的分布进行假设，适用于非线性特征的提取。然而传统的cae在数据样本不平衡时，难以获得较好的检测效果。为提高cae的精度与效率，学者们提出了许多改进的cae以更好地实现故障检测。卷积稀疏自编码器能够自动从数据集中提取特征，并创建故障检测与分类的框架。一种卷积长短时自编码器，用卷积长短时记忆网络来刻画过程数据的分布，学习时间序列数据的有效特征，增强了故障检测的能力；深度卷积自编码器网络，能够自动学习小样本中的有效特征；但这些方法对于具有微小偏差的故障不够敏感，不利于对微小故障的检测；针对过程数据的时变性，通过滑动窗更新数据，实时更新模型与监测统计量；利用滑动窗内的历史新息实时估计观测噪声方差矩阵，进而构建故障检测量与识别量对故障进行检测与识别；这些基于cae的方法通过对网络结构的改进有效地提升了故障检测效率，但随着工业数据维数升高，全局建模的故障检测方法不利于故障检测精度的提高。

3、针对复杂的工业过程，通常采用多块建模的策略提取信息从而降低复杂性；通过主成分分析方法构造子块，划分特征空间，构造了多块分布式主成分分析模型，既能反映局部特征，又能够提高检测能力；高维数据划分成多个子块单元，并对各子块单元用偏最小二乘方法处理；多块cae的故障检测方法，采取局部提取和全局整合的特征提取策略对过程数据中的特征进行提取。这些方法能够分离出具体的故障单元，再从具体的单元分析具体故障原因，但这些多块建模方法对数据的隐含信息挖掘不足。多块信息提取的pca故障检测方法，构造变化率信息子块和累计信息子块以提取隐含特征，最后用贝叶斯融合进行故障检测，但pca方法受数据的高斯分布假设以及变量线性相关性约束，不利于在非高斯非线性情况下进行故障检测。因此，本发明提出基于滑动窗和多块卷积自编码器的故障检测方法。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：基于卷积自编码器对滑动窗采样的数据进行时序特征提取，提升了模型的故障检测能力，另一方面可以提高对微小偏移和脉冲振荡这类故障的检出率。

4、为解决上述技术问题，本发明提供如下技术方案：基于滑动窗和多块卷积自编码器的故障检测方法，包括：

5、对原始数据集归一化并进行信息提取，得到三个信息集子块；

6、对得到的变化率信息集以和累计信息集进行归一化操作，方便后期训练；

7、对三个子块分别用滑动窗采样，得到送入卷积自编码器进行训练的样本；

8、用自编码器对三个子块进行训练，求得训练样本与其重构间的欧氏距离作为统计量，用核密度函数方法获得三个子块控制限；

9、采用贝叶斯融合的方法，将各个子块统计量进行融合得到融合后的统计量，根据置信度是γ，得到控制限。

10、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述三个信息集子块包括，

11、累计信息是指一定时间段内数据的累加和，当数据出现微小偏移时，通过累加作用，可以将偏移进行放大，从而增强对微小偏移故障的检测，计算过程如下，

12、

13、所述原始数据集为：d＝{zi|zi∈rm*1,i＝1,2,3…n}，

14、则累计信息集为：d1＝{mi|mi∈rm*1,i＝1,2,3…n-t}；

15、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述三个信息集子块还包括，

16、变化率信息是指后一时刻样本与前一时刻样本之间的差，变化率信息反映了样本数据变化的程度；

17、利用变化率信息建模能够增强模型对振荡类型故障的检测能力，由于累计信息丢失了t个样本，为了统一数据集规模，d2＝{ni|ni∈rm*1,i＝1,2,3…n-t}为得到的变化率信息集。变化率信息计算方式为，

18、ni＝zi+t-zi+t-1

19、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述对得到的变化率信息集以和累计信息集进行归一化操作，方便后期训练包括：在原始信息集的基础上，构建变化率信息集与累计信息集，实现对隐含信息的挖掘。原始信息集使最终的误报率保持在较低水平；通过提取累计信息可以放大故障变量的偏移和缓变；提取变化率信息可以提高振荡类型故障的检测。

20、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述对三个子块分别用滑动窗采样，得到送入卷积自编码器进行训练的样本包括：卷积自编码器模型对于异常样本无法较好的重构，因而得到的统计量较大，将测试样本的统计量与控制限比较，若测试样本的统计量超过控制限，则认为样本异常；反之，样本正常；

21、卷积定义为，

22、

23、其中i为给定输入样本，卷积核k的大小为u*v，y为输出。

24、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中所述用自编码器对三个子块进行训练，求得训练样本与其重构间的欧氏距离作为统计量，用核密度函数方法获得三个子块控制限包括，正常样本悬链卷积自编码器得到故障检测模型，将正常样本与重构之间的欧氏距离作为统计量，用核密度估计的方法求得控制限；

25、核密度计算过程如下，

26、

27、其中xi代表独立同分布的样本点，n为独立同分布样本点的数量，k(·)为核函数，kh(x)为缩放核函数，h表示带宽。

28、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述采用贝叶斯融合的方法，将各个子块统计量进行融合得到融合后的统计量，得到控制限包括：三个子块对同一个待测样本计算所得统计量与控制限均不一致，因而各子块模型对于待测样本是否故障的决策也不一致，不利于检测，求取三个子块的统计量与控制限后，对其采用贝叶斯融合，根据融合后的统计量与控制限进行最终决策。

29、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述置信度γ包括，

30、zμ∈ztest于为一个待测样本zμ(1)、zμ(2)、zμ(3)自分别为原始数据子块、变化率信息子块和累计信息子块，根据子块i的听计量dμ以及控制限dl计算子块i中待测样本故障的概率计算过程如下，

31、

32、其中，致为样本故障的先验概率，其值1-γ；为样本正常的先验概率，其值γ，分别为样本异常与正常的似然函数。

33、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述似然函数计算过程如下，

34、

35、

36、作为本发明所述的基于滑动窗和多块卷积自编码器的故障检测方法的一种优选方案，其中：所述贝叶斯融合包括，

37、以各个子块样本异常的似然函数作为权值，加权于各个子块上样本zμ上为故障的概率，得到最终贝叶斯融合后样本为故障的概率，

38、计算过程如下，

39、

40、融合后控制限为1-γ限，γ为置信度，当样本异常，反之正常。

41、本发明的有益效果：本发明提供的基于滑动窗和多块卷积自编码器的故障检测方法基于原始数据构建变化率信息子块与累计信息子块，分别训练三个子块对应的卷积自编码器，融合各子块的决策结果，对原始子块的隐含信息进行挖掘，使用滑动窗进行样本采样，用基于滑动窗的卷积自编码器方法，在提取样本时序信息的同时，扩大了样本维度，实现了误差的累计，提升了算法对微小故障的检测能力。