一种基于ConvGRU-AE的空压机系统故障诊断方法与流程

本技术涉及基于数据驱动的过程监测领域，尤其涉及一种基于convgru-ae的空压机系统故障诊断方法。

背景技术：

1、自编码器(ae)是一种不受监控的神经网络模型。他可以学习输入数据的隐藏特征，称为编码，同时，利用新学习的特征，他可以重建原始输入数据，这称为解码。自编码器自动从数据中学习有用的特性，无需手动设计。这使得它在数据处理和字符提取方面非常高效。自编码器可以将高维数据压缩成低维编码，从而最大限度地减少和重新压缩数据，节省存储空间和计算机成本。自编码器可以通过训练数据重构，完成去噪，从损坏或噪声数据中恢复原始数据，帮助恢复和重建数据。自编码器可以通过堆叠多个隐藏层来创建非线性模型，使其在处理复杂数据和非线性关系时更加灵活，但是编码器本身很容易在训练过程过拟合，尤其是在编码维度较高或数据量较少的情况下。

2、convgru是一种结合了卷积神经网络的神经网络结构。它是一种递归神经网络(rnn)的扩展，用于处理具有时序特性的数据，例如时间序列、视频序列或序列数据。空气压缩机是工业和商业应用中的重要设备，如果空压机系统出现故障，可能会导致停机和生产损失。通过诊断系统故障，可以快速确定问题的根本原因，以采取适当的维修措施，减少停机时间并最大限度地提高生产恢复率。特别是，大多数工业数据的时间特征与空间特征并存，提取一个维度的特征进行错误诊断会丢失一些重要特征，导致错误忽略错误报告，因此，可能会错过修复错误的重要时间。同时，数据驱动的方法不需要构建目标系统的精确模型，仅需大量的历史数据即可达到其目的，因此，在面对那些具备多回路、多设备，且不易于进行机理建模的工业行为时，常常会选择使用数据驱动的方法，convgru结合了cnn和gru的优势，旨在解决传统rnn在长时序任务中的梯度消失和梯度爆炸问题，通过使用卷积操作来捕捉输入序列的局部特征，并利用gru的门控机制来建模序列之间的长期依赖关系，convgru在处理序列数据时具有更好的效果。

技术实现思路

1、为了针对现有技术的不足，本技术提出了一种基于convgru-ae的过程监测方法。利用convgru-ae从原始过程数据中提取其隐特征，对convgru-ae提取到的潜变量以及输入与输出之间的残差构造相应的统计量，使用核密度估计方法确定其阈值，从而对故障进行准确诊断；所提出的convgru-ae方法在卷积神经网络和循环神经网络的加持下，解决了现有技术提取的特征存在单一性的问题，将提取到的潜变量进行融合，实现了更加全面的过程监测。

2、为了解决上述技术问题，本技术提供了一种基于convgru-ae的空压机系统故障诊断方法，包括以下步骤：

3、离线建模，convgru-ae模型：

4、收集目标空压机在正常工况下的过程变量数据，将其作为训练集；

5、将过程变量数据经过convgru-ae模型，通过最小化输入与输出之间的残差来训练convgru-ae模型，得到隐藏特征；

6、对gru-ae提取到的隐藏特征构造统计量t2，利用convgru-ae模型输入与输出之间的残差构造统计量spe；

7、根据kde方法确定统计量t2和统计量spe对应的阈值；

8、在线监测：

9、使用实时采集空压机的过程变量数据，经过所建立的convgru-ae模型，得到统计量和spenow，分别与相应的阈值进行比较，判断是否发生质量相关故障。

10、作为优选地，对过程变量数据经过convgru-ae模型以获得隐藏特征包括以下步骤：将过程变量数据作为训练集，训练集记为包含m维过程变量、n个样本的矩阵x＝[x1 x2 lxn]∈rm×n，将作为convgru-ae编码器的输入，convgru使用卷积层代替全连接层来提取数据特征，由如下形式表示：

11、e＝u⊙ht-1+w⊙xt

12、式中，⊙代表卷积运算，xt代表t时刻的输入数据，ht-1代表上一个convgru单元的输出，w、u代表各门的权重，更新门和重置门的计算过程由如下形式表示：

13、rt＝σ(er+br)

14、zt＝σ(ez+bz)

15、式中，σ是激活函数，er和br是卷积后的输出和偏置；

16、最终convgru将通过前面的计算结果确定最终的输出结果，具体如下：

17、

18、

19、其中，代表候选隐状态，ht代表当前时刻的隐状态。

20、作为优选地，得到convgru-ae的编码器所提取到的特征，将ht作为convgru-ae的输入进行重构，解码器由deconvgru层组成，该层接收编码器提取的特征；deconvgru层由若干个deconvgru单元组成，每个单元由一个反卷积单元、一个更新门和一个重置门组成，deconvgru使用反卷积操作提取特征：

21、

22、其中，反卷积运算，代表编码器的输出，h`t-1代表当前时刻deconvgru的输出，代表deconvgru门的权重，deconvgru的更新门与重置门的计算过程与编码器中相同，最终的输出结果由如下形式表示：

23、

24、

25、式中，代表候选隐状态，代表当前时刻的隐状态，解码器的最后一层线性层对信息进行重构得到输出由如下形式表示：

26、

27、其中，σ代表sigmod激活函数运算；convgru-ae的训练目标同样是最小化输出与输出之间的重构误差最小化；最终使用提取到的时间维度上隐层的隐层变量h与重构残差r构建统计量t2与spe，并计算阈值。

28、作为优选地，对于一个输入样本h，计算统计量t2和spe，的如下所示：

29、

30、spe＝r2＝(x-y)2

31、其中，为样本协方差矩阵的逆矩阵，x为convgru-ae提取到的潜变量，t为convgru-ae重构后x的输出，r为重构残差，convgru-ae的训练目标是最小化输出与输出之间的重构误差最小化。

32、作为优选地，使用kde计算统计量spe的阈值包括如下步骤：将统计量spe的概率密度函数记为p(spe)，如下所示：

33、

34、其中，k是核函数，μ是其核宽度，spe(j)(j＝1,2,...,n)是正常工况下样本的spe值，核函数k的定义如下：

35、

36、将speh统计量的阈值记为j(spe)，设定一个置信水平为α，求解以下等式，获得j(spe)的值：

37、

38、其中，关于计算t2阈值，根据上述计算spe的原理，计算t2阈值，记为j(t2)。

39、作为优选地，在在线监测的步骤中，对于实时获取的过程变量数据xnow，通过convgru-ae模型，获得隐藏特征hnow和残差rnow，分别计算对应的统计量和spenow，通过与阈值j(t2)和j(spe)比较，根据以下逻辑获得过程监测结果：若spenow＞j(spe)，则空压机系统发生故障，反之，则空压机系统正常运行。

40、本技术具有如下有益效果：本技术提出了一种基于convgru-ae的空压机系统故障诊断方法，利用convgru-ae从原始过程变量数据中提取其隐藏特征，对convgru-ae提取到的潜变量以及输入与输出之间的残差构造相应的统计量，使用核密度估计方法确定其阈值，从而对故障进行准确诊断；所提出的convgru-ae方法结合了cnn和gru的优势，解决了现有技术提取到的变量存在单一性的问题，将提取到的隐藏特征进行融合，实现了更加全面的过程监测。