本技术属于过程故障诊断技术领域,涉及一种基于两级循环网络的过程故障诊断方法,用于高准确度实时识别故障类型,其主要步骤包括:建立第一级故障分类器、故障分组、建立第二级故障分类器和识别故障类型;利用独立循环神经网络提取长期趋势特征,通过基于压缩激励和全局时间注意力的注意力全卷积网络提取短期动态特征;建立诊断难度评估指标,将故障划分为难诊断故障和易诊断故障;第二级分类器针对难诊断故障进行精细处理,利用主元分析统计量增广测量向量,利用鲁棒标准化改善模型泛化能力,能够有效增强分类特征提取能力,提升过程故障诊断精度。其整体工艺过程简单,原理可靠,故障诊断效果好,适应范围广,逻辑性强,环境友好。
背景技术
随着自动化和人工智能技术的发展,工业过程故障诊断技术受到越来越多的关注。在线故障诊断技术能够向维修团队提供故障的重要信息,有助于尽快排除故障恢复正常生产运行。复杂工业过程普遍包含大量测量变量,具有非线性特性。由于装置大、流程长,工业过程普遍具有动态特性,即短期时间序列具有时间相关性。故障导致的生产运行恶化过程常常具有趋势特性,即长期时间序列具有时间相关性。为了准确地诊断故障类型,需要充分考虑工业过程的上述特性。基于深度学习的故障诊断方法通过较深较复杂的网络结构实现强大的特征提取能力和学习能力,能够更有效地处理复杂过程的故障数据。现有深度学习方法一般采用单级分类器,未同时考虑过程故障数据的长期趋势特性和短期动态特性,导致故障诊断的整体精度较高,部分故障的诊断精度始终较低。因此,发明一种基于两级循环网络的过程故障诊断方法可以改进现有技术的不足,能够实时准确地诊断过程故障类型,减少故障损失,增加整体方法泛化能力。
实现思路