本發(fā)明涉及工業(yè)生產(chǎn)過程設(shè)備健康狀態(tài)監(jiān)測和故障預(yù)測方法，具體涉及基于多源傳感數(shù)據(jù)和時(shí)空神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測方法。

背景技術(shù)：

1、復(fù)雜工業(yè)生產(chǎn)系統(tǒng)，如流程工業(yè)，生產(chǎn)過程非常復(fù)雜，其測量系統(tǒng)中包含較多的過程變量。過程變量通常包含多種物理量，如溫度、流量、速度、位移、角度、壓力、振動、噪聲等。而且，過程變量之間相互關(guān)聯(lián)、相互耦合，任何一個變量的變化都可能會引起其他變量發(fā)生變化，從而使因果關(guān)系錯綜復(fù)雜，增加了運(yùn)行狀態(tài)和故障預(yù)測的困難程度和復(fù)雜程度，難以建立精確的數(shù)學(xué)模型，通常需要對含有多個變量的數(shù)據(jù)進(jìn)行監(jiān)測，收集大量數(shù)據(jù)后進(jìn)行分析尋找規(guī)律。多變量數(shù)據(jù)集提供豐富的信息，但也增加了數(shù)據(jù)分析的難度。由于測量變量眾多，變量之間存在相關(guān)性，通常故障診斷的首要任務(wù)通常就是數(shù)據(jù)降維。然而，數(shù)據(jù)降維總會或多或少丟失一些數(shù)據(jù)中隱含的信息，有時(shí)丟失的可能是重要的信息。

2、主成分分析（pca）方法是在流程工業(yè)的建模、故障檢測等方面廣泛應(yīng)用的一種多元統(tǒng)計(jì)分析方法。它通過將多變量高維數(shù)據(jù)空間投影到相對獨(dú)立的低維空間，得到最大化數(shù)據(jù)方差的正交投影軸，以達(dá)到消除數(shù)據(jù)相關(guān)性和降維的目的。通過構(gòu)造一組新的變量來降低原始數(shù)據(jù)空間的維度，從映射空間中提取主要變化信息用于統(tǒng)計(jì)分析、故障診斷。

3、流程工業(yè)采集的數(shù)據(jù)一般都是高度相關(guān)的，每類數(shù)據(jù)分布不均勻。盡管pca方法提取的主成分能保留大多數(shù)的數(shù)據(jù)變化特征，但是這些主成分只能捕獲過程數(shù)據(jù)的整體結(jié)構(gòu)，并沒有考慮不同樣本之間存在的內(nèi)在局部信息。在非線性情況下，數(shù)據(jù)中的細(xì)小特征也可能包含重要信息，pca方法對工程中出現(xiàn)的非線性問題往往不能得到滿意的效果。而且，pca是靜態(tài)算法，假設(shè)過程是時(shí)不變的，即變量之間的關(guān)系不隨時(shí)間而變化，沒有考慮具有時(shí)變特性的流程工業(yè)系統(tǒng)的動態(tài)特性。大多數(shù)的流程工業(yè)均存在緩變特性，如果將較早時(shí)間建立的正常工況模型用于故障檢測，很容易造成判斷錯誤。

4、對于流程工業(yè)采集的多時(shí)空時(shí)間序列數(shù)據(jù)，現(xiàn)有的數(shù)據(jù)建模方法并未有效利用多源傳感數(shù)據(jù)和歷史運(yùn)行數(shù)據(jù)。

5、為了解決前述問題，本發(fā)明提出了一種不需要對數(shù)據(jù)進(jìn)行降維處理，因此，也不會丟失數(shù)據(jù)中相關(guān)性和細(xì)小特征信息，同時(shí)又能提取多種過程物理變量數(shù)據(jù)中相互耦合的時(shí)序特征的方法，用于預(yù)測生產(chǎn)過程設(shè)備運(yùn)行狀態(tài)和故障，以及可能發(fā)生故障的時(shí)間。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：復(fù)雜工業(yè)生產(chǎn)系統(tǒng)的運(yùn)行狀態(tài)和故障預(yù)測的難點(diǎn)在于隨時(shí)間變化的、且具有相關(guān)性的多種過程變量數(shù)據(jù)的特征提取問題。多源傳感器采集的多種監(jiān)測變量數(shù)據(jù)中的特征提取是預(yù)測未來運(yùn)行狀態(tài)和故障的前提和基礎(chǔ)。本發(fā)明提出了一種不需要對采集的數(shù)據(jù)進(jìn)行降維處理，不丟失數(shù)據(jù)中相關(guān)性信息，同時(shí)又能準(zhǔn)確提取多種監(jiān)測變量數(shù)據(jù)中相互耦合的時(shí)序特征方法，用于預(yù)測工業(yè)生產(chǎn)過程中設(shè)備運(yùn)行狀態(tài)、潛在故障以及故障發(fā)生的時(shí)間。

2、技術(shù)方案：將多個傳感器采集的監(jiān)測變量的數(shù)據(jù)按相同的采樣頻率進(jìn)行采樣，分別進(jìn)行歸一化處理，并按相等的時(shí)間長度進(jìn)行分段，把分段的數(shù)據(jù)按行方向（縱軸）連接起來組成時(shí)間上同步的二維數(shù)組，縱軸方向上每一行代表一個監(jiān)測變量，列方向（橫軸）代表采樣時(shí)間，數(shù)組的值代表各個監(jiān)測變量隨時(shí)間變化的幅值。歸一化處理不能在全部數(shù)據(jù)上進(jìn)行，以免淹沒小變量的特征，而應(yīng)該在每個監(jiān)測變量的數(shù)據(jù)上單獨(dú)進(jìn)行。對采集的數(shù)據(jù)進(jìn)行上述處理得到了時(shí)間序列的二維數(shù)組數(shù)據(jù)集。時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型可以很好地提取時(shí)間和空間兩個維度的特征。把時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)應(yīng)用于上述多個監(jiān)測變量的時(shí)間序列二維數(shù)組數(shù)據(jù)集，可以提取監(jiān)測變量維度和時(shí)間序列維度兩個維度上的特征，既可以提取變量之間相互關(guān)聯(lián)變化的特征，也可以提取反映變量變化趨勢的時(shí)間序列特征。為了訓(xùn)練時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型，把上述時(shí)間序列二維數(shù)組數(shù)據(jù)集進(jìn)行維度變換，并劃分成訓(xùn)練集、驗(yàn)證集和測試集。訓(xùn)練集和驗(yàn)證集用于對時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，測試集用于對經(jīng)過訓(xùn)練的模型進(jìn)行評價(jià)。部署訓(xùn)練好的時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型就可以用于對未來時(shí)間的設(shè)備運(yùn)行狀態(tài)和故障進(jìn)行預(yù)測。給部署的時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型輸入過去時(shí)間的一個數(shù)組或多個數(shù)組組成的序列，神經(jīng)網(wǎng)絡(luò)模型可以預(yù)測未來時(shí)間的一個數(shù)組或多個數(shù)組組成的序列，預(yù)測的結(jié)果代表未來一段時(shí)間內(nèi)各個監(jiān)測變量的變化規(guī)律。根據(jù)預(yù)測結(jié)果可以判斷在未來一段時(shí)間內(nèi)設(shè)備的運(yùn)行狀態(tài)，以及是否會發(fā)生故障和故障發(fā)生的時(shí)間。主要步驟包括：

3、（1）采集數(shù)據(jù)：利用傳感器等測量手段采集與生產(chǎn)過程和設(shè)備運(yùn)行狀態(tài)有關(guān)的各種監(jiān)測變量的數(shù)據(jù)，例如，溫度、流量、速度、位移、角度、壓力、振動、噪聲、濃度等；

4、（2）預(yù)處理數(shù)據(jù)：為了保證各個監(jiān)測變量的數(shù)據(jù)在時(shí)間上同步，對采集的數(shù)據(jù)按相同的采樣頻率進(jìn)行重新采樣。對各個變量的數(shù)據(jù)分別進(jìn)行歸一化處理，并按相等的時(shí)間長度進(jìn)行分段。然后，把經(jīng)過上述處理的各個監(jiān)測變量的數(shù)據(jù)按行方向（縱軸）連接起來組成時(shí)間上同步的二維數(shù)組，該二維數(shù)組的行代表監(jiān)測變量，數(shù)組的列（橫軸）代表采樣時(shí)間，數(shù)組的值代表各個變量隨時(shí)間變化的幅值。每個數(shù)組包含了各個監(jiān)測變量隨時(shí)間變化的規(guī)律和隱含的變量之間相互關(guān)聯(lián)的特征。經(jīng)過上述方法對采樣數(shù)據(jù)進(jìn)行處理得到了時(shí)間序列二維數(shù)組數(shù)據(jù)集。此時(shí)的時(shí)間序列二維數(shù)組數(shù)據(jù)集還不能直接用于時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，還需要根據(jù)時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型的輸入輸出維度對該時(shí)間序列二維數(shù)組數(shù)據(jù)集進(jìn)行維度擴(kuò)展，將二維數(shù)組增加一個維度變?yōu)槿S數(shù)組，數(shù)組的維度變?yōu)椋ㄐ?，列，通道）或（通道，行，列）。再用滑動窗口對該時(shí)間序列三維數(shù)組數(shù)據(jù)集進(jìn)行滑動操作，生成一個新的數(shù)據(jù)集用于神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。滑動窗口的長度根據(jù)神經(jīng)網(wǎng)絡(luò)模型輸入和輸出數(shù)組序列的長度確定。新生成的數(shù)據(jù)集包含樣本數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，樣本數(shù)據(jù)和標(biāo)簽數(shù)據(jù)分別由一個數(shù)組或多個數(shù)組組成的序列組成。把新生成的數(shù)據(jù)集劃分成訓(xùn)練集、驗(yàn)證集和測試集。訓(xùn)練集和驗(yàn)證集用于訓(xùn)練時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型，測試集用于評價(jià)經(jīng)過訓(xùn)練的模型；

5、（3）訓(xùn)練和部署時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型：利用時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練數(shù)據(jù)集中各個變量相互關(guān)聯(lián)變化的特征和變化趨勢的特征，即監(jiān)測變量和時(shí)間序列兩個維度上的特征。時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（cnn）和長短期記憶神經(jīng)網(wǎng)絡(luò)（lstm）的優(yōu)勢。一種實(shí)現(xiàn)方式是將cnn架構(gòu)與lstm架構(gòu)簡單地結(jié)合，先用卷積運(yùn)算學(xué)習(xí)輸入數(shù)據(jù)中的空間特征，再用lstm層學(xué)習(xí)輸入數(shù)據(jù)的時(shí)間序列特征，即cnn-lstm網(wǎng)絡(luò)架構(gòu)。另一種實(shí)現(xiàn)方式是將cnn和lstm深度結(jié)合的卷積長短期記憶網(wǎng)絡(luò)（convlstm），convlstm神經(jīng)網(wǎng)絡(luò)能同時(shí)提取輸入數(shù)據(jù)中的空間和時(shí)間兩個維度上的特征。此外，還有其他一些在這兩種基本實(shí)現(xiàn)方式基礎(chǔ)上進(jìn)行改進(jìn)的網(wǎng)絡(luò)架構(gòu)。用步驟（2）中處理好的訓(xùn)練集和驗(yàn)證集對時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，用測試集對經(jīng)過訓(xùn)練的模型進(jìn)行評價(jià)。訓(xùn)練好的時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型就可以進(jìn)行部署并用于預(yù)測；

6、（4）預(yù)測運(yùn)行狀態(tài)和故障：把過去時(shí)間的一個三維數(shù)組或多個三維數(shù)組的序列輸入部署的時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)模型，模型的輸出是預(yù)測的未來一段時(shí)間內(nèi)的一個三維數(shù)組或多個三維數(shù)組的序列，預(yù)測結(jié)果代表未來一段時(shí)間內(nèi)各個監(jiān)測變量隨時(shí)間的變化規(guī)律。對預(yù)測的數(shù)據(jù)進(jìn)行反歸一化和可視化，可清晰地顯示未來一段時(shí)間內(nèi)各個監(jiān)測變量的變化情況。根據(jù)預(yù)測結(jié)果可以進(jìn)一步判斷在預(yù)測的時(shí)間范圍內(nèi)設(shè)備的運(yùn)行狀態(tài)是否有異常、是否會發(fā)生故障，以及異?；蚬收习l(fā)生的時(shí)間。故障的發(fā)生一般是一個緩變過程，可以通過觀察和分析預(yù)測數(shù)據(jù)的變化趨勢以及是否超過設(shè)定的閾值進(jìn)行判斷?；蛘?，在已有歷史故障特征數(shù)據(jù)的條件下，把預(yù)測數(shù)據(jù)與故障特征數(shù)據(jù)對比分析進(jìn)行判斷。

7、有益效果：（1）本發(fā)明提出的方法能對各種傳感器所采集的多種物理量的監(jiān)測變量數(shù)據(jù)進(jìn)行融合處理，能更充分地提取到各種變量之間的相關(guān)性特征；（2）在融合處理多種變量的數(shù)據(jù)時(shí)，不對原始采集的數(shù)據(jù)進(jìn)行降維處理，不丟失原始數(shù)據(jù)中各個監(jiān)測變量之間的相關(guān)性和小特征數(shù)據(jù)的信息；（3）采用時(shí)空預(yù)測神經(jīng)網(wǎng)絡(luò)能更好地學(xué)習(xí)數(shù)據(jù)中各個監(jiān)測變量之間的相關(guān)性變化特征和時(shí)間序列特征，因而，能更準(zhǔn)確地對未來時(shí)間的生產(chǎn)過程和設(shè)備運(yùn)行狀態(tài)進(jìn)行預(yù)測；（4）預(yù)測結(jié)果包含各個監(jiān)測變量的變化幅值和時(shí)間信息，便于可視化觀察和分析未來生產(chǎn)過程和設(shè)備運(yùn)行狀態(tài)的變化情況，判斷是否會發(fā)生異?；蚬收希约鞍l(fā)生的時(shí)間；（5）預(yù)測的時(shí)間范圍可以根據(jù)生產(chǎn)過程的周期性特點(diǎn)和檢修維護(hù)的實(shí)際需要靈活設(shè)定，可以采用短中長不同時(shí)間長度的預(yù)測方案，以便于適應(yīng)控制管理和計(jì)劃安排的不同需要，幫助減少非正常停機(jī)造成的損失。