一种流程工业过程状态监测方法与流程
本发明涉及核工业领域，尤其涉及一种流程工业过程状态监测方法。
背景技术：
1、一个核化工过程通常经历多种操作模式，目前基于统计模型的多模态方法大多数只能用于历史上已经存在的模式。基于单一模式建立的过程监控模型可能会出现高误报率，在实际工业应用中变得无用。
2、目前过程监测方法通常基于当前单个样本进行监测，缺乏对时序数据上下文信息的提取，不同运行模态下过程监测易产生误报、漏报。
3、综上所述，需要一种流程工业过程状态监测方法来解决现有技术中所存在的不足之处。
技术实现思路
1、针对现有技术的不足，本发明提供了一种流程工业过程状态监测方法，旨在解决上述问题。
2、为实现上述目的，本发明提供如下技术方案：一种流程工业过程状态监测方法，包括前端离线建模部分和后端在线检测部分；
3、前端离线建模部分检测，具体包括以下步骤：
4、步骤sa1：准备离线数据，并将离线数据整理成训练集和验证集；
5、步骤sa2：将训练集和验证集分别输入到算子las中，进行数据预处理；
6、步骤sa3：根据算子las的预处理数据结果分别得到训练集滑动窗数据集t1和验证集滑动窗数据集t2；
7、步骤sa4：将训练集滑动窗数据集t1输入到vae-gru建模模块，通过vae-gru建模模块进行处理，得到训练数据t3，并输送到后端在线检测部分；
8、步骤sa5：结合验证集滑动窗数据集t2和训练数据t3，进行异常评价，并得到异常评价指标x0；
9、步骤sa6,：根据异常评价指标，生成阈值y0，并将阈值y0输送到后端在线检测部分；
10、后端在线检测部分检测，具体包括以下步骤：
11、步骤sb1:获取在线检测数据，并将在线检测数据整理成在线数据集m1；
12、步骤sb2：将在线数据集m1输入到算子las中，进行数据处理；
13、步骤sb3：根据算子las处理得到的数据，获取在线滑动窗数据集m2；
14、步骤sb4：将在线滑动窗数据集m2输入到vae-gru建模模块，通过vae-gru建模模块进行处理，得到在线训练数据t4；
15、步骤sb5：根据在线训练数据t4进行数据异常评价，并得到异常评价指标x1，并根据异常评价指标x1生成阈值y1，判断阈值y1是否大于阈值y0，若否，则正常，反之，则出现故障。
16、可选的，所述算子las采用局部自适应标准化处理，对训练集的处理具体为：
17、局部滑动窗在时刻t时的样本定义为：
18、
19、其中，l表示滑动窗长度，n表示训练集变量的个数，训练集x∈rm×n。
20、可选的，所述为降低对历史数据集的依赖，进行标准化，具体为：
21、
22、
23、其中表示标准化处理后的滑窗数据，gmstd(·)表示全局平均标准差，nj(j＝1～p)表示模态j下的训练集样本数，xj表示模态j下的正常样本训练集，mean(·)表示计算均值操作，std(·)表示计算标准差操作。
24、可选的，所述vae-gru建模模块的vae由编码器和解码器组成，模块输入为las预处理后获取的滑窗数据集，并在vae编码-解码过程增加gru层。
25、可选的，所述vae模型的具体处理为：
26、
27、重构特征
28、zt,k＝μt+σt⊙εt,k,
29、其中，ht为编码器操作后输出的特征，zt,k为在vae编码过程所产生的的特征空间中进行的随机采样，fθ(·)为编码器操作，为解码器操作，⊙表示逐元素乘积，μt为vae编码过程所产生的的特征正态分布空间均值，σt为vae编码过程所产生的的特征正态分布空间标准差。
30、可选的，所述vae损失函数为kl散度误差与重构误差之和，具体如下式：
31、
32、其中，。
33、可选的，所述vae编码-解码过程增加gru层，具体为：
34、vae编码器包含一层gru、解码器包含两层gru，编码和解码具体为：
35、
36、
37、
38、
39、
40、
41、解码过程：
42、可选的，所述vae-gru过程监测具体为：
43、vae-gru模型训练完成后，构建异常状态评估因子ft的评估阈值通过vae-gru获取验证集ft，利用核密度估计选取符合要求的置信度对应的因子数值作为异常状态的评判阈值。
44、本发明的有益效果：
45、1、本发明中，采用基于局部自适应标准化和变分自编码器与gru神经网络结合的自适应深度学习方法来多模式过程监控，为了监测新工作模式下的过程，采用局部自适应标准化las对局部滑动窗口数据进行预处理，通过滑窗方式构造模型最小输入单元，便于保留时序数据上下文信息；
46、2、本发明中，结合变分自编码器潜在变量特征空间的学习能力及gru捕获时序上下文信息依赖性，构建vae-gru监测模型，通过检测局部移动窗口中的不稳定偏差作为异常监测指标，能够适应多模态运行条件下的过程监测；
47、3、本发明中，为了监测新工作模式下的过程，采用局部自适应标准化las对局部滑动窗口数据进行预处理，构造模型最小输入单元，克服单一模式建模出现高误报率问题。
技术特征：
1.一种流程工业过程状态监测方法，其特征在于，包括前端离线建模部分和后端在线检测部分；
2.根据权利要求1所述一种流程工业过程状态监测方法，其特征在于，所述算子las采用局部自适应标准化处理，对训练集的处理具体为：
3.根据权利要求2所述一种流程工业过程状态监测方法，其特征在于，所述为降低对历史数据集的依赖，进行标准化，具体为：
4.根据权利要求1所述一种流程工业过程状态监测方法，其特征在于，所述vae-gru建模模块的vae由编码器和解码器组成，模块输入为las预处理后获取的滑窗数据集，并在vae编码-解码过程增加gru层。
5.根据权利要求4所述一种流程工业过程状态监测方法，其特征在于，所述vae模型的具体处理为：
6.根据权利要求5所述一种流程工业过程状态监测方法，其特征在于，所述vae损失函数为kl散度误差与重构误差之和，具体如下式：
7.根据权利要求4所述一种流程工业过程状态监测方法，其特征在于，所述vae编码-解码过程增加gru层，具体为：
8.根据权利要求4所述一种流程工业过程状态监测方法，其特征在于，所述vae-gru过程监测具体为：
技术总结
本发明公开了一种流程工业过程状态监测方法，为了监测新工作模式下的过程，采用局部自适应标准化(LAS)对局部滑动窗口数据进行预处理，构造模型最小输入单元，克服单一模式建模出现高误报率问题；结合变分自编码器潜在变量特征空间的学习能力及GRU捕获时序上下文信息依赖性，构建VAE‑GRU监测模型，通过检测局部移动窗口中的不稳定偏差作为异常监测指标，能够适应多模态运行条件下的过程监测。
技术研发人员：马飞,袁沛,陶梦秋,金杰峰,应思涵
受保护的技术使用者：杭州景业智能科技股份有限公司
技术研发日：
技术公布日：2024/9/23