本发明涉及故障诊断方法，具体涉及一种基于多变量相关性分析的化工过程故障诊断方法。
背景技术：
1、化工过程存在复杂性，且涉及的设备多样、操作条件多变，这些因素使得化工过程故障难以准确预测和诊断。目前，化工过程故障诊断主要包括基于模型的方法和基于数据的方法，其中基于模型的方法依赖于化工过程的精确数学模型，但由于化工过程的非线性和强耦合性，建立准确模型非常困难。而基于数据的方法，如主成分分析(pca)、支持向量机(svm)等，虽然在一定程度上可以处理复杂的化工数据，但它们通常忽视了数据中的时间关联性，难以准确捕捉和预测过程故障。此外，现有的故障诊断方法在处理大规模、高维度、强耦合的化工过程数据时，往往面临特征提取能力有限(难以从复杂的化工数据中提取出有效的故障特征)、模型泛化能力不足(对不同工况的适应性差，难以广泛应用于不同的化工过程)、实时性差(故障诊断的速度跟不上实时监控的需求)等问题，这些问题使得故障诊断的准确率和可靠性较差，限制了在实际化工生产中的故障诊断应用效果。
技术实现思路
1、发明目的：本发明的目的是提供一种准确率和可靠性高的基于多变量相关性分析的化工过程故障诊断方法。
2、技术方案：本发明所述的基于多变量相关性分析的化工过程故障诊断方法，包括：
3、(1)采集数据sd＝[s1,s2,...,sn]，其中s为变量，n为变量个数；为每一组数据添加表示正常状态或者特定故障状态的标签lz，为标签种类数；构建样本数据集(sd,lz)；
4、(2)采用relieff特征选择算法，从样本数据集(sd,lz)中筛选出与故障具有强相关性的特征输入变量，构成关键特征集；
5、(3)采用hvd分解算法，对关键特征集进行分解得到若干imf分量，利用斯皮尔曼相关系数提取出与关键特征集具有强关联性的imf分量，构造信号分解后的能量变化率特征向量作为样本集；
6、(4)构建timesnet和osrelm融合的故障诊断模型timesnet-osrelm，利用样本集对timesnet-osrelm模型进行训练；
7、(5)利用经训练的timesnet-osrelm模型进行故障诊断，根据故障诊断结果与设定的警报阈值，确定故障是否发生以及故障类型。
8、进一步地，步骤(1)中，采集的数据包括过程变量数据和操作参数数据。
9、进一步地，步骤(2)中，relieff特征选择算法筛选特征输入变量包括：
10、(201)初始化：为样本数据集中的每个特征赋予一个初始权重；
11、(202)迭代抽样：进行多次迭代，在每次迭代中，随机选择一个样本点sg，在sg的同类样本中找到k个最近邻样本nht，在不同类中找到k个最近邻样本nms；
12、(203)更新权重：对于每个特征，计算sg与nht和nms的差异，并更新特征权重，更新公式如下：
13、
14、其中，ωz+1为更新后的特征权重，ωz为更新前的特征权重，diff(z,sg,nhtt)表示特征z在样本sg和nhtt上的差值；class(sg)表示样本点sg所属的故障类型或者状态，p(class(sg))表示样本点sg所属类别的先验概率，p(c)为类c的先验概率，nms(c)为第c个不同类的第t个最近邻点，diff(z,sg,nms(c)表示特征z在样本sg和nms(c)上的差值；步骤(201)至(203)重复m次；
15、(204)计算平均权重：在m次迭代后，计算每个特征的平均权重；
16、(205)根据特征的平均权重，选择权重最大的前h个特征输入变量，构成关键特征集。
17、进一步地，步骤(3)中，hvd分解算法分解关键特征集包括：
18、(301)计算幅值最大分量的瞬时频率：
19、
20、其中，f(t)表示二分量非平稳信号；a1(t)表示信号的第一个分量的瞬间幅值；a2(t)表示信号的第二个分量的瞬间幅值；i表示虚数单位；f1(t)表示信号的第一个分量的瞬时频率；f2(t)表示信号的第二个分量的瞬时频率；θ1表示信号的第一个分量的初始相位；θ2表示信号的第二个分量的初始相位；
21、当a1(t)>a2(t)时，经过希尔伯特变换得到的瞬时频率为：
22、
23、其中，f(t)表示瞬时频率；f1表示分量幅值最高的瞬时频率，f2表示分量的瞬时频率；
24、(302)计算幅值最大分量的瞬时幅值和相位，用两个正交信号分别乘以原信号f(t)，同时采用滤波器滤去振荡部分，由此可以计算瞬时幅值ar(t)和瞬时相位θr：
25、
26、其中，表示采用低通滤波器滤去的振荡部分所得到的同相输出信号；表示采用低通滤波器滤去的振荡部分所得到的正交相输出信号；
27、(303)迭代计算，通过重复上述步骤(301)和(302)，提取最大幅值分量f1(t)，并将关键特征集f(t)与最大幅值分量f1(t)作差，由此可得到新的初始信号fn-1(t)：
28、fn-1(t)＝f(t)-f1(t) (6)
29、重复步骤(301)和(302)直至得到满足条件的幅值分量后结束。
30、进一步地，步骤(3)中，斯皮尔曼相关系数提取imf分量包括：
31、将关键特征集f(t)经hvd分解为q个独立的imf分量，通过式(7)和式(8)计算未损伤信号ewp和有损伤信号eyp的最优imf分量能量：
32、
33、其中，t为采样时间；fwp(t)为未损失状态下信号分解的imf分量；fyp(t)为有损失状态下信号分解的imf分量；p为最优imf分量的阶数；
34、由式(7)和式(8)可以得到损伤前后的最优imf能量，由此可得能量变化率
35、
36、构造信号分解后的能量变化率特征向量作为样本集，并划分训练集和测试集。
37、进一步地，步骤(3)中，由式(6)的迭代次数n或者fn-1(t)的归一化标准差σ＜0.001作为迭代的终止条件。
38、进一步地，步骤(4)中，利用nrbo算法对osrelm模型的正则化参数c和山脊参数l进行优化。
39、进一步地，步骤(4)中，能量变化率特征向量输入到timesnet，利用timesnet进行特征选择将输入的特征变量由一维序列x1d经过嵌入层得到深度特征即第l层timesblock的输入为并且第l层通过2d卷积提取二维时序变化，如公式(10)所示；
40、
41、其中，为第l层timesblock的输出；
42、使用timesnet中timesblock模块对输入的特征向量进行隐式特征提取，提取后的数据送入到osrelm的输入层；
43、牛顿-拉夫逊优化算法流程如下：
44、①选着初始点x0：从参数定义域中随机选择一个初始点x0，作为算法的起始点；
45、②计算适应度函数f(x)和其导数f'(x)：在初始点(x0)处计算函数(f(x))的值以及一阶导数(f'(x))的值；这些值将用于更新迭代点；
46、③更新迭代点：利用牛顿-拉夫逊公式进行迭代，计算下一个迭代点xn+1：
47、
48、其中xn是第n次迭代的近似根；f(xn+1)是函数在xn处的值；f'(xn+1)是函数在xn处的导数值；
49、④检查收敛条件：当达到算法最大迭代次数或者满足分类精度时，此时认为算法趋于收敛，停止迭代；
50、⑤重复迭代：如果未满足停止条件，则重复步骤②和步骤③，直到满足停止条件；
51、⑥)输出结果：当满足停止条件时，输出最优的正则化参数c和山脊参数l。
52、进一步地，步骤(4)中，引入精英反向动态边界策略和自适应正余弦搜索策略对nrbo算法进行改进。
53、进一步地，精英反向动态边界策略包括：
54、1)精英反向动态边界不断缩小搜索空间，提高引入位置更新中对搜索空间，提高nrbo的寻优效率，表达式如下：
55、
56、式中，xn+1为迭代后个体的位置；r1∈(0,1)内的随机数；ub是被优化参数的上限；lb是被优化参数的下限；为个体的最优位置；
57、2)自适应正余弦搜索策略包括：
58、牛顿-拉夫逊优化算法的后期寻优中加入正余弦搜索策略，对最优解进行扰动，从而得到新解，减少原始算法易陷入局部最优解的可能性，公式如下：
59、
60、w(n)＝wmax*(wmax-wmin)*(mit-n)/mit (14)
61、其中，为个体扰动后的位置，sin(n)表示正弦函数，cos(n)表示余弦函数，n为第n次迭代次数，w(n)为自适应惯性权重；p为随机概率；wmax为最大惯性权重；wmin为最小惯性权重；mit为最大迭代次数。
62、本发明采用改进的牛顿-拉夫逊优化算法(nrbo)，nrbo算法在传统的牛顿法基础上进行了改进，通过引入更高效的搜索策略和优化机制，对timesnet-osrelm模型的参数进行了精确调优。这一步骤确保了模型在各种工况下都能维持最佳的诊断性能，同时也提高了模型对异常数据的鲁棒性。
63、有益效果：本发明与现有技术相比，具有如下显著优点：
64、(1)深度特征提取与优化的变量选择：本发明通过relieff算法对化工过程的海量历史数据进行深度分析，筛选出与故障相关性较强的变量，有效去除变量间的冗余信息，增强了故障诊断模型的准确性和泛化能力。这一步骤不仅提高了故障检测的敏感性，而且通过去除变量间的冗余信息，增强了模型的泛化能力。进一步地，采用希尔伯特振动分解(hvd)对选定的变量进行时频域的分解处理，结合斯皮尔曼相关系数，精确提取出与关键特征集关联性最强的特征分量，为后续的故障诊断提供了强有力的特征支持。
65、(2)故障诊断模型构建：在特征提取的基础上，本发明构建了一个融合了时间序列分析和机器学习技术的复合模型timesnet-osrelm。timesnet模块专门针对时间序列数据设计，能够有效捕捉化工过程中的动态变化和长期依赖关系，而osrelm模块则利用其在线学习能力，快速适应过程变化并进行实时故障诊断。这种模型的构建，使得故障诊断不再依赖于经验判断，而是依据科学的数据驱动方法，极大提高了诊断的准确性和可靠性。
66、(3)实时故障诊断与预警：本发明能够实时响应化工过程中的数据变化，快速准确地诊断出潜在的故障，并及时发出预警信号。这种实时性得益于timesnet-osrelm模型的高效计算能力，以及nrbo算法的快速收敛特性。通过实时监控和预警，本发明能够最大限度地减少故障带来的生产损失，同时也为设备的维护和保养提供了科学依据。
1.一种基于多变量相关性分析的化工过程故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(1)中，采集的数据包括过程变量数据和操作参数数据。
3.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(2)中，relieff特征选择算法筛选特征输入变量包括：
4.根据权利要求1所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，hvd分解算法分解关键特征集包括：
5.根据权利要求4所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，斯皮尔曼相关系数提取imf分量包括：
6.根据权利要求4所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(3)中，由式(6)的迭代次数n或者fn-1(t)的归一化标准差σ＜0.001作为迭代的终止条件。
7.根据权利要求1至6中任一项所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(4)中，利用nrbo算法对osrelm模型的正则化参数c和山脊参数l进行优化。
8.根据权利要求7所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(4)中，能量变化率特征向量输入到timesnet，利用timesnet进行特征选择将输入的特征变量由一维序列x1d经过嵌入层得到深度特征即第l层timesblock的输入为并且第l层通过2d卷积提取二维时序变化，如公式(10)所示；
9.根据权利要求7所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，步骤(4)中，引入精英反向动态边界策略和自适应正余弦搜索策略对nrbo算法进行改进。
10.根据权利要求9所述的基于多变量相关性分析的化工过程故障诊断方法，其特征在于，精英反向动态边界策略包括：
