本发明属于化工过程故障诊断领域，具体涉及一种化工过程聚合釜故障诊断方法及系统。
背景技术：
1、在化工生产过程中，会因各种原因导致设备故障、工艺参数异常、产品质量下降等。这些问题不仅会影响生产效率和产品质量，还可能导致安全事故和环境污染。因此，化工过程故障诊断对于提高化工生产的稳定性和安全性具有重要意义。
2、化工过程故障诊断包含设备故障诊断、工艺参数监控、产品质量分析等。化工生产过程中，设备故障是导致生产中断和事故的主要原因之一。通过设备故障诊断技术，可以及时发现设备异常，采取措施进行维修和更换，确保生产设备的正常运行。常见的设备故障诊断方法包括振动分析、温度监测、压力检测等。工艺参数的控制对于保证产品质量至关重要。通过实时监控工艺参数，如温度、压力、流量、浓度等，可以及时发现参数异常，采取措施进行调整，确保工艺过程的稳定性和产品质量。常见的工艺参数监控方法包括在线监测、传感器检测、数据采集与分析等。化工产品质量的波动会影响产品销售和市场竞争力。通过产品质量分析技术，可以及时发现产品质量问题，采取措施进行改进，提高产品质量。常见的产品质量分析方法包括色谱分析、光谱分析、质谱分析等。
3、除了传统方法外，近年来，深度学习技术在化工过程故障诊断中得到了广泛应用。因为机器学习和深度学习技术能够处理复杂的数据模式，并从大量数据中学习到故障的特征和模式。在化工过程中，数据通常是时间序列数据，如温度、压力、流量等。深度学习模型，如循环神经网络、长短期记忆网络和门控循环单元等模型，能够处理这种序列数据，并从中学习到随时间变化的模式，从而诊断出故障。通过异常检测，深度学习模型可以识别数据中的异常值或模式，这些异常值可能表明设备故障。
4、总的来说，深度学习技术在化工故障诊断领域的应用将越来越广泛，能够帮助化工企业更有效地诊断故障，提高生产效率，降低运营成本，并最终提高企业的竞争力。
5、但是，目前深度学习技术进行故障诊断存在的一些技术问题，如：具有一定泛化能力，深度学习模型可能在训练数据上表现良好，但对未见过的数据或在不同的操作条件下可能泛化能力不足；在特征提取方面具有一定的挑战，传统的机器学习方法依赖于手工提取的特征，而深度学习能够自动提取特征，但找到适合特定故障诊断任务的网络结构和参数可能需要大量的实验和专业知识。
6、因此，针对上述存在一些问题，本发明利用深度学习的模型参数整体优化方法对化工过程的故障进行诊断，提供了更高的精度、更强的鲁棒性、更全面的数据处理能力，以及更高的自动化水平。
技术实现思路
1、发明目的：本发明提出一种化工过程聚合釜故障诊断方法及系统，能更快速、更准确的进行化工过程故障诊断。
2、技术方案：本发明所述的一种化工过程聚合釜故障诊断方法，包括如下步骤：
3、(1)预先获取聚合釜在不同状态下的运行过程中产生的故障特征数据，并进行数据预处理；
4、(2)构建聚合釜故障诊断模型vgnmd-micn；通过引入变分广义非线性模态分解vgnmd对预处理后的数据进行分解，得到不同的模式分量；接着利用皮尔森相关系数的方法对不同模式分量进行特征选择，得到与故障标签高度相关的特征集合，进而组成故障诊断特征集；
5、(3)把故障诊断特征集输入到多尺度等距卷积网络micn进行训练；
6、(4)采用halton序列初始化种群、动态对立策略和精英反向学习策略来改进天鹰优化器算法ao；并采用改进的ao算法实现对vgnmd-micn中的参数整体优化，得到更加准确的化工过程的聚合釜故障诊断结果。
7、进一步地，步骤(1)所述故障特征数据包括搅拌电流值、密封压力值、操作压力值、搅拌转速、减速机温度、聚合釜操作温度、机械密封温度。
8、进一步地，步骤(1)所述进行数据预处理实现过程如下：
9、对化工过程中的故障特征数据进行清洗，缺失值通过进行插值平滑处理，以去除噪声并使其更容易分析；重复值则直接删除；对数据进行标准化处理。
10、进一步地，步骤(2)所述的通过引入vgnmd方法对预处理后的数据进行分解，实现过程如下：
11、利用融合引擎，将两个不同分辨率的时频分布tfd进行融合，得到比原两个tfd分辨率更高的tfd，将两个不同分辨率的tfd归一化为：
12、
13、其中，表示归一化tfd；然后，对归一化的tfd进行时频分析(tf)阈值去噪操作，去除噪声的影响：
14、
15、其中，h为去噪阈值；小于阈值h的tf值作为噪声被置零，去噪阈值h通过下面的迭代方案自适应地确定：
16、定义一个融合引擎来融合和公式如下：
17、
18、其中，和分别代表时频分布a的输出和时频分布b的输出；tfdf(t,f)为融合后的tfd；q(t,f)表示如下：
19、
20、通过第n次融合tfd的置信区间下边界tfdf(n)得到下一次迭代的阈值h(n+1)如下：
21、h(n+1)＝mean(tfdf(n)>0)-μ(n)×2std(tfdf(n)>0)
22、其中，mean和std分别为均值运算和标准差运算；tfdf(n)>0为tfdf(n)中的非零tf值；μ(n)是调整置信区间下限的惩罚参数，公式如下：
23、
24、在融合过程中，惩罚参数μ(n)逐渐增大，使置信区间的下边界逐渐减小，最终趋于1；且在第一次迭代时，使
25、引入基于连通分量的tf聚类方法，对融合后的tfd进行分割，得到每个模式的单独tfd；根据每个模式的单独的时频分布tfd，识别出信号中不同的频率成分和它们的时变特性；利用变分优化算法，将识别出的频率成分分离出来，形成不同的模式分量。
26、进一步地，步骤(2)所述的利用皮尔森相关系数的方法对不同模式分量进行特征选择，实现过程如下：
27、对于每一个特征，计算它与故障标签之间的皮尔森相关系数；皮尔森相关系数的取值范围在-1到1之间，接近1或-1意味着强相关，接近0意味着没有线性相关；公式如下：
28、
29、其中，xi和yi分别是特征和故障标签的观测值，和是它们的均值；根据计算出的皮尔森相关系数，选择相关系数大于预设值的特征；将选择出的特征组合起来，形成一个新的特征集，新的特征集包含了与故障标签高度相关的特征。
30、进一步地，所述步骤(3)实现过程如下：
31、利用一个使用了avgpool的几个不同核的多尺度混合分解块，有目的地分离几个不同的趋势周期和季节部分模式；具体公式如下：
32、
33、xs＝x-xt
34、其中，xt和xs分别为趋势周期部分和季节部分；mean代表对每个样本的误差进行平均的操作；在多尺度混合分解处理之后，数据被分为两个部分xt和xs；xs进行季节性诊断操作，xt进行趋势—周期性诊断操作；
35、针对季节性诊断操作是在嵌入输入序列xs后，采用多尺度等距卷积捕捉局部特征和全局相关性，不同尺度的分支对时间序列的不同底层模式进行建模；然后将不同分支的结果合并，完成序列的综合信息利用：
36、
37、ys,l＝mic(ys,l-1),l∈{1,2,…，n}
38、ys＝truncate(projection(ys,n))
39、其中，上xzero代表的是以零填充的占位符；代表的是xs嵌入的表示；ys,l代表的是第l个多尺度等距的输出卷积层；ys代表的是ys,n和truncate运算进行线性函数投影后，季节部分的得到最终诊断结果；
40、针对趋势—周期性诊断是使用简单的线性回归策略对趋势周期进行化工过程的故障，具体公式如下：
41、ytregre＝regression(xt)
42、其中，ytregre代表的是使用线性回归策略对趋势部分的诊断；使用xt的均值来处理趋势周期保持不变的序列，具体公式如下：
43、ytmean＝mean(xt)
44、其中，上式中ytmean代表的是表示趋势部分的诊断；
45、把季节诊断块诊断得到的化工过程的故障信息ys和趋势—周期诊断块诊断得到化工过程的故障信息yt进行累加组合，得到最终的化工过程故障诊断结果ydia。
46、进一步地，步骤(4)所述的采用halton序列初始化种群、动态对立策略和精英反向学习策略来改进天鹰优化器算法ao，实现过程如下：
47、利用halton序列初始化种群，产生伪随机数来初始化种群，具体公式如下：
48、
49、d(n)＝w0y-1+w1y-2+…+wmy-m-1
50、h(n)＝[d1(n),d2(n)]
51、其中，y为大于等于2的质数，表示halton序列基础量；wu代表的是常数；d(n)代表的是定义的序列函数；h(n)代表的是最后得到的二维均匀halton序列；
52、引入动态对立策略，使得个体再搜索空间中进行不对称移动，帮助ao算法跳出局部极值，能够在全局范围内进行探索，具体公式如下：
53、
54、if rand＝jr
55、jr＝0.25
56、其中，为xi的反解；xi为第i个解；xr为随机反解；是动态的反解；jr为跳跃率，即执行动态对抗的概率；
57、利用精英反向学习策略来改进ao算法，从当前种群中选择一定比例的精英解；其次对于每个精英解，计算其反向解，其公式如下：
58、
59、其中，k代表的是(0,1)上的d维向量；αj和βj代表的是动态边界，αj＝max(xi,j),βj＝min(xi,j)，；根据天鹰优化器的规则，更新天鹰的位置和速度。
60、进一步地，步骤(4)所述的vgnmd-micn中的参数包括vgnmd中的模态数量和平衡参数，及micn中的卷积核的大小和步幅。
61、进一步地，采用改进的ao算法实现对vgnmd-micn中的参数整体优化，具体内容如下：
62、1)对离散的模态数量和平衡参数、卷积核大小和步幅这些参数进行编码，使离散的参数为连续值；
63、2)初始化种群，其中每个个体代表一组参数，每个个体包含vgnmd模型的模态数量和平衡参数，以及micn模型的卷积核大小和步幅；
64、3)对于种群中的每个个体，使用准确率来评估其性能；将参数解码后，训练对应的vgnnmd和micn模型，并在验证集上计算准确率作为适应度值；准确率公式如下：
65、
66、其中，tp代表的是故障的样本数；tn代表的是非故障的样本数；n代表测试数据集中所有样本的总数；
67、4)更新改进的ao算法，根据适应度值更新种群中个体的位置，模拟自然界中的自适应行为；不断进行迭代优化，重复评估适应度和更新ao算法，直到满足适应度值理想状态时停止；
68、5)同时优化vgnmd和micn模型的参数；在算法结束后，解码种群中适应度最高的个体的参数，得到vgnmd模型的模态数量和平衡参数，以及micn模型的卷积核大小和步幅的最优配置。
69、本发明所述的一种化工过程聚合釜故障诊断系统，包括数据获取及预处理单元、故障诊断模型学习单元、故障诊断模型参数优化单元和故障诊断单元；其中：
70、数据获取及预处理单元，预先获取聚合釜在不同状态下的运行过程中产生的故障特征数据，并进行数据预处理；
71、故障诊断模型学习单元，构建聚合釜故障诊断模型vgnmd-micn；通过引入变分广义非线性模态分解vgnmd对预处理后的数据进行分解，得到不同的模式分量；接着利用皮尔森相关系数的方法对不同模式分量进行特征选择，得到与故障标签高度相关的特征集合，进而组成故障诊断特征集；把故障诊断特征集输入到多尺度等距卷积网络micn进行训练；利用故障诊断特征集对故障诊断模型进行训练；
72、故障诊断模型参数优化单元，采用halton序列初始化种群、动态对立策略和精英反向学习策略来改进天鹰优化器算法ao；并采用改进的ao算法实现对vgnmd-micn中的参数整体优化；
73、故障诊断单元，对聚合釜在不同状态下的运行过程中产生的故障进行在线诊断，把经过处理过的数据输入故障诊断单元，进而得到相应的诊断结果。
74、有益效果：与现有技术相比，本发明的有益效果：
75、本发明通过引入vgnmd对预处理的数据进行分解，得到了不同的模式分量，并进一步利用皮尔森相关系数进行了特征选择，从而得到了与故障标签高度相关的特征集合；这些措施大大增强了故障诊断的特征提取能力，为后续的micn故障诊断模型提供了更为精确的输入，最终提高了故障诊断的准确性；
76、把构建好的故障诊断特征集输入到micn故障诊断模型中进行训练时，为了进一步提高诊断模型的准确性和可靠性，采用了halton序列初始化种群、动态对立策略和精英反向学习策略来改进ao算法，来实现对vgnmd-micn故障诊断模型中的参数的整体优化；通过优化vgnmd模型中模态数量和平衡参数和micn模型中的卷积核的大小和步幅这些参数，从而提高整个vgnmd-micn故障诊断模型的性能；进而可以帮助模型更好地协同工作，提高诊断的准确性或降低误差。
1.一种化工过程聚合釜故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(1)所述故障特征数据包括搅拌电流值、密封压力值、操作压力值、搅拌转速、减速机温度、聚合釜操作温度、机械密封温度。
3.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(1)所述进行数据预处理实现过程如下：
4.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(2)所述的通过引入vgnmd方法对预处理后的数据进行分解，实现过程如下：
5.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(2)所述的利用皮尔森相关系数的方法对不同模式分量进行特征选择，实现过程如下：
6.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，所述步骤(3)实现过程如下：
7.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(4)所述的采用halton序列初始化种群、动态对立策略和精英反向学习策略来改进天鹰优化器算法ao，实现过程如下：
8.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(4)所述的vgnmd-micn中的参数包括vgnmd中的模态数量和平衡参数，及micn中的卷积核的大小和步幅。
9.根据权利要求1所述的一种化工过程聚合釜故障诊断方法，其特征在于，步骤(4)所述的采用改进的ao算法实现对vgnmd-micn中的参数整体优化，具体内容如下：
10.一种采用如权利要求1至9任一所述方法的化工过程聚合釜故障诊断系统，其特征在于，包括数据获取及预处理单元、故障诊断模型学习单元、故障诊断模型参数优化单元和故障诊断单元；其中：
