工业过程故障诊断方法、装置、终端、介质和程序产品

本发明属于计算机，具体涉及一种工业过程故障诊断方法、装置、终端、存储介质和计算机程序产品，尤其涉及一种基于深度时空融合图卷积网络的工业过程故障诊断方法、装置、终端、存储介质和计算机程序产品。

背景技术：

1、工业过程是一个很宽泛的概念，其中的化工生产过程是工业过程在在化工方面的子领域。化工生产过程是指通过化学反应、物质转化和工艺控制等技术手段，将原始化学物质转化为目标化学品或产品的过程。这些化学产品可以包括化学品、药品、塑料、涂料、肥料等各种化学产品。目前人们生活中见到的石油加工，生物制药以及化妆品加工过程都可以算是化工生产过程。在化工生产过程故障诊断领域，经常涉及到的化工生产过程包含田纳西伊斯曼过程、三相流过程、以及青霉素发酵过程，这些过程都包含具体的数据集。

2、随着现代科学技术的快速发展，社会经济水平不断提高，化工行业(如化工生产过程)也迎来了新的发展。随着生产规模的扩大，化工行业生产设备的自动化程度也越来越高，工业生产设备和系统的机构也变得越加复杂。在化工领域中工业生产过程的稳定性和效率对于产品质量、成本控制以及安全性都至关重要。然而，由于复杂的化学反应、危险液体流动等因素，化工过程往往容易受到各种内外部影响而发生故障。这些故障可能导致危及人身安全、生产中断、质量下降、资源浪费以及设备损坏，因此故障诊断是保证整个化工过程正常运行的关键技术，它能够保证故障在发生的时候及时准确地判断过程系统的运行过程。

3、基于数据驱动的故障诊断方法包含多元统计、浅层机器学习和深度学习等方法。多元统计学主要包括主成分分析(principal component analysis，pca)、偏最小二乘(partial least squares，pls)、独立主元分析(independent principal componentanalysis，ica)和fisher判别分析(fisher discriminant analysis，fda)等。这些方法被广泛应用在线性特征判别的问题中，但对工业过程的故障检测效果不够理想。基于机器学习的故障诊断方法主要有：支持向量机(support vector machine，svm)、k最近邻算法(k-nearest neighbor，knn)和人工神经网络artificial neural network，ann)。基于机器学习的方法主要受限于特征提取的性能，该类方法能够解决特定问题的能力有限，并且容易发生维数灾难。

4、其中，数据驱动是指：在解决问题或制定决策时，主要依靠数据收集、分析和利用来指导行动。这种方法强调通过对现有数据的深入理解和分析，而不是仅依赖于经验、直觉或理论来进行决策。

5、有一些数据输入特征的数据维度非常高，但是对于浅层机器学习模型往往会受到维度灾难的影响，高维数据会增加模型的计算复杂度和存储需求，可能导致模型训练困难、过拟合等问题。此外浅层机器学习模型对于数据表示的依赖性较强，通常需要人为手工选择或设计合适的特征表示，这可能需要领域专业知识和经验，并且可能导致特征选择的局限性和主观性。最后浅层机器模型在处理非线性、时变数据可能效果有限，因为它们通常只能学习到线性或者浅层次的数据关系。

6、综上所述，尽管浅层机器学习方法在某些情况下可以有效地应用于故障诊断任务，但对于复杂的故障诊断问题，特别是涉及到高维、非线性和时变数据的情况下，效果就不够明显。

7、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的目的在于，提供一种工业过程故障诊断方法、装置、终端、存储介质和计算机程序产品，以解决现有技术中采用浅层机器学习方法进行工业生产过程故障诊断，但对于复杂的故障诊断问题诊断效果较差的问题，达到通过构建信息完备的最大信息图数据并结合深度时空融合图卷积网络模型进行工业过程数据的故障诊断，且能够提升诊断效果的效果。

2、本发明提供一种工业过程故障诊断方法，包括：获取待进行故障诊断的工业系统在工业过程中的正常工况数据和故障工况数据，记为所述工业系统的工业过程数据；对所述工业系统的工业过程数据进行预处理，得到所述工业系统的工业过程预处理数据；利用最大互信息系数法计算所述工业系统的工业过程预处理数据中两两变量的相关性后，基于预设的已知变量间的相关性构建图数据，得到所述工业系统的工业过程图数据；将所述工业系统的工业过程图数据作为样本集，并将所述样本集划分为训练集和测试集；利用卷积神经网络(convolutional neural networks，cnn)、长短时记忆网络(long short-termmemory，lstm)和图卷积网络(graph convolutional networks，gcn)，搭建深度时空融合图卷积网络(deep spatio-temporal fusion graph convolutional network，dstfgcn)；并利用所述训练集进行训练，得到深度时空融合图卷积网络模型；利用所述测试集，对训练得到的深度时空融合图卷积网络模型进行测试，根据测试结果对训练得到的深度时空融合图卷积网络模型进行调整，得到调整后的深度时空融合图卷积网络；获取所述工业系统的工业过程当前数据；将所述工业系统的工业过程当前数据，输入至所述调整后的深度时空融合图卷积网络模型，得到输出数据，作为对所述工业系统的工业过程故障诊断结果。

3、在一些实施方式中，对所述工业系统的工业过程数据进行预处理，得到所述工业系统的工业过程预处理数据，包括：对所述工业系统的工业过程数据进行设定数值范围内的归一化处理，得到所述工业系统的工业过程归一化数据；针对所述工业系统的工业过程归一化数据，对连续的多变量时间数据进行滑窗处理，得到所述工业系统的工业过程滑窗数据，作为所述工业系统的工业过程预处理数据。

4、在一些实施方式中，利用最大互信息系数法计算所述工业系统的工业过程预处理数据中两两变量的相关性后，基于预设的已知变量间的相关性构建图数据，得到所述工业系统的工业过程图数据，包括：基于所述工业系统的工业过程预处理数据，按时间顺序，滑窗划分得到滑窗多变量时间序列；所述滑窗多变量时间序列中包含设定数量个变量时间序列；针对所述滑窗多变量时间序列中的每个变量时间序列，确定所述滑窗多变量时间序列中两两变量之间的互信息系数，得到每个变量时间序列的互信息系数集合；针对所述滑窗多变量时间序列中每个变量时间序列的互信息系数集合，以每个变量时间序列的互信息系数集合中互信息系数的大小来构建图信号的边，并以每个变量时间序列中各个变量的时间序列作为节点的特征，构建得到图信号，作为所述工业系统的工业过程图数据。

5、在一些实施方式中，利用卷积神经网络、长短时记忆网络和图卷积网络，搭建深度时空融合图卷积网络，包括：利用图卷积网络，提取所述训练集中工业过程数据的非欧几里得空间特征；使用卷积神经网络，提取所述训练集中工业过程数据中的欧几里得工业过程特征；使用长短时记忆网络，提取所述训练集中节点数据上的时间特征；使用全连接网络，对所述训练集中工业过程数据的非欧几里得空间特征、所述训练集中工业过程数据中的欧几里得工业过程特征、以及所述训练集中节点数据上的时间特征进行整合，以搭建得到深度时空融合图卷积网络。

6、在一些实施方式中，利用所述训练集进行训练，得到深度时空融合图卷积网络模型，包括：基于搭建得到的深度时空融合图卷积网络，以交叉熵损失函数为目标函数，使用所述训练集对所述深度时空融合图卷积网络的模型进行训练；使用adam优化器训练所述深度时空融合图卷积网络的模型的权重，直到所述深度时空融合图卷积网络的模型的准确率收敛后，得到深度时空融合图卷积网络模型。

7、在一些实施方式中，利用所述测试集，对训练得到的深度时空融合图卷积网络模型进行测试，根据测试结果对训练得到的深度时空融合图卷积网络模型进行调整，得到调整后的深度时空融合图卷积网络，包括：将所述测试集输入到训练得到的深度时空融合图卷积网络模型中进行特征提取，训练得到的深度时空融合图卷积网络模型输出的测试结果，标记为预测标签；根据所述预测标签、以及针对所述测试集进行测试的真实标签，计算训练得到的深度时空融合图卷积网络模型的测试准确率；若训练得到的深度时空融合图卷积网络模型的测试准确率小于预设的目标准确率，则返回，以对训练得到的深度时空融合图卷积网络模型进行调整，直至训练得到的深度时空融合图卷积网络模型的测试准确率大于或等于预设的目标准确率后，得到调整后的深度时空融合图卷积网络。

8、与上述方法相匹配，本发明另一方面提供一种工业过程故障诊断装置，包括：获取单元，被配置为获取待进行故障诊断的工业系统在工业过程中的正常工况数据和故障工况数据，记为所述工业系统的工业过程数据；控制单元，被配置为对所述工业系统的工业过程数据进行预处理，得到所述工业系统的工业过程预处理数据；所述控制单元，还被配置为利用最大互信息系数法计算所述工业系统的工业过程预处理数据中两两变量的相关性后，基于预设的已知变量间的相关性构建图数据，得到所述工业系统的工业过程图数据；将所述工业系统的工业过程图数据作为样本集，并将所述样本集划分为训练集和测试集；所述控制单元，还被配置为利用卷积神经网络、长短时记忆网络和图卷积网络，搭建深度时空融合图卷积网络；并利用所述训练集进行训练，得到深度时空融合图卷积网络模型；所述控制单元，还被配置为利用所述测试集，对训练得到的深度时空融合图卷积网络模型进行测试，根据测试结果对训练得到的深度时空融合图卷积网络模型进行调整，得到调整后的深度时空融合图卷积网络；所述获取单元，还被配置为获取所述工业系统的工业过程当前数据；所述控制单元，还被配置为将所述工业系统的工业过程当前数据，输入至所述调整后的深度时空融合图卷积网络模型，得到输出数据，作为对所述工业系统的工业过程故障诊断结果。

9、在一些实施方式中，所述控制单元，对所述工业系统的工业过程数据进行预处理，得到所述工业系统的工业过程预处理数据，包括：对所述工业系统的工业过程数据进行设定数值范围内的归一化处理，得到所述工业系统的工业过程归一化数据；针对所述工业系统的工业过程归一化数据，对连续的多变量时间数据进行滑窗处理，得到所述工业系统的工业过程滑窗数据，作为所述工业系统的工业过程预处理数据。

10、在一些实施方式中，所述控制单元，利用最大互信息系数法计算所述工业系统的工业过程预处理数据中两两变量的相关性后，基于预设的已知变量间的相关性构建图数据，得到所述工业系统的工业过程图数据，包括：基于所述工业系统的工业过程预处理数据，按时间顺序，滑窗划分得到滑窗多变量时间序列；所述滑窗多变量时间序列中包含设定数量个变量时间序列；针对所述滑窗多变量时间序列中的每个变量时间序列，确定所述滑窗多变量时间序列中两两变量之间的互信息系数，得到每个变量时间序列的互信息系数集合；针对所述滑窗多变量时间序列中每个变量时间序列的互信息系数集合，以每个变量时间序列的互信息系数集合中互信息系数的大小来构建图信号的边，并以每个变量时间序列中各个变量的时间序列作为节点的特征，构建得到图信号，作为所述工业系统的工业过程图数据。

11、在一些实施方式中，所述控制单元，利用卷积神经网络、长短时记忆网络和图卷积网络，搭建深度时空融合图卷积网络，包括：利用图卷积网络，提取所述训练集中工业过程数据的非欧几里得空间特征；使用卷积神经网络，提取所述训练集中工业过程数据中的欧几里得工业过程特征；使用长短时记忆网络，提取所述训练集中节点数据上的时间特征；使用全连接网络，对所述训练集中工业过程数据的非欧几里得空间特征、所述训练集中工业过程数据中的欧几里得工业过程特征、以及所述训练集中节点数据上的时间特征进行整合，以搭建得到深度时空融合图卷积网络。

12、在一些实施方式中，所述控制单元，利用所述训练集进行训练，得到深度时空融合图卷积网络模型，包括：基于搭建得到的深度时空融合图卷积网络，以交叉熵损失函数为目标函数，使用所述训练集对所述深度时空融合图卷积网络的模型进行训练；使用adam优化器训练所述深度时空融合图卷积网络的模型的权重，直到所述深度时空融合图卷积网络的模型的准确率收敛后，得到深度时空融合图卷积网络模型。

13、在一些实施方式中，所述控制单元，利用所述测试集，对训练得到的深度时空融合图卷积网络模型进行测试，根据测试结果对训练得到的深度时空融合图卷积网络模型进行调整，得到调整后的深度时空融合图卷积网络，包括：将所述测试集输入到训练得到的深度时空融合图卷积网络模型中进行特征提取，得到训练得到的深度时空融合图卷积网络模型输出的测试结果，标记为预测标签；根据所述预测标签、以及针对所述测试集进行测试的真实标签，计算训练得到的深度时空融合图卷积网络模型的测试准确率；若训练得到的深度时空融合图卷积网络模型的测试准确率小于预设的目标准确率，则返回，以对训练得到的深度时空融合图卷积网络模型进行调整，直至训练得到的深度时空融合图卷积网络模型的测试准确率大于或等于预设的目标准确率后，得到调整后的深度时空融合图卷积网络。

14、与上述装置相匹配，本发明再一方面提供一种终端，包括：以上所述的工业过程故障诊断装置。

15、与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的工业过程故障诊断方法。

16、与上述方法相匹配，本发明再一方面提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上所述的方法的工业过程故障诊断方法。

17、由此，本发明的方案，通过采集工业过程中的正常工况数据以及故障工况数据，作为数据集；利用最大互信息系数法计算过程数据中两两变量的相关性，然后利用已知变量间的相关性构建图数据，以利用互信息来捕捉复杂工业系统变量之间的关联性，从而挖掘出工业过程数据中的隐藏特征；然后搭建深度时空融合图卷积网络模型，使用深度时空融合图卷积网络提取工业过程数据的时空特征，实现对工业过程数据的故障诊断，从而，通过构建信息完备的最大信息图数据并结合深度时空融合图卷积网络模型进行工业过程数据的故障诊断，且能够提升诊断效果。

18、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

19、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。