基于双任务解耦网络的质量关联故障检测方法及装置与流程

本发明涉及工业过程检测，具体涉及一种基于双任务解耦网络的质量关联故障检测方法及装置。

背景技术：

1、连续工业生产过程中，直接决定产品优劣的关键质量指标受检测设备、检测时长等因素的制约，通常难以实现在线实时检测。实际生产过程中往往需要借助如温度、压力、流量等过程观测变量，间接表征产品实时质量状态，如纯度、浓度等。这种数据驱动故障检测与诊断方案，已成为复杂工业过程质量在线监测的重要技术路线。

2、然而，当前现代连续工业系统普遍存在变量强耦合、过程非线性、运行工况动态时变、工艺长时滞等多重复杂特性，给质量状态辨识、质量关联异常识别与故障溯源诊断带来较大挑战。 尤其是在闭环控制条件下，传感器采集数据中正常过程扰动特征信号与质量关联故障特征信号容易发生混杂。即在原料波动、生产负荷切换等常规扰动作用下，闭环控制系统会通过调节操作变量以抑制过程波动，使得传感器采集到的观测数据中同时包含正常调节响应与异常工况信息。

3、对于此类场景，若仍然依照传统方法，仅依据观测变量的幅值变化或低维统计特征进行监测，容易导致故障检测虚警率较高，且即便识别出异常，也无法精准追溯诱发质量缺陷的故障源头，根源诊断困难。

技术实现思路

1、本发明提供了一种基于双任务解耦网络的质量关联故障检测方法及装置，以解决现有技术中难以将正常过程扰动特征与质量关联故障特征分离，导致故障检测虚警率高、故障根源难以精准定位的问题。

2、第一方面，本发明提供了一种基于双任务解耦网络的质量关联故障检测方法，该方法包括：

3、采集连续工业过程的观测变量时序数据；

4、对观测变量时序数据进行时序特征提取，得到全局上下文特征；

5、将全局上下文特征输入预先完成离线训练的双任务解耦网络，分别通过双任务解耦网络中并行设置的质量非线性映射层与过程非线性映射层对全局上下文特征进行投影，输出解耦后的质量相关特征与过程相关特征；其中，双任务解耦网络经质量监督损失、重构损失与几何正交约束损失联合训练，促进质量相关特征与过程相关特征在潜在空间中的分离表征；

6、基于质量相关特征，确定在线监测统计量；

7、基于在线监测统计量以及预存的正常工况控制限，判定是否发生质量关联故障。

8、在一种可选的实施方式中，预先完成离线训练的双任务解耦网络的构建包括：

9、构建训练样本集，训练样本集包括：连续工业过程正常工况下的过程观测变量序列样本以及对应的真实质量状态向量；

10、搭建网络基础结构；网络基础结构包括并行设置的初始质量非线性映射层与初始过程非线性映射层，以及并行设置的质量监督分支网络与过程重构分支网络，其中初始质量非线性映射层的输出端分别连接质量监督分支网络与过程重构分支网络，初始过程非线性映射层的输出端连接过程重构分支网络；

11、构建由质量监督损失、重构损失、几何正交约束损失加权组成的联合损失函数；

12、基于训练样本集对网络基础结构开展迭代训练，直至联合损失函数收敛，得到双任务解耦网络。

13、在一种可选的实施方式中，基于训练样本集对网络基础结构开展迭代训练，直至联合损失函数收敛，得到双任务解耦网络，包括：

14、通过初始质量非线性映射层输出质量潜在特征；通过初始过程非线性映射层输出过程潜在特征；

15、执行质量监督回归约束任务，将质量潜在特征输入质量监督分支网络回归得到质量状态估计值，结合真实质量状态向量计算质量监督损失；

16、执行重构约束任务，将质量潜在特征与过程潜在特征拼接后输入过程重构分支网络，得到原始输入矩阵重构结果，结合原始输入矩阵计算重构损失；

17、几何正交约束损失基于质量潜在特征与过程潜在特征的余弦相似度构建；

18、基于质量监督损失、重构损失以及几何正交约束损失项构成的联合损失函数，迭代更新网络基础结构的全部参数，直至联合损失函数收敛，得到双任务解耦网络。

19、在一种可选的实施方式中，基于质量相关特征，确定在线监测统计量，包括：

20、在双任务解耦网络完成离线训练后，提取全部正常工况样本对应的正常质量相关参考特征；

21、基于正常质量相关参考特征，确定特征均值向量与协方差矩阵；

22、基于质量相关特征、特征均值向量以及协方差矩阵，计算得在线监测统计量。

23、在一种可选的实施方式中，在判定发生质量关联故障的情况下，方法还包括：

24、将双任务解耦网络输出的质量相关特征与过程相关特征拼接后输入过程重构分支网络，得到双任务解耦网络输入矩阵的重构结果；

25、基于重构结果，确定各过程观测变量在故障时段对应的绝对贡献指数，并基于绝对贡献指数计算各预设过程观测变量的相对贡献占比；

26、按照相对贡献占比从大到小对全部过程观测变量进行排序，选取排名靠前的k个过程观测变量构成候选变量集，k＞0，且k为正整数；

27、基于候选变量集，确定故障根源过程变量。

28、在一种可选的实施方式中，基于候选变量集，确定故障根源过程变量，包括：

29、针对候选变量集中任意一组候选变量对，分别构建基于长短期记忆网络的受限预测模型与全量预测模型；

30、根据受限预测模型与全量预测模型的预测残差比较结果，计算候选变量之间的因果强度；

31、基于候选变量之间的因果强度，确定净因果流向；

32、基于净因果流向，确定各候选变量的净影响力得分；

33、将净影响力得分数值最大的候选变量，确定为故障根源过程变量。

34、在一种可选的实施方式中，方法还包括：

35、基于各候选变量的净因果流向，确定故障传播路径。

36、在一种可选的实施方式中，对观测变量时序数据进行时序特征提取，得到全局上下文特征，包括：

37、将观测变量时序数据划分成固定时长的多变量时间窗，构造多变量时间窗输入矩阵；

38、将多变量时间窗输入矩阵输入共享时序编码器，获得多个时间步对应的时序隐藏特征；

39、基于时间注意力机制为各时间步对应的时序隐藏特征分配时间注意力权重，并基于时间注意力权重对各时间步对应的时序隐藏特征进行加权聚合，得到全局上下文特征。

40、第二方面，本发明提供了一种基于双任务解耦网络的质量关联故障检测装置，该装置包括：

41、采集模块，用于采集连续工业过程的观测变量时序数据；

42、提取模块，用于对观测变量时序数据进行时序特征提取，得到全局上下文特征；

43、分离模块，用于将全局上下文特征输入预先完成离线训练的双任务解耦网络，分别通过双任务解耦网络中并行设置的质量非线性映射层与过程非线性映射层对全局上下文特征进行投影，输出解耦后的质量相关特征与过程相关特征；其中，双任务解耦网络经质量监督损失、重构损失与几何正交约束损失联合训练，促进质量相关特征与过程相关特征在潜在空间中的分离表征；

44、统计模块，用于基于质量相关特征，确定在线监测统计量；

45、诊断模块，用于基于在线监测统计量以及预存的正常工况控制限，判定是否发生质量关联故障。

46、第三方面，本发明提供了一种电子设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于双任务解耦网络的质量关联故障检测方法。

47、本发明有益效果如下：

48、本发明提供的质量关联故障检测方法，基于双任务解耦网络的质量关联故障检测，在线监测时，将实时过程数据构造成实时输入矩阵并输入训练后的双任务解耦网络，获得当前时刻的质量相关特征；基于质量相关特征确定在线监测统计量，并将该在线监测统计量与正常工况控制限进行比较；当在线监测统计量超过正常工况控制限时，判定发生质量关联故障并触发报警。本发明通过双任务解耦网络促进正常过程扰动相关信息与质量故障相关信息在潜在空间中的分离表征，在线监测采用质量相关性更强的特征构建统计量，从而减弱原料波动、控制器调节等过程背景干扰对故障检测结果的影响，有助于降低误报并提高故障检测准确性。

49、本发明提供的质量关联故障检测方法，在触发报警后，基于过程重构分支输出的重构结果计算各过程变量的重构残差贡献，筛选候选变量集；对候选变量集中的变量对执行基于长短期记忆网络的因果推断，计算候选变量之间的因果强度和净因果流向，并进一步计算各候选变量的净影响力得分；将净影响力得分最大的候选变量确定为故障根源变量，并根据候选变量之间的因果关系输出故障传播路径分析结果。与仅依赖单一质量预测模型或传统统计监测方法相比，本发明不仅能够识别异常是否发生，还能够在报警后继续完成候选变量筛选、传播关系分析和源头变量定位，从而提升了方法在复杂工业场景中的完整诊断能力。