一种基于无监督机器学习的温度变送器故障检测方法

本发明属于温度变送器故障诊断领域，具体涉及一种基于无监督机器学习的温度变送器故障检测方法。

背景技术：

1、温度变送器是工业生产中重要的温度测量设备，在工业生产安全、国民生活保障等关键领域具有重要的地位，广泛应用于工业生产、智能家居、仓储物流等多个领域。然而，由于变送器常常工作在多样复杂的环境中，变送器成为了过程控制中容易出现问题的环节之一，为了减少由于温度变送器故障引起的损失、确保工业生产系统的稳定性以及实现温度变送器的及时维修，研究和开发温度变送器故障诊断的技术有助于提高系统的可靠性和经济性，具有实际的工程意义和实用价值。

2、目前传统的温度变送器故障检测方法主要依靠维护人员进行周期性测试和校准，由于生产现场往往部署大量温度变送器，平均测量校准工作量往往巨大，测试校准过程中会浪费大量人力物力，且该方法无法实现对变送器故障的及时预警，以及在检测过程中可能会为变送器引入新的冲击。

3、基于物理冗余的方法的主要思路是通过设置多个变送器对同一个装置进行监测，通过对比多个变送器的测量值来实现变送器的故障检测，该方法简单有效，但安装冗余变送器增加了设备成本、且无法实现非冗余变送器的故障检测。

4、为了应对物理冗余方法的局限和不足，基于解析冗余的方法被提出并得到广泛研究。基于解析冗余的方法可以分为三个大类：基于解析模型的方法、基于数据驱动的方法和基于知识的方法。

5、基于解析模型的方法的基本思路在于建立变送器与其观测对象的精准数学模型，通过对比模型输出与变送器实际输出从而形成残差序列，进而对该序列进行统计分析从而实现变送器的故障情况监测。尽管基于解析模型的方法较于基于物理冗余的方法表现出很大的优势，但是基于解析冗余的方法极大依赖数学建模的准确度，当监测系统动态过程复杂、监测数据维度较大时，此时基于解析模型的方法很难得到一个准确的模型用于表征系统中所有变送器的状态。

6、因此，基于知识的方法被进一步提出用以解决上述问题。基于知识的方法不需要建立精确的解析模型，通过对系统特征的定性描述建立定性数学模型，在定性模型中引入表征系统的信息，结合领域专家知识就可以实现对于系统的故障检测，但基于知识的模型容易受到系统因果关系、专家经验知识以及可移植性的影响，当系统中存在数量较多的温度变送器时，定性模型建立的困难限制了基于知识的方法在温度变送器故障检测中的应用。

7、随着计算机技术的迅速发展，基于数据驱动的方法被提出来。基于数据驱动的方法不需要建立被监测对象精细的数学模型，也不需要建立因果关系模型或者专家知识系统，通常通过完成变送器测量数据的处理分析就可以间接实现对于温度变送器状态的状态监测。基于数据驱动的方法可以分为基于信号处理的方法、基于信息融合的方法和基于多元统计分析几个类别。基于信息处理的方法利用了信号处理技术实现温度变送器测量数据的分析和处理，通常包括快速傅里叶变换与基于快速傅里叶变换的各种变体和小波变换等方法。基于信息融合的方法主要思路在于收集多源系统信息并进行融合，进而得出不同观测角度下的系统信息并用于变送器的故障检测。基于多元统计分析的状态监测方法是一种高维数据分析工具，其能够处理复杂的高维数据，识别潜在的模式和关联，通常包括人工神经网络、支持向量机与主元分析法等方法。

8、由于在复杂工业场景中涉及的温度变送器数量巨大，因此基于数据驱动中的基于多元统计分析的方法得到了广泛研究和应用。其中，支持向量机将故障检测问题视为二分类问题，利用svm进行故障检测可以被划分为确认分类面、模式分类两个阶段。利用人工神经网络进行故障检测时基本思路与svm类似，通过选择合适的网络结构和损失函数训练故障检测模型并利用该模型进行故障检测。

9、值得注意的是，现阶段，大多数基于数据驱动的温度变送器智能故障检测方法依赖于监督式机器学习算法，这些算法通常需要大量标记好的数据，从而带来显著的数据标注成本。例如，上述两种方法都需要对数据集中的正负样本进行人工标注，存在显著的数据标注成本。

10、为了降低基于多元统计分析方法中不容忽视的数据标注成本，基于无监督的机器学习方法如pca得到应用。

11、pca进行故障检测的主要思路是通过判断监测数据投影到主成分上的方差来监测异常，其步骤可以分为训练阶段和监测阶段：在训练阶段时利用正常状态下的数据训练pca模型，并计算协方差矩阵、进行特征值分解及选择主成分。在监测阶段通过将新的数据投影到训练好的主成分上，计算投影后的方差，并将该值与预定阈值进行对比来判断变送器是否发生故障。

12、pca可以自动捕捉复杂系统中数据的主要变化模式，但在应对非线性问题和复杂数据集时，pca存在一定的限制并需要其他方法辅助进行故障检测。具体来说，pca难以用于温度变送器故障检测，原因在于处理单元时序数据如温度变送器数据时，其有如下劣势：pca需要假设数据是线性相关的，导致pca可能无法捕捉到时序数据中包含的复杂非线性关系和趋势；此外，pca忽略了温度变送器数据中观测值之间的时序相关性，这可能导致pca在温度变送器异常检测中失效。

13、如上所述，如何利用无监督式机器学习方法降低基于数据驱动方法完成温度变送器故障检测存在的数据标注成本、更好地应对温度变送器故障检测中数据非线性的特点，实现温度变送器及时故障检测，对于变送器模块故障检测系统在实际问题中的应用具有重要意义。

技术实现思路

1、本发明的目的在于提供了一种基于无监督机器学习的温度变送器故障检测方法，以实现温度变送器故障检测，并避免数据驱动方法中存在的显著数据标注成本。

2、为了实现上述目的，本发明提供一种基于无监督机器学习的温度变送器故障检测方法，包括：

3、s1：对温度变送器采集到的温度监控数据，进行数据预处理，得到输入向量和基于输入向量构建的训练集；

4、s2：通过自编码解码器结合门控循环单元建立温度变送器故障检测模型，利用训练集来训练所述温度变送器故障检测模型并生成故障判断阈值；

5、s3：通过向温度变送器故障检测模型输入经过预处理的温度变送器的实时数据并将输入向量和输出向量的均方根误差与故障判断阈值相比较，得到温度变送器的故障情况判断结果。

6、所述步骤s1具体包括：

7、s11：按照第一时间间隔提取温度变送器采集的温度监控数据，对得到的温度时序数据进行归一化处理；

8、s12：将归一化处理后的温度时序数据按照指定长度划分为等长的时间序列，以作为输入向量，利用输入向量构建训练集。

9、在所述步骤s12中，利用输入向量构建训练集和测试集；所述步骤s1还包括步骤s13：利用步骤s12的测试集的一部分序列，人工生成对应的阶跃故障序列、漂移故障序列、断路故障序列和脉冲故障序列，并与这部分序列进行序列替换，进行序列替换的序列被标记为故障序列，由此构成温度变送器的故障测试集。

10、在所述步骤s2中，通过自编码解码器结合门控循环单元建立温度变送器故障检测模型，具体包括：

11、s21：构建原始的自编码解码器的神经网络框架；

12、s22：构建门控循环单元，并用单层的门控循环单元替换原始的自编码解码器中的全连接层，得到温度变送器故障检测模型的神经网络框架。

13、在所述步骤s2中，通过自编码解码器结合门控循环单元建立温度变送器故障检测模型，还包括：初始化温度变送器故障检测模型的网络参数。

14、在所述步骤s2中，利用训练集来训练所述温度变送器故障检测模型并生成故障判断阈值，具体包括：将训练集中的输入向量输入所述温度变送器故障检测模型以得到相同维度的输出向量，输入向量和输出向量的均方根误差作为损失函数，通过损失函数和迭代器来更新得到训练好的温度变送器故障检测模型；随后，根据训练好的温度变送器故障检测模型确定训练集的均方根误差分布，并据此确定故障判断阈值。

15、所述步骤s2还包括步骤s24：将故障测试集输入到训练好的温度变送器故障检测模型，通过比较输入向量和输出向量的均方根误差和故障判断阈值来判断测试集中是否存在故障序列，得到测试集故障情况的估计值；将测试集故障情况的估计值与真实值进行对比，衡量模型的准确性。

16、在所述步骤s24中，采用精确率和召回率作为衡量模型的准确性的指标。

17、所述步骤s3具体包括：

18、s31：对温度变送器的实时监测到的温度监控数据进行归一化处理，通过滑动窗口的方法将归一化的温度监控数据处理为输入向量的格式；

19、s32：将输入向量输入所述温度变送器故障检测模型，得到输出向量，将输入向量和输出向量的均方根误差与故障判断阈值相比较，误差若大于该故障判断阈值则判定该温度变送器故障，小于故障判断阈值则判定为该温度变送器正常。

20、本发明的基于无监督机器学习的温度变送器故障检测方法通过将温度变送器故障诊断问题抽象为时序异常检测问题，并使用机器学习方法实现了故障温度变送器的检测，在温度变送器故障发生时能够及时检测并进行维修，有效降低了温度变送器的故障检测成本，从而克服了人工周期性检测校准方法所存在的显著人工成本和检测不及时的缺点。

21、本发明通过自编码解码器算法实现了温度变送器故障检测模型的无监督学习，并通过相关指标验证了算法的有效性，有效减少数据标注成本及有效应对温度变送器故障检测数据集中的非线性关系，从而解决了数据驱动方法中存在的显著数据标注成本和pca方法不能有效应对非线性问题的问题。

22、本发明的基于无监督机器学习的温度变送器故障检测方法使用gru代替传统ae算法中的全连接层，有效利用温度变送器输出的时序特征，从而解决了传统循环神经网络rnn中训练时存在的长期依赖问题和梯度爆炸问题，使得模型训练更加容易，提升了故障检测的准确性。通过将该算法应用于温度变送器故障检测中，以实现提高在线温度变送器故障检测精度，减少漏报和错报率，从而能够及时检测到故障温度变送器并进行维修或更换。