本明发属于化工过程故障诊断领域，具体涉及一种基于改进时空模型的化工过程故障诊断方法及系统。
背景技术：
1、现代化工生产规模越来越大，流程设备也越来越复杂，这给化工生产过程的安全和稳定运行带来了挑战。虽然化工生产安全管理水平在不断提高，但是仍然会发生化工生产事故。这是因为化工生产过程很复杂，传统的故障诊断方法无法满足诊断精度、稳定性和诊断效率的要求。因此，基于数据驱动的故障诊断系统逐渐成为主流研究方向。深度学习作为一种数据驱动的方法，可以高效地处理非线性、多维度大数据，因此在化工生产过程故障诊断中有着广泛应用前景。
2、然而，现实中化工生产过程的数据量大、维度高，而且深度学习网络参数较为复杂，调整困难。为了解决这些问题，我们可以考虑以下几点：1.数据预处理：对原始数据进行清洗、去除异常点等预处理可以提高深度学习模型的训练效果。2.模型选择与优化：根据具体需求选择合适的深度学习模型，并采用自动化调参技术进行网络参数的优化，以提高模型的性能和稳定性。3.数据集的构建与更新：在实际应用中，建立一个具有代表性的数据集是非常关键的。可以通过对历史数据进行扩充等相关技术，并结合实际故障样本进行标注，构建一个全面且准确的数据集，并随着工业生产的发展及时更新和扩充数据集。
3、目前的深度学习网络参数较为复杂，参数需要根据不同数据进行调整，并且化工过程数据故障数据往往难以采集到具有代表性的训练数据。因此，可以提高化工生产过程的故障诊断效率和准确性，更好地保障化工生产的安全和稳定运行。
技术实现思路
1、发明目的：针对背景技术中指出的问题，本发明公开一种基于改进时空模型的化工过程故障诊断方法及系统，利用改进boa优化gcgru建立化工过程故障诊断模型，目的在于提高对故障信息的利用，有效提高化工过程故障诊断效率。
2、技术方案：本发明所述的一种基于改进时空模型的化工过程故障诊断方法，包括以下步骤：
3、(1)获取田纳西-伊斯曼过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建原始数据集，并划分为训练集和测试集；
4、(2)对原始数据集进行数据增强处理；采集到的不同故障种类数据集作为高斯数据增强算法的输入，增添高斯噪声并扩充数据集；
5、(3)建立基于改进时空模型gcgru的化工过程故障诊断模型，并利用贝叶斯优化算法boa优化基于改进时空模型的化工过程故障诊断模型的关键参数；
6、(4)基于原始数据、强化数据和boa算法对基于gcgru的化工过程故障诊断模型进行训练，求出gcgru网络的最优参数；利用训练优化后的化工过程故障诊断模型对te过程数据进行诊断，得到诊断结果并计算其准确率；
7、(5)根据步骤(4)中诊断的结果，判断故障发生的类型，从而提醒工厂与工人及时处理，并在预警时展示故障类型。
8、进一步地，所述步骤(2)实现过程如下：
9、对原始训练集增添遵循高斯分布的噪声增加样本总数；高斯噪声数据增强利用遵循高斯分布的随机噪声，具有以下概率密度函数：
10、
11、其中，x表示噪声信号，μ表示均值，σ表示标准差；
12、使用高斯噪声进行数据增强时，遵循一定的信噪比，信噪比的功率公式如下：
13、
14、其中，pn表示生成的噪声功率，ptr表示te过程数据的噪声功率，snr表示信噪比；
15、把增强样本与原始样本合并，作为模型的训练输入：
16、trenhance＝trgda+trorgin (3)
17、其中，trorgin为原始te过程数据的训练集，trgda为生成的噪声数据，trenhance为添加噪声后的训练集。
18、进一步地，所述步骤(3)所述的关键参数包括隐藏层节点数，最小批处理量，学习率。
19、进一步地，步骤(3)所述建立基于gcgru的化工过程故障诊断模型过程如下：
20、构建te过程数据的邻接矩阵a，并对邻接矩阵a节点参数进行归一化，组成模型需要的图数据：
21、
22、其中，表示节点xi的均值，σi表示该节点的标准差；
23、gcgru分别利用图卷积网络gcn和门控循环单元gru获取te过程数据的空间特征和时间特征，具体计算步骤见式：
24、
25、其中，x表示输入数据的特征矩阵，ht表示t时刻的输出，zt和rt分别表示t时刻更新门和复位门，ht-1表示t-1时刻的输出，w和b分别表示权重和偏差，f(a,xt)表示图的卷积过程，ct表示在t时刻存储的相关信息；
26、使用gcgru模型对te过程数据进行诊断，采用步骤(2)中增强的信息trenhance作为强化信息来辅助预测；
27、gcgru对te过程数据进行诊断，采用步骤(2)中增强的信息trenhance作为强化信息来辅助预测。
28、进一步地，步骤(3)所述利用贝叶斯优化算法boa优化基于改进时空模型的化工过程故障诊断模型的关键参数实现过程如下：
29、贝叶斯优化的原理是使用贝叶斯定理估计目标函数的后验分布，然后根据该分布选择下一个要采样的超参数组合；贝叶斯优化故障诊断模型的核心在于根据未知的目标函数y＝f(x)，寻找其最优解，其待优化函数如下：
30、x*＝argmaxx∈x f(x) (6)
31、其中，y为故障诊断模型的适应度值，x＝{x1,x2,…,xn}为gcgru模型迭代过程中的待优化参数集合；
32、在贝叶斯优化算法迭代过程中，利用高斯过程作为贝叶斯优化算法的代理模型，即f(x)的先验分布函数；由均值函数和协方差函数组成，则其过程记为：
33、f(x)～gp(m(x),k(x,x'))(7)
34、其中，m(x)＝e|f(x)|为均值函数，k(x,x')＝e[(f(x)-m(x))(f(x')-m(x'))]为协方差函数；
35、使用采样策略来选择下一个探索点xnew，在选择的探索点xnew处执行真实评估，计算目标函数f(xnew)的真实值，并记录新的观测点(xnew,f(xnew))；
36、根据已被记录的数据和新的观测点(xnew,f(xnew))，使用贝叶斯推断更新代理模型的参数；
37、根据预设的终止条件判断是否终止算法，如果未满足终止条件；否则，结束算法并给出最优解。
38、进一步地，所述步骤(4)实现过程如下：
39、gcgru模型根据训练集和关键参数进行模型训练，记录诊断训练结果及准确率并将其传回boa算法中，其准确率计算公式如下：
40、
41、其中，准确率accuracy为正确分类，tp为被检索到正样本的故障类型，tn为未被检索到正样本的故障类型，all为总故障样本；
42、由于boa算法是根据准确率送入boa记为适应度值，作为算法迭代寻优指标；
43、初始化贝叶斯优化算法的相关参数，包括最大迭代次数n、种群大小、gcgru模型关键参数的搜索空间的上下限，并随机初始化gcgru关键参数；
44、gcgru的关键参数对模型进行训练，并将准确率送入boa算法记为适应度值；记录当前适应度值和gcgru的关键参数；
45、重新初始化gda-gcgru模型的关键参数，并训练该模型；在训练过程中，记录当前的迭代次数、适应度值和gda-gcgru的参数；如果当前的适应度值大于最优适应度值，则将当前的适应度值更新为最优适应度值；否则，最优适应度值保持不变；
46、达到最大迭代次数输出最优适应度和gcgru最佳参数；将数据输入到优化后的模型中进行估计，得到最终的化工过程故障诊断的结果。
47、本发明所述的一种基于改进时空模型的化工过程故障诊断系统，包括数据采集模块、数据增强模块、模型训练模块、故障诊断模块；其中：
48、数据采集模块，获取te过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建原始数据集；
49、数据增强模块，用于对采集到的te过程数据集进行增强；采集到的不同故障种类数据集作为高斯数据增强算法gda的输入，增添高斯噪声并扩充数据集；
50、模型训练模块，用于建模基于gcgru的化工过程故障诊断模型；以采集到te原始数据集与gda算法增强的数据作为模型输入，采用boa算法寻优出gcgru模型的关键参数，并进行优化的化工过程故障诊断模型进行训练；
51、故障诊断模块，利用训练优化后的化工过程故障诊断模型对te过程数据进行诊断，得到诊断结果，并诊断出故障时判定故障类型。
52、有益效果：与现有技术相比，本发明的有益效果：本发明应用gda增强te过程数据，在原始te过程数据的基础上增添高斯噪声并扩充数据集，提高模型训练效果；本发明在传统时空模型的基础上增添数据增强模块，以gda扩充的数据作为数据增强模块的输入，构建gcgru模型，提高模型对数据的利用效率；本发明针对gcgru算法关键参数寻优困难的缺点提出boa算法优化gcgru的关键参数，提高模型的诊断性能和运行效率。
1.一种基于改进时空模型的化工过程故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进时空模型的化工过程故障诊断方法，其特征在于，所述步骤(2)实现过程如下：
3.根据权利要求1所述的一种基于改进时空模型的化工过程故障诊断方法，其特征在于，所述步骤(3)所述的关键参数包括隐藏层节点数，最小批处理量，学习率。
4.根据权利要求1所述的一种基于改进时空模型的化工过程故障诊断方法，其特征在于，步骤(3)所述建立基于gcgru的化工过程故障诊断模型过程如下：
5.根据权利要求1所述的一种基于改进时空模型的化工过程故障诊断方法，其特征在于，步骤(3)所述利用贝叶斯优化算法boa优化基于改进时空模型的化工过程故障诊断模型的关键参数实现过程如下：
6.根据权利要求1所述的一种基于改进时空模型的化工过程故障诊断方法，其特征在于，所述步骤(4)实现过程如下：
7.一种采用如权利要求1至6任一所述方法的基于改进时空模型的化工过程故障诊断系统，其特征在于，包括数据采集模块、数据增强模块、模型训练模块、故障诊断模块；其中：
