本发明涉及流程工业的故障判断，尤其涉及一种面向绿色甲醇生产过程的双层级故障诊断方法。
背景技术：
1、绿色甲醇生产过程需要多个单元配合执行，单个操作单元上的故障可能传播至整个生产过程，阀门粘滞、管道泄漏等故障都会造成严重的安全隐患。现有技术中通常使用分布式过程监测方法，其中包括将整个过程分成数个操作单元，并基于现场收集的工业过程数据，对每个操作单元分别进行诊断模型与诊断指标的构建，继而进行单元层级与变量层级的过程监测。但是现有技术存在如下缺点：在过程建模过程中，需要考虑过程信息提取的完备性，其中操作单元间的空间相关关系是重要的先验信息，但是现有方法中没有将该信息引入值模型训练过程中，使得各部分间数据缺少相关解释；而在单元与变量双层级的故障诊断指标构建过程中，故障信息在变量、操作单元间的传播关系无法考虑，在单变量或操作单元上的故障信息可能会随着过程的进行传播至其余变量或操作单元上，从而难以判断将故障根源位置的判断结果。
2、例如，一种在中国专利文献上公开的“一种基于逐层增量期望传播的可解释性故障诊断归因方法”，其公告号：cn117151196b，公开了获取离线正常样本、在线样本，根据离线正常样本训练得到fdi生成模型；通过反向传播更新输入的方法获取基线；将优化后的基线输入至fdi生成模型进行单次前向传播，记录其中各层激活值的基线；将在线样本输入至fdi生成模型，经前向传播得到统计量，并记录其中各层神经元的激活值；激活值用于反向归因；通过逐层增量期望传播计算公式确定fdi生成模型中各层贡献率矩阵，并进行反向传播；利用相关关系进行故障归因，但是仍然会受到故障传播的影响。
技术实现思路
1、为了减少故障传播对故障诊断的影响，本发明提供一种面向绿色甲醇生产过程的双层级故障诊断方法，通过甲醇制备过程的变量分块重构与空间信息的融合实现对甲醇制备过程中的多单元建模，根据相关性矩阵分解奇异值削弱单元层相关关系，降低了故障信息传播给故障诊断准确性带来的影响。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种面向绿色甲醇生产过程的双层级故障诊断方法，包括：确定每个样本中变量分割后的变量块，确定每个变量块对应的神经网络模型的特征，根据所述的特征进行点积确定特征映射结果的相关性矩阵；
4、确定生产单元的关系拓扑矩阵，结合相关性矩阵确定基于局部重构的损失函数，将所述的损失函数作为神经网络模型的网络参数；
5、基于相关性矩阵对变量块的特征进行加权融合，然后拼接特征并根据全局重构映射权重重构变量块；
6、确定重构变量块的重构误差作为变量层级故障诊断指标；获取相关性矩阵的奇异值，根据小奇异值的映射矩阵对重构误差矩阵进行降维重构，得到单元层级故障诊断指标。实现甲醇制备过程的变量分块重构与空间信息的融合，并在建模的基础上进行诊断指标构建，减少故障信息可能会随着过程的进行传播对故障判断造成的影响，尤其是绿色甲醇制备过程等化工方法流程中变量相关性较大的场景。
7、作为优选的，所述的变量块对应有各自的神经网络模型，所述的神经网络模型对变量块进行特征映射，所述的神经网络模型的网络参数通过最小化损失函数确定，所述的损失函数中包括局部数据重构部分和关系拓扑重构部分。实现变量块对特征的映射转换。
8、作为优选的，包括获取样本数据集，所述的样本数据集中包括多个数据集合；按照绿色甲醇制备流程将每个数据集合分割为m个变量块，每个变量块中包括对应数据的多个变量块；每个数据集合中包括至少一个变量块。实现基于空间位置关系、设备间的物料流向关系的变量划分。
9、作为优选的，包括建立变量块的映射网络结构，所述的映射网络结构中包括多个神经网络组成的映射函数；所述的映射函数分别与变量块中的变量对应，所述的映射函数的网络参数通过各自对应变量重构过程中损失函数确定。实现变量对特征的映射转换。
10、作为优选的，包括分别获取变量块中每个变量的映射特征，对每个变量块的特征进行基于第一映射参数的局部数据重构；通过最小化局部数据重构过程中的损失函数确定每个变量对应的网络参数。使得每个变量根据各自的损失函数对对应的神经网络进行训练。
11、作为优选的，包括根据相关性矩阵得到相关系数，根据所述的相关系数分别为每个变量块进行赋权，赋权后求和得到每个变量块的融合特征，对每个变量块的融合特征进行拼接得到样本的特征输出。实现对于变量块特征的重构。
12、作为优选的，包括根据样本的特征输出进行全局重构，结合全局重构映射权重得到重构值，所述的重构值为每个样本的变量块。实现多单元建模。
13、作为优选的，所述的全局重构中，通过最小化全局重构中的重构损失确定损失模型，通过所述的损失模型对全局重构过程进行训练。提高对于变量块的重构精度。
14、作为优选的，包括根据生产单元的连接关系生成关系拓扑矩阵，所述的关系拓扑矩阵中包括绿色甲醇制备过程中各个单元的连接关系和非连接关系。实现空间信息的融合。
15、作为优选的，所述的获取单元层级故障指标和变量层级故障指标后，根据单元层级故障指标确定关键单元；获取关键单元中的变量层级故障诊断指标，将其中幅值最大的变量作为引起故障的关键变量。实现多层级的共同故障判断。
16、本发明具有如下优点：
17、（1）能够将每个单元上的变量块通过神经网络模型映射到统一维度的特征，并利用点积计算确定单元特征间的相关程度，从而将过程空间信息引入至建模过程中，通过甲醇制备过程的变量分块重构与空间信息的融合实现对甲醇制备过程中的多单元建模；（2）在多单元建模的基础上通过奇异值分解得到一组用于削弱单元层相关关系的映射矩阵，降低了故障信息传播给故障诊断准确性带来的影响。
1.一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，所述的变量块对应有各自的神经网络模型，所述的神经网络模型对变量块进行特征映射，所述的神经网络模型的网络参数通过最小化损失函数确定，所述的损失函数中包括局部数据重构部分和关系拓扑重构部分。
3.根据权利要求1或2所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括获取样本数据集，所述的样本数据集中包括多个数据集合；按照绿色甲醇制备流程将每个数据集合分割为m个变量块，每个变量块中包括对应数据的多个变量块；每个数据集合中包括至少一个变量块。
4.根据权利要求3所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括建立变量块的映射网络结构，所述的映射网络结构中包括多个神经网络组成的映射函数；所述的映射函数分别与变量块中的变量对应，所述的映射函数的网络参数通过各自对应变量重构过程中损失函数确定。
5.根据权利要求1或2所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括分别获取变量块中每个变量的映射特征，对每个变量块的特征进行基于第一映射参数的局部数据重构；通过最小化局部数据重构过程中的损失函数确定每个变量对应的网络参数。
6.根据权利要求1所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括根据相关性矩阵得到相关系数，根据所述的相关系数分别为每个变量块进行赋权，赋权后求和得到每个变量块的融合特征，对每个变量块的融合特征进行拼接得到样本的特征输出。
7.根据权利要求6所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括根据样本的特征输出进行全局重构，结合全局重构映射权重得到重构值，所述的重构值为每个样本的变量块。
8.根据权利要求7所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，所述的全局重构中，通过最小化全局重构中的重构损失确定损失模型，通过所述的损失模型对全局重构过程进行训练。
9.根据权利要求1所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，包括根据生产单元的连接关系生成关系拓扑矩阵，所述的关系拓扑矩阵中包括绿色甲醇制备过程中各个单元的连接关系和非连接关系。
10.根据权利要求1或2所述的一种面向绿色甲醇生产过程的双层级故障诊断方法，其特征在于，所述的获取单元层级故障指标和变量层级故障指标后，根据单元层级故障指标确定关键单元；获取关键单元中的变量层级故障诊断指标，将其中幅值最大的变量作为引起故障的关键变量。
