本发明涉及设备安全监控领域，特别涉及一种基于火电设备的状态预警方法、系统、一种计算机可读存储介质及一种火电设备诊断装置。
背景技术：
随着电力工业的迅速发展和电力企业改革创新的深入，对发电厂的安全性、经济性和可靠性的要求越来越高。掌握发电设备或系统的运行规律，在设备发展故障之前，及时预测设备的异常状态，采取措施将故障消除在萌芽状态中是设备管理的迫切要求。
在火电行业，机组结构相对复杂。由于需求波动、负荷调整等一系列因素，导致设备的运行工况也在不断发生改变，使得传统形式下状态监测和报警的方式对于设备状态的判别常造成故障漏报和误报，难以适应新的需求。
现有技术中，故障预警的表现形式有两种(1)故障趋势预测预警；(2)设备剩余寿命预警。其中，设备剩余使用寿命预警通过预测故障部件的剩余使用寿命，在机械设备发生停机或重大故障之前给出检修或替换的最佳时期，能有效减少停机时间，提高生产率和使用寿命。
目前，剩余使用寿命预警较为有效的方法是构建设备的健康状态密度函数，故障预警模型可以利用预测出的每一步的健康状态密度函数进行剩余寿命估计，完成剩余寿命的预测。主要采用的方法有隐马尔科夫模型和粒子滤波。
故障趋势预测预警是通过检测系统的状态参数，掌握系统的运行状态的变化，推测其变化趋势，估计故障的传播、发展和系统的变化趋势。在此基础上，实现故障预警主要通过设备阀值，即在保护对象周围设定一个保护范围，一旦设备的运行超出这个范围，则表示产生了预警，并需要采集措施。一般的机械设备故障预测是短时预测，目前国内外研究较多，常用方法有人工神经网络，支持向量机、灰色模型和无参数学习方法等。
故障预警的关键是建立合理的数学模型，建模方法的合理选取是能否取得良好预测精度的关键。在以上方法中，基于数据驱动的无参数学习方法充分利用海量历史数据建立故障预警模型在大数据学习和处理过程中有较好的优势，但这类系统的缺点是：(1)现场应用过程中预警能力参差不齐，预警结果的准确性难以客观良好地评价。(2)采用自此方法的系统，只有一般性的预警，没有给出更深层次的故障信息，用户的一些经验知识、甚至被证实故障案例不能很好被系统学习应用。这些缺点导致现场应用效果差，不能提供有针对性的预警和诊断结论。
因此，如何提升火电设备的状态预警的准确率，对火电设备的状态做出客观良好的评价是本领域技术人员目前需要解决的技术问题。
技术实现要素：
本申请的目的是提供一种基于火电设备的状态预警方法、系统、一种计算机可读存储介质及一种火电设备诊断装置，能够提升火电设备的状态预警的准确率，对火电设备的状态做出客观良好的评价。
为解决上述技术问题，本申请提供一种基于火电设备的状态预警方法，该状态预警方法包括：
获取n个被测点的历史数据，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本；
利用记忆矩阵对所述学习样本进行学习得到指示模型；
根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型；
利用修正后的所述指示模型进行状态预警操作。
可选的，根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型包括：
根据公式计算所述记忆矩阵的样本完整度；其中，C为所述样本完整度；
判断所述样本完整度是否大于预设值；
若否，则增加所述学习样本的数量，并重新学习形成新的记忆矩阵，修正所述指示模型。
可选的，利用修正后的所述指示模型进行状态预警操作包括：
利用所述指示模型对所有所述学习样本进行健康度计算，并根据所有所述学习样本的健康度分布情况，确定健康度的报警阈值；
利用所述指示模型计算实时样本的健康度；
判断所述实时样本的健康度是否符合所述报警阈值；
若否，则执行预警操作。
可选的，利用所述指示模型对所有所述学习样本进行健康度计算，并根据所有所述学习样本的健康度分布情况，确定健康度的报警阈值包括：
利用所述指示模型对所有所述学习样本进行健康度计算，得到所有所述学习样本的健康度的平均值和标准差σH；
根据所述平均值和所述标准差σH确定所述预警阈值H0；其中
可选的，在执行预警操作之后，还包括：
利用所述指示模型计算实时样本的残差值，并对所述残差值进行离散化操作得到故障编码集合；
将所述故障编码集合与标准编码集合库进行比对，根据比对结果确定故障类型。
可选的，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本包括：
对所述历史数据进行数据清洗和归一化预处理得到健康数据；
将所述健康数据以为预设精度进行样本抽取得到m个所述学习样本。
本申请还提供了一种基于火电设备的状态预警系统，该系统包括：
样本抽取模块，用于获取n个被测点的历史数据，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本；
模型建立模块，用于利用记忆矩阵对所述学习样本进行学习得到指示模型；
模型修正模块，用于根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型；
预警模块，用于利用修正后的所述指示模型进行状态预警操作。
可选的，所述模型修正模块包括：
完整度计算单元，用于根据公式计算所述记忆矩阵的样本完整度；其中，C为所述样本完整度；
判断单元，用于判断所述样本完整度是否大于预设值；
修正单元，用于当所述样本完整度小于或等于预设值时，则增加所述学习样本的数量，并重新学习形成新的记忆矩阵，修正所述指示模型。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述基于火电设备的状态预警方法执行的步骤。
本申请还提供了一种火电设备诊断装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述基于火电设备的状态预警方法执行的步骤。
本发明提供了一种基于火电设备的状态预警方法，获取n个被测点的历史数据，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本；利用记忆矩阵对所述学习样本进行学习得到指示模型；根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型；利用修正后的所述指示模型进行状态预警操作。
本发明根据被测点、学习样本以及抽取学习样本的预设精度的数量关系对得到样本完整度，利用样本完整度对指示模型的优劣程度进行评价，若指示模型的学习充分度不达到预设标准则需要改变学习样本的数量，重新利用记忆矩阵进行学习得到修正后的指示模型，利用样本完整度良好的指示模型进行状态预警操作。在本方案能够提升火电设备的状态预警的准确率，对火电设备的状态做出客观良好的评价。本申请同时还提供了一种基于火电设备的状态预警系统、一种计算机可读存储介质和一种火电设备诊断装置，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种基于火电设备的状态预警方法的流程图；
图2为本申请实施例所提供的另一种基于火电设备的状态预警方法的流程图；
图3为本申请实施例所提供的又一种基于火电设备的状态预警方法的流程图；
图4为本申请实施例所提供的再一种基于火电设备的状态预警方法的流程图；
图5为记忆矩阵构造方法的流程图；
图6为本申请实施例所提供的一种基于火电设备的状态预警系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种基于火电设备的状态预警方法的流程图。
具体步骤可以包括：
S101：获取n个被测点的历史数据，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本；
其中，本步骤中提到的被测点是本方案所要进行状态预警的对象，该对象可以是系统级对象，也可以是设备级对象，还可以是参数级对象。当然对于被测点的选取可以由本领域的技术人员根据方案的实际应用情况进行选择，此处不进行具体的限定。例如，被测点可以是SIS(Supervisory Information System，安全仪表系统)，也可以是来自TSI(Turbine Supervisory Instrumentation，汽轮机监测仪表系统)或者是辅机在线的测点。本步骤中获取历史数据的被测点的数量为n，n为任意正整数，此处不进行具体的限定。
一般来说，本步骤中获取的历史数据是具有同时性和连续性的数据，同时性是指不同测点数据采集时间不超过预设时间(通常为5秒)，连续性是指获取的历史数据的时间间隔是相等的。作为一种优选的实施方案，可以在获取历史数据后对历史数据进行数据清洗和归一化处理，以保证进行数据学习时所使用的数据为健康的数据。
为了使指示模型对于火电设备的状态预警尽可能精确，可以选择多种典型工况的信息进行学习。对于火电机组来说，典型的工况与选择的模型和参数有关，如建模对象为汽轮机运行健康状态预警模型，参数为振动和温度等运行参数时，不同典型负荷下运行参数具有典型的参数分布特征，对应为该汽轮机的典型工况。
由于历史数据的数量巨大，且存在大量模式重复的数据，从而造成计算量指数级增长，不能保证预警的实时性。因此本步骤中以为预设精度进行样本抽取得到m个学习样本以解决上述问题。下面举一个例子说明上述抽样过程，将历史数据分为100等份(按照计算规模和精度要求可以将历史数据划分的精度进行调整)，即以为步距，以为误差，从历史数据中进行抽取，得到m个学习样本。
S102：利用记忆矩阵对所述学习样本进行学习得到指示模型；
其中，本步骤是建立在已经得到健康的、具有代表性的学习样本的基础上，利用学习矩阵得到能够预测火电设备健康状态的指示模型。本步骤中提到的记忆矩阵是一种通过非参数学习算法得到的记忆矩阵，将S101中得到的学习样本输入到记忆矩阵，记忆矩阵对学习样本进行学习获得能够评价火电设备健康度的指示模型。
值得注意的是，本步骤并不是构造指示模型的步骤，而是指示模型早已存在，而在经过利用记忆矩阵对学习样本进行学习后能够进行健康度评价。
S103：根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型；
其中，本步骤是整个状态预警过程中的关键一步，可以理解的是指示模型利用记忆矩阵对学习样本进行学习过程中，学习样本的优劣是指示模型预警准确性的关键，因此当在S101中抽样得到的学习样本没有完整的分布于整个空间时，指示模型的预警效果较差；当在S101中抽样得到的学习样本完整的分布于整个空间时，指示模型的预警效果良好。对于学习样本在空间中的分布情况可以用样本完整度来表示。
可以根据被测点、学习样本和预设精度的数量关系计算上述记忆矩阵的样本完整度。在得到样本完整度后，可以根据样本完整度所反映的指示模型学习充分程度进行增量学习、减量学习或重新学习等步骤。
在本步骤中可以设置一个关于样本完整度的预设标准，当样本完整度小于该预设标准时，说明学习样本分布情况较差需要增加学习样本的数量以使学习样本在空间中的分布情况达到标准，当样本完整度大于或等于预设标准时说明学习样本分布情况较好无需增加学习样本。在极特殊情况下，当得到的样本完整度为零时说明需要完全更换学习样本进行重新学习；当得到的样本完整度为100％时，说明可能存在学习样本过多的情况，为了避免造成资源浪费，可以减少学习样本的数量进行减量学习。当然无论是哪一种通过改变学习样本进行学习得到指示模型的步骤，都是通过将改变后的学习样本加入到记忆矩阵中得到的。上述提到的关于样本完整度的预设标准是由本领域的技术人员根据本方案的实际应用情况设置的(作为一种优选的方案，可以将该预设标准设置为60％)，此处不对预设标准的具体数值进行限定。
S104：利用修正后的所述指示模型进行状态预警操作；
其中，本步骤是利用在S103中修正后的指示模型进行状态预警操作，值得注意的是，如果指示模型的样本完整度符合在S103中提到的预设标准(即指示模型没有进行修正)在本步骤中可以使用S102中得到的指示模型进行状态预警操作。
可以理解的是，本步骤默认存在获取实时样本的操作，在获得实时样本后利用指示模型对实时样本进行健康度评价，若实时样本的健康度不满足健康度要求则进行预警操作。其中，关于实时样本的健康度是指设备运转状况与历史正常状态偏离的程度，偏离的程度越高实时样本越不正常(即健康度越低)，偏离的程度越低实时样本越正常(即健康度越高)。
当然，在进行状态预警操作后若判断实时样本的健康度不满足健康度要求，还可以利用指示模型对实时样本进行分析诊断识别得到发生故障的原因，以帮助相关工作人员尽快修复故障，使相关设备恢复正常。
本实施例根据被测点、学习样本以及抽取学习样本的预设精度的数量关系对得到样本完整度，利用样本完整度对指示模型的优劣程度进行评价，若指示模型的学习充分度达不到预设标准则需要改变虚席样本的数量，重新利用记忆矩阵进行学习得到修正后的指示模型，利用样本完整度良好的指示模型进行状态预警操作。在本方案能够提升火电设备的状态预警的准确率，对火电设备的状态做出客观良好的评价。
下面请参见图2，图2为本申请实施例所提供的另一种基于火电设备的状态预警方法的流程图；在本实施例中对计算样本完整度并根据样本完整度修正指示模型进行了进一步的限定，其他步骤与上一实施例基本一致，可以相互参见，此处不再赘述。
具体步骤可以包括：
S201：根据公式计算所述记忆矩阵的样本完整度；其中，C为所述样本完整度；
S202：判断所述样本完整度是否大于预设值；若否，则进入S203；若是，则将S102得到的指示模型作为修正后的指示模型。
S203：增加所述学习样本的数量，并重新学习形成新的记忆矩阵，修正所述指示模型。
下面请参见图3，图3为本申请实施例所提供的又一种基于火电设备的状态预警方法的流程图；在本实施例中对利用修正后的所述指示模型进行状态预警操作进行了进一步的限定，其他步骤与上一实施例基本一致，可以相互参见，此处不再赘述。
S301：利用所述指示模型对所有所述学习样本进行健康度计算，并根据所有所述学习样本的健康度分布情况，确定健康度的报警阈值；
其中，本步骤的目的是获得关于健康度的报警阈值，在本步骤中根据学习样本的健康度分布情况计算报警阈值，能够使得报警阈值更加符合应用情景，即相对于固定的报警阈值而言，本步骤中获得的报警阈值更加灵活且准确。
作为一种优选的实施方式可以先利用所述指示模型对所有所述学习样本进行健康度计算，得到所有所述学习样本的健康度的平均值和标准差σH；再根据所述平均值和所述标准差σH确定所述预警阈值H0；其中
S302：利用所述指示模型计算实时样本的健康度；
S303：判断所述实时样本的健康度是否符合所述报警阈值；若是，则结束流程；若否，则进入S304；
S304：执行预警操作。
其中，预警操作有很多种，如向人机交互界面发送预警信息、播报提示音等。作为一种优选的实施方式，在进行预警操作后，可以利用所述指示模型计算实时样本的残差值，并对所述残差值进行离散化操作得到故障编码集合；将所述故障编码集合与标准编码集合库进行比对，根据比对结果确定故障类型。
下面请参见图4，图4为本申请实施例所提供的再一种基于火电设备的状态预警方法的流程图；在本实施例中对历史数据进行抽样得到学习样本进行了进一步的限定，其他步骤与上一实施例基本一致，可以相互参见，此处不再赘述。
S401：对所述历史数据进行数据清洗和归一化预处理得到健康数据；
S402：将所述健康数据以为预设精度进行样本抽取得到m个所述学习样本。
下面通过在实际应用中的实施例说明上述实施例描述的流程。
步骤1：选择测点和学习样本。
选择该设备n个与健康状态密切相关的被测点，则t时刻状态向量即为：
在设备健康运行的时段中，选择的m*个时刻的样本组成的历史数据记录作为样本[Y*]，即
步骤2：预处理和归一化操作。
预处理指的是将步骤1中得到的样本进行异常数据的剔除工作，异常数据主要包含设备停机数据，传感器异常数据如超量程数据以及空数据等。
对每一个测点yi，对所选择的历史样本空间可统计得到最小值和最大值，yimin和yimax，采用式(a)计算t时刻yi的归一化值，将历史数据记录归一化到[0，1]区间，最终得到健康数据。
经过归一化后的样本空间变为：
步骤3：样本学习以及构造记忆矩阵。
健康数据m*数量巨大，且存在大量模式重复的样本，从而造成计算量指数级增长，不能保证预警的实时性。对每个变量按照[0，1]区间，分为h等份(按照计算规模和精度要求，可取100至1000中任何值)，即以(1/h)为步距，以(1/2h)为误差，从[S*]进行抽取，选中的列进入到记忆矩阵[S]中。构造记忆矩阵的流程如图5所示，样本学习完毕后，记忆矩阵[S]为：
步骤4：增量学习、减量学习和重新学习方法。
首先定义记忆矩阵空间完备性系数C，完备性系数表示模型的学习的充分程度，
如果C接近100％，表示学习过程中选择的样本完整的分布于整个空间，学习充分，模型的预警效果好。如果C接近0则表示学习样本单一，学习不充分，则要求进行重新学习。如果在选择样本时错误地选择了异常数据(或者后来被证实为设备故障时段的数据)，则可以采用减量学习，减量学习的实现是指在所有的学习样本中删除掉异常数据并进行重新学习。如果在增量学习过程中，某个新测点数据超过原来测点范围[yimin,yimax]，则需要重新执行归一化操作后，对所有样本进行重新学习。
在本实施例中，若C<60％则说明模型学习较不充分，预警效果差，建议用户新增一部分新工况数据进行增量学习；若C≥60％则说明模型学习较充分，可以使用。
步骤5：状态预警。
选择设备运行过程中的实时样本，称为观察样本，表示为向量YO：
YO＝[y1y2…yn]T。
对于t时刻，通过残差最小化的情况下，求得：
[W]m×1为m×1维的权值向量，采用最小化误差平方和的准则函数(MSE)，采用梯度搜索法可以得到：
此时，观察向量YO的预测值YE可以表示为记忆矩阵[S]和权值向量[W]m×1的乘积，即：
YE＝[S]n×m·[W]m×1；
定义残差ε为：
ε＝Yo-YE；
定义健康度H为：
该健康度反映了设备运转状况与历史正常状态偏离的程度。当H为100％时，即残差ε为0，也就是当前运行状态完全可以由历史样本线性组合得到，也就是当时状态被认为是100％健康。相反如果H很小或接近0表示，健康状况偏离较大，表示设备处于运行的异常状态或者有故障发生了。
预警阀值为H0，对所有学习样本计算健康度H标准差σH，即：
其中，为学习样本健康度的平均值。
考虑到学习样本均代表设备健康状态，为保证学习样本在99.7％以上概率落在正常范围内，预警阈值为H0确定为：
本发明中，当健康度低于H0表示产生了预警。提醒设备出现了异常的状况。当系统的完备性系数C小于60％时，则有可能是学习不充分导致，建议进行增量学习。
步骤6：故障诊断。
由于本模型采用是非机理的模型预警方式，即使产生了健康预警也不能直接给出设备产生了何种具体故障。在某些情况下，实际设备的故障被多次预警并已经被证实了其具体故障F，而此时残差值实际上记录了故障的详细的关键信息，即
εF＝[ε1ε2…εn]T；
根据学习样本，可以计算出εi的最小最大值分别为εimin和εimax。将[εimin,εimax]区间进行5等分，按照εi所落在的区间分别定义离散值-2，-1，0，1，2。即：
实际上，这里0表示残差接近0，即无显著残差。-2和-1表示负的残差值，-2表示显著大的负残差，-1表示一般的负残差。同理，2和1表示正的残差值，2表示显著大的正残差，1表示一般的正残差。
则在故障F模式下，离散模式的残差向量为：
εDF＝[εD1εD2…εDn]T；
运行过程中将不同故障编码为集合
εF＝{εFD1,εFD2,…,εFDn} 式(c)；
对应的所有故障集合为
F＝{F1,F2,…,Fn}；
当实时样本出现预警时，根据残差情况，按照式(b)进行离散化并对该残差进行编码。然后与式(c)中个标准编码模式进行对比，如果能够匹配εFDi(即与εFDi相等)，说明故障Fi产生了。
请参见图6，图6为本申请实施例所提供的一种基于火电设备的状态预警系统的结构示意图；
该系统可以包括：
样本抽取模块100，用于获取n个被测点的历史数据，并将所述历史数据以为预设精度进行样本抽取得到m个学习样本；
模型建立模块200，用于利用记忆矩阵对所述学习样本进行学习得到指示模型；
模型修正模块300，用于根据所述被测点、所述学习样本和所述预设精度的数量关系计算所述记忆矩阵的样本完整度，并根据所述样本完整度改变所述学习样本的数量修正所述指示模型；
预警模块400，用于利用修正后的所述指示模型进行状态预警操作。
在本申请提供的另一种基于火电设备的状态预警系统的实施例中，所述模型修正模块300包括：
完整度计算单元，用于根据公式计算所述记忆矩阵的样本完整度；其中，C为所述样本完整度；
判断单元，用于判断所述样本完整度是否大于预设值；
修正单元，用于当所述样本完整度小于或等于预设值时，则增加所述学习样本的数量，并重新学习形成新的记忆矩阵，修正所述指示模型。
由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种火电设备诊断装置，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述火电设备诊断装置还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。