一种设备智能预警系统的评估值校准方法
【专利说明】一种设备智能预警系统的评估值校准方法
[0001] (一）技术领域 本发明属于设备状态预警技术领域，特别涉及一种基于SVM回归模型的设备智能预警 系统的评估值校准方法。
[0002] (二）【背景技术】 众所周知，重要设备的运行状态对于工厂生产影响巨大，比如电厂机组中的锅炉、发电 机等关键设备。设备在正常工况下运行过程中体现出来的功能特征、表象特征以及电气特 征与异常状态下的特征是有差异的。设备智能预警是指在设备部件萌发异常的征兆时，提 前对设备管理人员发出预警信号，防止异常质变成不可控的故障，保证生产人员的安全，提 高设备的使用寿命。
[0003] 目前，在设备状态预警方面主要有两大类方法：一是采用设备生产厂商根据制造 工艺设定各个部件不同预警级别的阈值方法，二是采用非线性多元回归建模的数学挖掘方 法拟合出设备各个部分之间的复杂冗余关系，通过分析实际值与评估值之间的差距来进行 预警。然后两种方法均有各自的特点与局限性。
[0004] 对于传统的固定阈值方法，如电厂中建立的DCS系统可实时监控关键设备的运行 状态，而这些固定阈值多是依据设备生产厂家的要求设定的多级报警阈值。这种传统方法 比较保险，却容易忽视了设备运行性能退化的特点，而且不同部件因材质、使用程度、磨损 程度会有不同的退化程度，因此这种传统预警方法会在设备使用后期往往产生较多的虚 警，大大降低预警效率。
[0005] 人们于是越来越注重建立非线性回归模型方法的使用，其基本原理在于运用已有 的数学建模方法充分挖掘系统设备的海量历史数据建立高效实用的模型进行设备实时状 态评价，而模型对设备实时状态的评估可信度是设备预警成功与否的根本。然而影响其对 设备预警的评价可信度的因素有以下两点：首先，最常见的问题在于不同回归算法中的关 键参数，比如说BP神经网络中的隐含层层数1、隐含层节点数n、各层之间的激活函数f类 型等参数；还有，支持向量机中的误差惩罚因子_:、核函数带宽扰等重要参数因素。这些参 数都需要在原方法嵌入参数寻优策略基础上进行优化以减少对设备实时值评估的偏差。
[0006] 除此之外近期发现这种建立非线性回归模型方法的又一不足之处，由于非线性建 模时会将设备每个部件之间建立起密切的函数映射关系，以至于当设备中的某个部件发生 病变时，其他部件的评估值会产生不同程度的偏离，难以真实展现当前设备该部件的运行 状态，同时带来一定的虚警，降低了这类智能预警方法的使用价值。对于这种问题，目前在 非线性建模预警算法中对于这种正常部件评估值受影响的问题或者是被忽略或者是从现 象上判断却没有成型的校准算法进行弥补这种缺陷问题，缺少对评估值受影响问题产生机 理的透彻研究。
[0007] 比如说，论文《SVM回归估计方法在卫星故障诊断中的应用》（电机与控制学报， 2008年第12卷第4期）中使用支持向量机回归方法实现对卫星姿势的状态监控与故障诊 断，在对支持向量机算法优化方面采用Lancastrian的半正定规划方法进行核优化已达到 减小泛化误差的目的。在实现多输出方面采用单独为每个输出参数构建回归模型的方法。 同时使用分割训练数据提取支持向量的方法进行训练数据压缩，目的是减少训练模型时 间。但是这篇文章对正常测点评估值受影响缺陷问题只是进行了现象性的阐述，并没有解 释现象产生机理与相应解决方法，只是表象上讲述如何分辨真正发生故障的卫星部件。
[0008] 目前提高非线性建模算法预警性能的主流方法是使用各类参数寻优策略在数值 上优化，获取最佳的回归评估效果以提高设备预警性能。例如在论文《基于ARMA误差修正 和自适应粒子群优化的SVM短期负荷预测》（电力系统保护和控制2011年14期)对支持向 量机回归模型的优化局限是蚁群算法、粒子群算法只能对核函数带宽次、误差惩罚因子^ 两参数进行全局寻优；还有国家专利《一种基于SVM的粮情预测预警方法及系统》（申请号 201410068731. X)均提到用经预处理的历史健康多参数样本数据建立支持向量机回归预测 模型，实现对粮情安全等级参数的实时评估，但是对支持向量机进行关键参数寻优也只能 一定限度地调整回归评估值，无法在根本上改变测点之间的冗余关系，一个或多个测点异 常依旧会影响到其他测点的评估值，以致降低设备预警系统的精确性和有效性。由于异常 测点通过扰乱正常测点的复杂非线性映射关系来影响其正常测点的评估，所以寻优策略无 法从本质上消除异常测点带来干扰影响的现象。
[0009] 针对以上现象，亟需有新的评估值校准技术修复被异常测点干扰的函数映射关 系，对设备智能预警算法的评估性能进行有效补偿，实现对设备正常状态数据的有效拟合 及异常状态数据的凸显，这样才可能最大幅度提高设备智能预警算法在在线实时评估方面 的精确性。
[0010] (三）
【发明内容】
本发明为了弥补现有技术的不足，提供了一种设备智能预警系统的评估值校准方法， 弥补了当前各种回归算法中在设备状态评估预警中精确性不高的现状，旨在使用插值补偿 法消除异常测点对正常测点评估值的偏离，使设备正常测点的评估值校准到符合其实际状 态的水平，从而实现了回归算法的性能优化；为支持向量机等回归算法在设备状态评估预 警精度方面给予了强大的保证，从历史设备数据挖掘出所有影响情形下异常测点与正常测 点的非线性影响关系，并使用插值方法实时在线地为当前实时数据修正有偏差的评估值； 可以应用在线评估设备状态方面，且能有效减少因测点相互影响产生的虚警，同时通用性 强，同样可以为其他回归算法进行性能优化。
[0011] 本发明是通过如下技术方案实现的： 一种设备智能预警系统的评估值校准方法，其特征是：由以下部分组成： 第一部分：建立设备智能预警模型，包括以下步骤： 1. 1、导入相应设备训练数据，训练数据为一定时间的单设备或复合设备的多测点正常 历史健康数据； 1. 2、数据预处理； 1.3、训练数据压缩，采用无参数压缩方式从训练数据选取包含所有设备正常运行状态 的定量数据； 1. 4、构建多输入多输出的预警模型，η个测点依次作为输出构建η个对应的SVM回归 丰旲型； 第二部分：影响关系曲线拟合，包括以下步骤： 2.1、确定影响类型和异常测点的数目； 2. 2、选取适合的影响关系曲线； 2. 3、计算曲线的拟合度； 2. 4、获取曲线参数，保存到参数数据库中备用； 第三部分：异常测点识别，包括以下步骤： 3. 1、实时数据在回归评估之后，使用健康残差上下限指标检测，将未受影响测点筛选 出来 3. 2、实时数据在回归评估之后，使用健康数据上下限指标检测，将超限的异常测点筛 选出来； 3. 3、实时数据在回归评估之后，使用波动特性指标检测，将异常程度较低的测点筛选 出来； 3. 4、实时数据在回归评估之后，使用极限值逼近度指标检测，将异常微弱的测点从中 选出来； 第四部分：校准受扰测点的评估值，包括以下步骤： 4. 1、每个正常测点根据影响类型调用相应的影响曲线； 4. 2、计算异常测点的突变程度； 4. 3、根据影响曲线计算每个正常测点评估值的偏离程度； 4. 4、使用插值法依次校准每个正常测点的评估值。
[0012] 优选的，在步骤（1.2)中，对训练数据中的Nan数据采取擦除或填充处理手段后， 进行归一化操作。
[0013] 优选的，在步骤（2. 2)中，选取的影响关系曲线均为不同坡度的S型曲线。
[0014] 优选的，在步骤（4. 2)中，计算异常测点跟本测点未发生异常之前的情况进行对 比。
[0015] 本发明的有益效果是： (1) 、可以实时地消除异常测点对其他正常测点评估值的偏离，经过回归补偿法校准的 评估值更能体现设备正常测点的实际运行水平，且不会改变异常测点的评估值，可以极大 地提高支持向量机算法在回归评估方面的精确性，同时具有良好的通用性，可以嫁接到其 他回归算法中进行性能优化； (2) 、使用多重回归的方式从历史健康数据中挖掘出设备的异常测点与正常测点之间 的非线性影响关系，由于非线性影响关系具有在建模过程中提前提炼出各个测点的受影响 水平趋势的优点，因此在线调整设备受影响测点的评估值的时候，不会产生过多的延时效 果，确保了模型对设备实时预警能力； (3) 、能实时地进行异常测点识别，虽然具有多重的辨析条件，但是判断条件多是轻巧 简洁且精确适用的逻辑判断，没有涉及复杂耗时的运算，判断的实时性得以保证，可以为设 备数据进行在线状态解析； (4) 、使用插值法进行受影响测点的评估值修正，且插值法有多种方式可根据效果灵活 进行选择，且本发明的核心支持向量机回归模型性能稳定，既可固定又可根据需要进行更 新，配合插值法能为正常测点稳定输出无干扰的评估值； (5) 、使用的历史数据的数据规模不受限制，用获取的设备历史数据中挖掘出各个测点 之间的冗余关系来构建预警模型，同时基于数据驱动来运行预警模型，完全基于数据的特 性使本发明不受专家经验知识以及物理结构的限制，因此本发明的预警模型可靠性更高， 且生命周期长。
[0016] (四）【附图说明】 下面结合附图对本发明作进一步的说明。
[0017