输入单输出的形式，这里用A -次风机的10个测点均作为输入，10个测点依次作为输出的 方式来实现多输出的功能。模型的训练过程是按式（3)、式（4)实现拉格朗日因子#、支持 向量机1、松弛变量._?、误差惩罚因子C等重要参数信息存储到SVM回归模型中。 二、为A -次风机设备数据建立影响关系曲线参数数据库M 为了节省模型运行时间，本发明将本过程在模型构建过程中完成。影响关系曲线体现 的是异常测点的突变程度与正常测点的评估值偏离度的关系。由于研究的A-次风机设备 拥有10个关键测点，故而按式（5)应有种影响关系曲线需要计算参数。
[0069] 以测点1为受影响的正常测点，测点2为异常测点的情形为例，介绍如何计算影响 关系曲线的相关参数。
[0070] 首先确定测点1的训练数据R的最值为50与150后，通过式（6)加权平均获得评 估极限值f为110. 7 ; 然后测点1以最小值50为初始值，测点2突变程度可从任意正常数值开始，以初始值 〇. 01倍的步长逐步突变，并记录下对应的畸变评估值，建立如表1形式的表格。
[0071] 依次调用三种不同的S型函数bguifc函数、函数以及忍^_:函数对上 述表格蕴含的关系进行拟合，并用拟合指标R 2来考察曲线的拟合度，选择R2最佳的一组参 数值保存到参数数据库M中。
[0072] 数值为50的测点1获取最佳函数参数后，以步长为10的增大度间隔取值，每获取 一参数均需进行保存，以保证参数数据库M的完整性。
[0073] 所有的10 C 种影响关系曲线的参数均按照上述方式计算，并保存到参数数 据库M中。
[0074] 三、设备预警模型运行以及异常测点识别过程 在运行预警模型之前，为保证实施异常测点辨析的顺利进行，我们需要提前完成以下 几个工作： 首先，从A-次风机的10个测点的历史健康数据中提取健康数据上下限D，即每个测点 历史健康数据的最值。
[0075] 然后，我们还需要求取A -次风机的所有测点健康残差上下限T，历史健康数据依 次全部放入到预警模型中进行回归评估，实时值与评估值作差获得残差数据，每个测点残 差数据的最值即作为该测点的健康残差上下限T。
[0076] 令测试数据可作为设备的实时数据，每条实时数据的所有测点数据作为输入，并 行进入η个SVM回归模型中即可获取η个对应的评估值。
[0077] 我们以A -次风机的实时数据V1为例，来说明异常测点的识别过程。
[0078] 实时数据1在SVM回归模型中评估得到评估数据I后，先后使用四个指标进行异 常测点的辨析，第一个指标为健康残差上下限T，处于残差范围之外的测点数据将被判作疑 似异常测点数据，继续下个指标的判定。第二个指标为健康数据上下限D，处于数据范围之 外的测点将被判作异常测点，其他的判作疑似异常测点数据，继续下个指标的判定。第三个 指标为波动性检测，按照式（13)求取CV特征后，比较(^ $与CVff的大小，若CV$ >CVff，则 判作异常测点数据，否则判作疑似异常测点数据继续下个指标的判定。第四个指标为极限 值逼近度指标:$，按照步骤3. 4的判定规则，满足条件的为异常测点数据。经过以上的层层 筛选，实时数据V1的所有测点被分作两类：异常测点(测点3、5、7)与正常测点(测点1，2,4， 6,8,9,10)〇
[0079] 四、校准A -次风机受干扰正常测点的评估值过程 本过程是在过程三的基础上进行的，依旧以时刻^的A -次风机设备测试数据V 例，过程三将Vt的测点分成异常测点与正常测点，这里我们校准的是正常测点的评估值数 据::職。
[0080] 在过程三辨析出来的异常测点决定了正常测点的影响类型，以校准测点1的评估 值为例 从一次风机参数数据库M中调用正常测点为1且异常测点为3、5、7的影响关系曲线参 数。
[0081] 按照步骤4. 2的计算规则可得测点3、5、7的各自的突变程度L为[254] 以及测点1实时值8. 53的范围为[S.9]之间。按照步骤4. 3的计算规则，依据影响关系曲线 可算得与初始值汉9；]的对应的评估值偏离度为PiMsi。最后调用插值法算法在实时值为 8. 53的情形下的评估值偏离度为2. 67,而实际的评估值为11. 1，校准后的评估值为8. 43。
[0082] 时刻^的A -次风机设备测试数据V i所有正常测点数据均按照上述方式进行校 准后得到的新评估值，其他时刻实时数据的评估值按照相同方式获取对应的校准评估 值。如附图5所示，图6展示的是异常测点3校准前后对比情况，而图7展示的是受影响的 正常测点1校准前后对比情况，可以看出在时刻1300~1900之间，发生异常的为测点3,校 准之前受影响的正常测点1的评估值发生偏离，而校准后测点1的评估值实现完好的校准， 数值大小更能体现设备该测点的运行状况水平。
【主权项】
1. 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。2. 根据权利要求1所述的一种设备智能预警系统的评估值校准方法，其特征是：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。3. 根据权利要求1所述的一种设备智能预警系统的评估值校准方法，其特征是：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。4. 根据权利要求1所述的一种设备智能预警系统的评估值校准方法，其特征是：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。5. 根据权利要求1所述的一种设备智能预警系统的评估值校准方法，其特征是：在步 骤（1. 3)中，确定压缩数据所包含的状态个数d，然后将各个观察测点下的极值状态提取出 来，共包括山个；若极值状态数d然小于要求的d，便将m个时刻的训练数据求欧几里得 范数，获得一个m维的向量，再将m维的向量重新升序排列，按照一定的步长L从m维向量 中等距抽取一定数据的状态d2;合并dpd2便可获得压缩数据R。6. 根据权利要求5所述的一种设备智能预警系统的评估值校准方法，其特征是：步长L 的确定是由m与d相除取整获得的，压缩数据R包含训练数据中所有的健康运行状态。7. 根据权利要求1所述的一种设备智能预警系统的评估值校准方法，其特征是：在步 骤（4. 3)中，首先，根据正常测点的实时数值，确定其左右临近间隔点；然后，根据影响关系 曲线类型以及异常测点组，确定对应的两个影响关系曲线；最后，根据异常测点组的测点突 变程度，带入两个影响关系曲线中可得受影响的正常测点的评估值偏离度范围。
【专利摘要】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。该设备智能预警系统的评估值校准方法，依次通过建立设备智能预警模型、影响关系曲线拟合、异常测点识别和校准受扰的评估值四部分可以实时地消除异常测点对其他正常测点评估值的偏离，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；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；能实时地进行异常测点辨析，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；能为正常测点稳定输出无干扰的评估值；本发明的预警模型可靠性更高，且生命周期长。
【IPC分类】G06F17/30
【公开号】CN105302848
【申请号】CN201510105156
【发明人】邢宏伟, 安佰京, 徐扬, 张华伟, 赵俊
【申请人】山东鲁能软件技术有限公司
【公开日】2016年2月3日
【申请日】2015年3月10日