基于多维参数估计的设备在线监测方法及装置与流程
本发明涉及设备监测与预警技术领域，尤其涉及一种基于多维参数估计的设备在线监测方法及装置。
背景技术：
在各种工业现场，有大量的关键设备，其正常可靠的运行对整个工厂的运营和产生经济效益至关重要。如果这些设备出现故障，将会给整个工业运营带来巨大的经济损失。比如，发电厂里有许多关键设备，如燃气/蒸汽发电机、变压器、各类关键的泵、风机等旋转设备。任何这些设备出现故障都有可能会导致电厂发电机组停止运行，不能继续发电，造成巨大的经济损失。对于加工制造行业，也存在着同样的问题。为了应对这个问题，工业现场都会设立一套设备在线监测机制，以及早发现故障，及时维修解决。
目前行业内采用的设备在线监测技术主要是对关键设备加装各种传感器来实时监测设备关键量的变化趋势，包括：温度、压力、流量、转速和振动等信号。对于这些关键信号，工业现场会依据设备的加工制造信息以及历史的运行情况设定一系列阈值，当任何这些监测的关键信号的值超过预设的阈值时，现场就会发出报警信息，提醒现场工程师进行检查确认。该在线监测技术仅是对关键设备参数单维度、固定阈值的监测。不能有效识别设备运转过程中状态变化。监测的专业度、精度和适应性均存在不足。
技术实现要素：
针对现有技术中存在的问题，本发明实施例提供一种基于多维参数估计的设备在线监测方法及装置。
本发明实施例提供一种基于多维参数估计的设备在线监测方法，包括：
选定与设备性能相关的传感器检测信号，并获取所述传感器检测信号的历史数据，根据所述历史数据建立初始状态矩阵；
对所述初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；
获取设备的实时运行参数，根据所述实时运行参数和所述最终状态矩阵进行相似度计算，得到所述设备的估计参数值；
将所述实时运行参数和所述估计参数值进行残差计算，并通过所述残差计算的结果对所述设备进行监控预警。
在其中一个实施例中，所述方法还包括：
对所述初始状态矩阵进行变量筛选，获取筛选后的时序变量；
对所述时序变量进行数据清洗和数据降采样；
对进行所述数据清洗和数据降采样后的初始状态矩阵进行优化，得到所述最终状态矩阵。
在其中一个实施例中，所述时序变量为设备信息，包括：
振动幅度、温度、流量、电流、设备进出口压力。
在其中一个实施例中，所述方法还包括：
对所述实时运行参数和所述最终状态矩阵的参数进行归一化处理，得到处理后的归一化数据；
对所述归一化数据进行相似度计算，并将计算结果根据大小顺序进行排列；
将所述归一化数据转化为权重矢量，并通过所述权重矢量和所述最终状态矩阵计算得到所述设备的估计参数值。
在其中一个实施例中，所述方法还包括：
获取预设的设备报警策略，将所述残差计算的结果与所述设备报警策略中的报警标准进行对比；
当所述残差计算的结果满足所述设备报警策略中的报警标准，则对所述设备进行报警。
在其中一个实施例中，所述报警标准，包括：
残差幅值标准、历史数据和实时数据的估计残差标准、残差进行平滑处理后的数值标准以及残差进行平滑处理后的波动特性数值标准。
本发明实施例提供一种基于多维参数估计的设备在线监测装置，包括：
选定模块，用于选定与设备性能相关的传感器检测信号，并获取所述传感器检测信号的历史数据，根据所述历史数据建立初始状态矩阵；
数据处理模块，用于对所述初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；
获取模块，用于获取设备的实时运行参数，根据所述实时运行参数和所述最终状态矩阵进行相似度计算，得到所述设备的估计参数值；
计算模块，用于将所述实时运行参数和所述估计参数值进行残差计算，并通过所述残差计算的结果对所述设备进行监控预警。
在其中一个实施例中，所述装置还包括：
筛选模块，用于对所述初始状态矩阵进行变量筛选，获取筛选后的时序变量；
第二数据处理模块，用于对所述时序变量进行数据清洗和数据降采样；
优化模块，用于对进行所述数据清洗和数据降采样后的初始状态矩阵进行优化，得到所述最终状态矩阵。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于多维参数估计的设备在线监测方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于多维参数估计的设备在线监测方法的步骤。
本发明实施例提供的基于多维参数估计的设备在线监测方法及装置，选定与设备性能相关的传感器检测信号，并获取传感器检测信号的历史数据，根据历史数据建立初始状态矩阵；对初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；获取设备的实时运行参数，根据实时运行参数和最终状态矩阵进行相似度计算，得到设备的估计参数值；将实时运行参数和估计参数值进行残差计算，并通过残差计算的结果对设备进行监控预警。这样通过多维参数估计的技术，使得报警机制先天的利用了设备多维传感器的信息，综合判断来进行报警，优于传统的基于单参数的报警机制，使得报警的结果准确度更高，虚警或漏警概率较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例中基于多维参数估计的设备在线监测方法的流程图；
图2为本发明实施例中基于多维参数估计的设备在线监测方法的原理图；
图3为本发明另一实施例中基于多维参数估计的设备在线监测方法的流程图；
图4为本发明实施例中基于多维参数估计的设备在线监测装置的结构图；
图5为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于多维参数估计的设备在线监测方法的流程示意图，如图1所示，本发明实施例提供了一种基于多维参数估计的设备在线监测方法，包括：
步骤s101，选定与设备性能相关的传感器检测信号，并获取所述传感器检测信号的历史数据，根据所述历史数据建立初始状态矩阵。
具体地，与设备性能相关的传感器检测信号可以包括振动幅度、温度、流量、电流、设备进出口压力等时序变量（时序变量为状态矢量），根据时序变量获取历史数据中对应的数据，建立初始状态矩阵，状态矩阵每一列对应于与设备运行相关的所有时序变量（包括实际传感器测量值、虚拟传感器测量值等等）在一个特定时刻的采样值组成的状态矢量。状态矩阵的每一行对应于每一个时序变量在所有时刻的采样值的集合，另外，与设备相关的时序变量包括但不限于：通过现场设备自身的传感器采集的时序数据、设备的离线测试数据、根据设备机理，通过模型公式等计算得到的无法直接观察到的状态变量等。
步骤s102，对所述初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵。
具体地，对初始状态矩阵中的数据，通过预设的数据处理步骤对数据进行处理，比如可以包括数据筛选、数据清洗、数据降采样等过程，得到处理后的已经提升过精度和准确度后的状态矩阵数据。
步骤s103，获取设备的实时运行参数，根据所述实时运行参数和所述最终状态矩阵进行相似度计算，得到所述设备的估计参数值。
具体地，通过对应的测量装置获取设备的实时运行参数，并通过实时运行参数和最终状态矩阵中的时序变量进行相似度的计算，具体地相似度计算综合考虑实时运行参数和最终状态矩阵中的时序变量之间的矢量距离，同时，也会考虑该矢量每一维度对应的时序变量，如传感器数据的重要程度。对于重要度比较高的时序变量，其数值上的相近程度在整体相似度的计算中所占的比重较大，最后根据矢量距离和权重大小得到设备的时序变量的估计参数值。
步骤s104，将所述实时运行参数和所述估计参数值进行残差计算，并通过所述残差计算的结果对所述设备进行监控预警。
具体地，根据实时运行参数和估计参数值进行残差计算，比如直接将实时运行参数和估计参数值求差，残差用以反映估计值与实测值之间的差别，在计算得到残差后，通过残差结果对设备进行监控预警，具体的预警可以通过残差结果与设备的预设标准进行对比，当对比结果不满足预设标准时，进行预警。
本发明实施例提供的一种基于多维参数估计的设备在线监测方法，选定与设备性能相关的传感器检测信号，并获取传感器检测信号的历史数据，根据历史数据建立初始状态矩阵；对初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；获取设备的实时运行参数，根据实时运行参数和最终状态矩阵进行相似度计算，得到设备的估计参数值；将实时运行参数和估计参数值进行残差计算，并通过残差计算的结果对设备进行监控预警。这样通过多维参数估计的技术，使得报警机制先天的利用了设备多维传感器的信息，综合判断来进行报警，优于传统的基于单参数的报警机制，使得报警的结果准确度更高，虚警或漏警概率较低。
在上述实施例的基础上，所述基于多维参数估计的设备在线监测方法，还包括：
对所述初始状态矩阵进行变量筛选，获取筛选后的时序变量；
对所述时序变量进行数据清洗和数据降采样；
对进行所述数据清洗和数据降采样后的初始状态矩阵进行优化，得到所述最终状态矩阵。
具体地，对初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵的步骤可以包括：
a1：对状态矩阵d中的相关变量进行筛选，仅保留与需要监测的特定故障模式相关的变量在模型中。该筛选过程可以通过对设备机理知识的了解以及运行数据来人为决定；也可以通过数据分析的手段，如计算变量之间的相关系数的方法来选出最相关的变量。
a2：数据清洗，剔除状态矩阵d中非正常工况的时序数据。具体的，非正常的工况数据包括：设备停机数据、设备故障的异常数据、因为采集设备问题和数据传输问题等受到干扰的数据等等。
a3：数据降采样。数据清洗后的数据量可能会非常大，会导致模型在使用中计算量过大，影响应用的实时性，所以需要对数据进行降采样，以降低状态矩阵的数据量。这里的降采样可以采用等间隔的方式，或者其他考虑数据动态范围的更先进的降采样方式。
a4：状态矩阵d优化：可以根据同行运行经验、国内外经验反馈对状态矩阵d进行优化，提高标准数据矩阵的精度和准确度。
本发明实施例，通过上述数据处理手段得到最终状态矩阵，方便根据最终状态矩阵进行后续处理。
在上述实施例的基础上，所述基于多维参数估计的设备在线监测方法，还包括：
对所述实时运行参数和所述最终状态矩阵的参数进行归一化处理，得到处理后的归一化数据；
对所述归一化数据进行相似度计算，并将计算结果根据大小顺序进行排列；
将所述归一化数据转化为权重矢量，并通过所述权重矢量和所述最终状态矩阵计算得到所述设备的估计参数值。
在本发明实施例中，通过实时运行参数和最终状态矩阵进行相似度计算，得到设备的估计参数值，具体步骤可以包括：
b1:归一化处理，即将设备实时运行参数和估计模型参数进行归一化处理。这里归一化处理方法可以采用min-max标准化处理，也可使用零均值标准化或其他归一化处理方式。
b2:相似度的计算，即计算当前输入的实时运行数据矢量与估计模型中状态矩阵d每一列的相似度。在相似度的计算中，综合考虑了两个矢量间数值上的相近程度，即两个矢量间的距离，同时，也会考虑该矢量每一维度对应的时序变量，如传感器数据的重要程度。对于重要度比较高的时序变量，其数值上的相近程度在整体相似度的计算中所占的比重较大。
该相似度的一个具体的计算实例如下：
其中，vi对应于第
b2：将相似度从大到小排序，并将排在较后面的若干相似度数值设为零，以降低估计算法执行的计算量，提高算法应用的实时性。
b3:将相似度转换成权重矢量。权重矢量的特点是，该矢量中的每一个元素是0到1之间的一个数值，且该矢量中所有元素之和为1。其中的一种转换方式是将相似度矢量归一化，即：
其中，si为当前实时运行参数矢量与第i个时刻的状态矢量的相似度。
b4:生成正常运行工况下的多维参数的估计值。根据状态矩阵和上述步骤中计算得到的权重值，计算得到最终的正常运行工况下多维参数的估计值。其实现方式之一是将状态矩阵与权重矢量直接相乘得到。
本发明实施例，通过上述数据处理方法计算实时运行参数和最终状态矩阵的相似度，得到设备理想数据与实际数据的差距。
在上述实施例的基础上，所述基于多维参数估计的设备在线监测方法，还包括：
获取术语和的设备报警策略，将所述残差计算的结果与所述设备报警策略中的报警标准进行对比；
当所述残差计算的结果满足所述设备报警策略中的报警标准，则对所述设备进行报警。
在本发明实施例中，计算估计值的残差，残差计算的方法之一是直接将实测值和估计值求差得到，残差用以反映估计值与实测值之间的差别，然后获取预设特定的设备报警策略，判断实时计算得到的残差或残差后处理的结果是否满足策略中的标准，其中，残差的处理可以包括，通过滑动平均窗或其他方式对残差进行评估，得到平滑后的残差结果，或者通过滑动窗计算残差曲线的标准方差，得到残差的波动特性曲线，对于报警策略的标准来说，还包括：残差幅值标准、历史数据和实时数据的估计残差标准、残差进行平滑处理后的数值标准以及残差进行平滑处理后的波动特性数值标准，具体的判断过程可以包括但不限于：
设定一个门限值，当实时估计残差的幅值达到该门限值时，进行报警。
设定一个门限值，当前以及历史上的一定数量的估计残差都达到该门限时，进行报警
设定一个门限值，当残差的平滑处理后的数值达到此门限时，进行报警
设定一个门限值，当残差后处理后的波动特性数值达到此门限时，进行报警。
本发明实施例，通过上述报警策略的标准，利用了设备多维传感器的信息，来对设备进行综合预警。
在另一个实施例中，上述基于多维参数估计的设备在线监测方法的步骤还可以如图2所示，图2位基于多维参数估计的设备在线监测方法的原理图。
图2的步骤可以包括：
a)选定设备性能相关的一系列传感器监测信号，根据信号的历史数据建立模型d；
b)根据当前时刻设备的实时运行参数和估计模型估计出当前时刻设备正常运行情况下的多维参数值；
c)将参数估计值与实测值进行残差计算，根据得到的残差以及残差后处理后的结果，来实现对设备故障早期征兆的预警。
在另一实施例中，图3为基于多维参数估计的设备在线监测方法对应的详细流程图。
图3的步骤可以包括两大部分，即离线的估计模型的建立以及在线实时估计和预警，其中，离线的估计模型的建立包括：设备运行历史数据；建立状态矩阵d；对状态矩阵d中的相关变量进行筛选；数据清洗，剔除状态矩阵d中非正常工况的时序数据；数据降采样得到最终的状态矩阵d。通过得到的最终状态矩阵d，结合设备运行的历史数据，进行在线实时估计和预警，包括：归一化处理；相似度计算；权重矢量生成；估计值生成；计算残差，并根据报警残差进行设备预警。
图4为本发明实施例提供的一种基于多维参数估计的设备在线监测装置，包括：选定模块401、数据处理模块402、获取模块403和计算模块404，其中：
选定模块401，用于选定与设备性能相关的传感器检测信号，并获取所述传感器检测信号的历史数据，根据所述历史数据建立初始状态矩阵。
数据处理模块402，用于对所述初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵。
获取模块403，用于获取设备的实时运行参数，根据所述实时运行参数和所述最终状态矩阵进行相似度计算，得到所述设备的估计参数值。
计算模块404，用于将所述实时运行参数和所述估计参数值进行残差计算，并通过所述残差计算的结果对所述设备进行监控预警。
在一个实施例中，装置还可以包括：
筛选模块，用于对所述初始状态矩阵进行变量筛选，获取筛选后的时序变量。
第二数据处理模块，用于对所述时序变量进行数据清洗和数据降采样。
优化模块，用于对进行所述数据清洗和数据降采样后的初始状态矩阵进行优化，得到所述最终状态矩阵。
在一个实施例中，装置还可以包括：
归一化模块，用于对所述实时运行参数和所述最终状态矩阵的参数进行归一化处理，得到处理后的归一化数据；
第二计算模块，用于对所述归一化数据进行相似度计算，并将计算结果根据大小顺序进行排列；
第三计算模块，用于将所述归一化数据转化为权重矢量，并通过所述权重矢量和所述最终状态矩阵计算得到所述设备的估计参数值。
在一个实施例中，装置还可以包括：
第二获取模块，用于获取预设的设备报警策略，将所述残差计算的结果与所述设备报警策略中的报警标准进行对比；
报警模块，用于当所述残差计算的结果满足所述设备报警策略中的报警标准，则对所述设备进行报警。
关于基于多维参数估计的设备在线监测装置的具体限定可以参见上文中对于基于多维参数估计的设备在线监测方法的限定，在此不再赘述。上述基于多维参数估计的设备在线监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(communicationsinterface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：选定与设备性能相关的传感器检测信号，并获取传感器检测信号的历史数据，根据历史数据建立初始状态矩阵；对初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；获取设备的实时运行参数，根据实时运行参数和最终状态矩阵进行相似度计算，得到设备的估计参数值；将实时运行参数和估计参数值进行残差计算，并通过残差计算的结果对设备进行监控预警。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：选定与设备性能相关的传感器检测信号，并获取传感器检测信号的历史数据，根据历史数据建立初始状态矩阵；对初始状态矩阵进行预设的数据处理，得到处理后的最终状态矩阵；获取设备的实时运行参数，根据实时运行参数和最终状态矩阵进行相似度计算，得到设备的估计参数值；将实时运行参数和估计参数值进行残差计算，并通过残差计算的结果对设备进行监控预警。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！