基于多维可配置权重参数估计的设备在线监测方法与流程

1.本发明涉及设备监测参数领域，尤其涉及基于多维可配置权重参数估计的设备在线监测方法。


背景技术：

2.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。这些设备出现故障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，以及早发现故障维修解决。现有技术中，主要是对关键设备加装各种传感器来实时监测设备关键参数的变化趋势。对于这些传感器输出的关键参数，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，当任何关键参数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。
3.例如，一种在中国专利文献上公开的“基于多维参数估计的设备在线监测方法及装置”，其公告号：cn112629585a，公开了选定设备的一系列监测参数，根据这些参数的历史正常运行数据建立模型，使用该模型与参数实测值来估计设备在正常运行情况下的参数数值，再将这些估计的设备正常运行参数值与实测值进行比较分析来判断设备是否出现了故障的早期征兆。该方法对于所有参数采用相同的权重，没有充分利用专业领域知识，在设备下参数干扰过多的情形下可能会存在一定的估计偏差。


技术实现要素：

4.为此，本发明提供基于多维可配置权重参数估计的设备在线监测方法，对于设备在线监测不能准确判断故障设备，提出了根据专业知识分配权重的手段，实现对多参数下的设备故障监测。
5.为了实现上述目的，本发明提供如下技术方案：
6.基于多维可配置权重参数估计的设备在线监测方法，包括如下步骤：
7.s1、选定设备的一系列传感器监测参数，使用参数的历史数据建立状态矩阵模型d；
8.s2、根据当前时刻设备的实时运行参数数据和状态矩阵模型估计出当前时刻设备正常运行情况下的多维参数值；
9.s3、利用估计值与实测值进行比较分析来判断设备是否出现了故障的早期征兆。选定设备的一系列传感器监测参数，根据这些参数的历史数据建立模型来估计设备在正常运行情况下的估计值，再用这些估计值与实测值进行比较分析来判断设备是否出现了故障
的早期征兆，包括离线的状态矩阵模型的建立和在线的实时估计和预警两部分，利用设备数据对应设备的工作特性针对不同的参数配置个性化的参数权重，将参数权重转化为矢量矩阵，确保估计值的计算能够充分考虑到设备数据对应设备的工作特性。
10.作为优选的，步骤s3中包括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判断设备是否出现了故障的早期征兆。在确定残差阈值时，根据参数的实际意义和测试集参数残差的统计特性进行确定
11.作为优选的，s1中包括：
12.s11、根据历史运行数据建立状态矩阵模型；每一列对应于与设备运行相关的n个时序参数，时序参数包括实际传感器测量值、虚拟传感器测量值，在一个特定时刻的采样值组成的n维状态矢量x，而状态矩阵的每一行对应于每一个时序参数在所有时刻的采样值的集合，时刻数为m，与设备运行相关的时序参数包括：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、通过公式计算得到的无法直接观察到的计算值。
13.s12、引入权重矢量；将设备数据对应设备的工作特性加入到参数计算中；利用设备数据对应设备的工作特性针对不同的参数配置专用的参数权重，并组成参数权重矢量，使用参数权重矢量点乘归一化后的实时矢量和状态矩阵中的每一列组成的矢量，确保估计值的计算能够充分考虑设备数据对应设备的工作特性；
14.s13、数据清洗；剔除状态矩阵d中非正常工况的时序数据；
15.s14、数据降采样；降采样采用等间隔的方式，或者考虑数据动态范围的降采样方式；
16.s15、状态矩阵优化。提高标准数据矩阵的精度和准确度。
17.作为优选的，s2包括：
18.s20、归一化处理；将实时矢量和状态矩阵模型进行归一化处理；采用min-max标准化处理；或者零均值标准化；
19.s21、权重矢量修正；
20.s22、相似度计算；计算权重修正后的实时矢量与权重修正后的状态矩阵每一列的相似度，以综合考虑两个矢量间数值上的离异程度；
21.s23、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；
22.s24、将相似度进行处理生成的相似度矢量；将相似度矢量归一化；
23.s25、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。
24.作为优选的，s3中包括：
25.s30、计算估计值的残差；将实测值和估计值求差得到估计值的残差，用以反映估计值与实测值之间的差别；
26.s31、对残差进行评估；得到平滑后的残差结果；
27.s32、计算残差曲线的标准方差；得到残差的波动特性曲线；
28.s33、确定合理的残差阈值；
29.s34、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。如果满足，则报警。
30.作为优选的，所述s12中，根据各个参数的参数权重组成参数权重矢量；确定参数权重包括：
31.s121、确定独立变量和非独立变量；
32.s122、将独立参数设置一个相对较大的参数权重；非独立参数设置一个相对较小的参数权重。状态矩阵d中的相关参数进行分析，确定各个参数的参数权重，组成参数权重矢量。在确定参数权重的过程中，通常首先确定独立变量和非独立变量，然后再进一步确定各个参数的参数权重。通常独立参数设置一个相对较大的参数权重；非独立参数设置一个相对较小的参数权重，甚至直接将参数权重设置为0。从而估计值只由独立参数决定，而不受非独立参数的影响。
33.作为优选的，所述s21中，权重矢量修正包括：
34.s211、根据权重矢量得到权重修正后的实时矢量；
35.s212、根据权重矢量得到权重修正后的状态矩阵。
36.作为优选的，所述s33包括，根据参数的实际意义和测试集参数残差的统计特性确定合理的残差阈值。参数的实际意义包括包括该参数的轻微变化是否能够反应设备某种失效模式的早期征兆，该参数测量的精度；测试集参数残差的统计特性包括在设备负荷和环境正常波动时该参数残差的分布范围。
37.作为优选的，报警策略包括：
38.s341、当实时估计残差的幅值达到该残差阈值时，进行报警；
39.s342、当前以及历史上的一定数量的估计残差都达到残差阈值时，进行报警；
40.s343、当残差的平滑处理后的数值达到残差阈值时，进行报警；
41.s344、当残差后处理后的波动特性数值达到残差阈值时，进行报警。能够根据残差与设定的残差阈值进行比较并报警。提高了报警的准确性，充分考虑了基于设备工作特性的设备数据。从而报警的触发能够更加贴合现场实际需要，避免没有意义的报警，增加可执行度高的报警。
42.本发明的实施方式具有如下优点：
43.(1)本发明采用数据和机理的混合建模方式，在利用历史正常运行数据学习设备的正常运行模式的同时，充分利用设备机理，分析独立变量和非独立变量，确定参数权重，并进而影响估计值的生成，使得估计值计算结果更加符合实际物理模型和设备数据特征；(2)本发明采用数据分析和机理知识相结合的方式确定残差阈值，对于不能反应设备故障的参数不设置残差阈值，对于能够很好地捕捉设备故障早期征兆的参数设置一个高于仪表精度的残差阈值，从而报警的触发能够更加贴合现场实际需要，避免没有意义的报警，增加可执行度高的报警。
附图说明
44.为了更清楚地说明本发明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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
45.图1是本发明实施例的方法步骤图。
46.图2是本发明的状态矩阵形成图。
47.图3是本发明的相似度计算示意图。
48.图4是本发明的相似度矢量生产示意图。
49.图5是本发明的估计值生产示意图。
50.图6是本发明的残差计算示意图。
51.图中：
52.1-离线状态矩阵模型；2-实时估计和预警；4-传感器；5-传感器；6-传感器；7-状态矩阵；8-当前实测值；9-权重；10-估计值；11-残差。
具体实施方式
53.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的认识可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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，都属于本发明保护的范围。
54.如图1-6所示，在一个较佳的实施例中，本发明公开了基于多维可配置权重参数估计的设备在线监测方法，通过选定设备的一系列传感器监测参数，根据这些参数的历史数据建立模型来估计设备在正常运行情况下的应有值(下文也称估计值)，再用这些估计值与实测值进行比较分析来判断设备是否出现了故障的早期征兆。包括离线的状态矩阵模型的建立和在线的实时估计和预警两部分。
55.在离线的状态矩阵模型建立功能中，综合使用设备的相关历史运行数据以及设备数据对应设备的工作特性来建立设备正常运行过程中多维参数的状态矩阵模型。在线的实时估计和预警功能是根据当前时刻设备的实时运行参数和状态矩阵模型估计出当前时刻设备多维参数应有值(以下也称估计值)；然后再将这些参数的实测值和估计值求差得到估计残差；最后再根据估计残差来判断是否报警。
56.包括如下步骤：
57.a)选定设备的一系列传感器监测参数，使用参数的历史数据建立状态矩阵模型d；
58.b)根据当前时刻设备的实时运行参数数据和状态矩阵模型估计出当前时刻设备正常运行情况下的多维参数值；
59.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。
60.步骤a)中选定设备的一系列传感器监测参数，根据参数的历史数据建立模型d，包括：
61.a0:获取设备运行历史数据，对设备原始变量和计算变量进行筛选；
62.a1：建立一个n
×
m大小状态矩阵d。每一列对应于与设备运行相关的n个时序参数(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n维状态矢量x。而状态矩阵的每一行对应于每一个时序参数在所有时刻(假设有m个时刻)的采样值的集合。与设备运行相关的时序参数包括但不限于：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、通过公式计算得到的无法直接观察到的计算值等。
63.a2：充分利用设备数据对应设备的工作特性，对状态矩阵d中的相关参数进行分
析，确定各个参数的参数权重，组成参数权重矢量w
p
。在确定参数权重的过程中，通常首先确定独立变量和非独立变量，然后再进一步确定各个参数的参数权重。通常独立参数设置一个相对较大的参数权重；非独立参数设置一个相对较小的参数权重，甚至直接将参数权重设置为0。一种可能的设置方式为，所有独立参数的参数权重均设置为1，所有非独立参数的参数权重均设置为0。这种情形下，估计值向量将直接取决于实时矢量中的独立参数和状态矩阵中的独立参数。
64.a3：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、因采集设备问题和数据传输问题等产生的异常数据。
65.a4：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。
66.a5：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。
67.步骤b)中根据当前时刻设备的实时运行参数和状态矩阵模型估计出当前时刻设备正常运行情况下的多维参数值，包括：
68.b1：归一化处理，即将实时矢量和状态矩阵模型进行归一化处理。这里归一化处理方法可用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。
69.b2：权重矢量修正，即将归一化后的实时矢量点乘步骤a2中根据设备数据对应设备的工作特性得到的参数权重矢量w
p
，得到权重修正后的实时矢量x
in
；将归一化后的状态矩阵中的每一列组成的矢量点乘步骤a2中根据设备数据对应设备的工作特性得到的参数权重矢量w
p
，权重修正后的状态矩阵dp。
70.即x
in
＝w
p
·
x
71.b3：相似度的计算，即计算权重修正后的实时矢量x
in
与权重修正后的状态矩阵dp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离异程度。
72.该相似度的一个具体的计算实例如下：
[0073][0074]
其中，xi对应于实时运行矢量中第i维的数值，d
ti
对应于权重修正后的状态矩阵dp第t个时间序列中第i维变量的数值。从该相似度计算的公式可以看出，当两个矢量某一维度数值的距离越大，相似度越低。
[0075]
b4：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。
[0076]
b5：将相似度进行处理生成的相似度矢量。相似度矢量的特点是，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：
[0077]
[0078]
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。
[0079]
b6: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。
[0080]
步骤c)中将参数实测值与估计值进行残差计算，根据得到的残差以及残差处理后的结果，来实现对设备故障早期征兆的预警。包括：
[0081]
c1：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；
[0082]
c2：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；
[0083]
c3：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；
[0084]
c4：根据参数的实际意义(包括该参数的轻微变化是否能够反应设备某种失效模式的早期征兆，该参数测量的精度等特性)和测试集参数残差的统计特性(在设备负荷和环境正常波动时该参数残差的分布范围)确定合理的残差阈值(包括正残差阈值和负残差阈值)；
[0085]
c5：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。如果满足，则报警。这里的报警策略包括但不限于：
[0086]
当实时估计残差的幅值达到该残差阈值时，进行报警；
[0087]
当前以及历史上的一定数量的估计残差都达到残差阈值时，进行报警；
[0088]
当残差的平滑处理后的数值达到残差阈值时，进行报警；
[0089]
当残差后处理后的波动特性数值达到残差阈值时，进行报警。
[0090]
在另一个实施例中，本发明采用数据和机理的混合建模方式，在利用历史正常运行数据学习设备的正常运行模式的同时，充分利用设备数据对应设备的工作特性，分析独立变量和非独立变量，确定参数权重，并进而影响估计值的生成，使得估计值计算结果更加符合设备数据对应设备的工作特性、实际物理模型和设备数据特征。例如，对于一台滚动轴承油脂润滑风冷电机来说，我们有电流、环境温度、轴承温度(多个测点)和线圈温度(多个测点)，经过设备专家的理解和数据的分析，确定电流和环境温度是独立变量，轴承温度和线圈温度是非独立变量，轴承温度和线圈温度的变化主要受电流和环境温度的支配。根据该结论，我们把电流和环境温度的参数权重设置为1，把轴承温度和线圈温度的参数权重设置为0，这样，如果电流和环境温度可靠性高的话，我们得到了一个更加精确的模型。
[0091]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。