基于模型特征值的设备状态在线检测算法的制作方法

本发明属于电厂监控管理技术领域，特别涉及一种基于模型特征值的设备状态在线检测算法。

背景技术

大型机电设备价值高，结构复杂，维护成本高，一旦发生故障，损失惨重，为此，工业领域的大型关键设备大多安装了在线监测设备，通过监测数据的超标越限，实时报警，提示运行维护人员关注和分析。

设备的状态数据(温度、振动等)随着运行工况的变化而变化，波动范围较大，报警阈值的设定必须留有较大裕度，虽然避免了误报，但在故障萌发阶段，状态参数变化较小，不足以越限触发报警，因此，利用传统的、单点的越限报警技术已经无法满足设备实时的、故障提前预知的要求。

随着大数据技术的应用，出现了多点设备模型预警算法，根据设备运行的历史数据，建立设备的关联模型，对比实时状态数据和设备关联模型的预测值的差异，设定相应的阈值，进行报警。该种机制的报警会大大早于传统越限报警机制，从而为分析问题、解决问题赢得更多的时间。该类算法的主要过程如下：

1、通过初步机理分析，确定与状态监测量有关的若干个工况监测量；这些监测量统称为“关联量”；

2、利用这些关联量的历史数据，采用统计学习算法(如神经网络等)训练出关联模型，即状态监测量与工况监测量之间的对应关系。

3、将当前工况监测量作为输入参数，通过关联模型计算得到当前状态监测量的预测值；

4、计算当前状态监测量与状态监测量的预测值的偏差；

5、当偏差越限时，发出报警。

设备模型预警算法中的模型训练与在线报警是分开进行的，在设备检修或传感器更换后，需要重新训练模型，无法做到免维护运行；此外，在实时计算偏差的过程中，因为信号干扰或模型欠拟合等情况，会出现误报警，需要对偏差信号进行平滑滤波等处理，阈值设定也较困难。

技术实现要素：

为了解决上述技术问题，本发明提供了一种基于模型特征值的设备状态在线检测算法。

本发明具体技术方案如下：

本发明提供了一种基于模型特征值的设备状态在线检测算法，包括如下步骤：

s1：根据电厂设备的运行机理，选择与所述设备健康状况相关的状态监测量，并确定与所述状态监测量相关的运行工况量；

s2：选取若干所述运行工况量的数据作为特征样本集；

s3：通过机器学习方法获得当前预测模型；

s4：通过所述预测模型计算模型特征值，并设定模型特征值变化量的报警阈值；

s5：当所述设备内部机构发生变化时，计算所述模型特征值变化量；

s6：根据所述特征值变化量报警阈值判定是否需要发出警报，并进行相应的操作。

进一步地，步骤s2的具体方法如下：

s2.1：获取所述运行工况量的历史数据，采用统计学习算法创建出反映所述运行工况量与所述状态监测量之间关系的机理模型；

s2.2：从所述机理模型中选择若干所述运行工况量的数据，创建数据集合、作为特征样本集。

进一步地，步骤s3的具体方法如下：

持续获取所述运行工况量在多个时间点的实时监测数据，并将所述实时监测数据填入所述机理模型中，分别获取每个所述时间点对应的当前预测模型。

进一步地，步骤s4的具体方法如下：

s4.1：根据所述当前预测模型f(x1,x2,…xn)，对所述特征样本集{x1,x2,…xn}中的每个样本分别进行计算，得到对应的样本预测值y1,y2,…yn；

s4.2：按照如下公式计算模型特征值：

其中，ai为样本权重因子；

s4.3：为所述模型特征值的变化量设置一个报警阈值，所述报警阈值不小于3％不超过10％

进一步地，样本权重因子ai的使用方法如下：

初始状态下默认ai为1；当更换监测的设备或监测工况量时，根据历史监测数据重新校验并调整。

进一步地，步骤s5的具体方法如下：

按照如下公式计算所述模型特征值变化量：

其中，k为选取的样本数量；当所述设备状态未发生变化时，约等于0。

进一步地，步骤s6具体方法如下：

当所述设备状态发生变化、引起所述模型特征值变化量发生变化时，对是否达到报警标准进行判断；如所述模型特征值变化量未超过所述报警阈值，则认为未达到报警标准；如所述模型特征值变化量超过所述报警阈值，则认为达到报警标准，系统发出设备异常报警。

进一步地，步骤s6中，当根据所述设备异常报警进行设备检修、引起模型特征值发生变化，如超过所述报警阈值，则系统发出越线报警；当持续一段时间后，新的模型特征值趋于稳定，此时趋近于零、低于所述报警阈值，系统停止报警。

进一步地，所述算法还包括如下步骤：

s7：报警结束后，跳转至步骤s3，并循环执行步骤s3～s6的操作。

本发明的有益效果如下：本发明提供了一种基于模型特征值的设备状态在线检测算法，通过模型特征值的变换，将实时状态量的监测转换为波动较小的模型特征值的监测，从而可以根据特征值的缓变量自动报警。该算法具有如下优点：

1、提供了将实时状态监测量转换为模型特征值的方法，可以将波动的数据序列转换为稳定的数据数据，利于工业应用。

2、提供了模型特征值以及模型特征值变化量的计算方法；

3、采用模型特征值变化量进行设备异常报警，可以设定较小的报警上下限；设备检修后，不需要重新设定报警阈值。

该算法既可以更早的发现设备异常，又可以免维护全自动的进行设备预警，适于在工业领域大量采用。

附图说明

图1为实施例1所述的一种基于模型特征值的设备状态在线检测算法的方法示意图；

图2为实施例2所述的一种基于模型特征值的设备状态在线检测算法的方法示意图；

图3为应用实例1中对转子运行状态进行监控的方法流程图；

图4为应用实例2中对转子运行状态进行监控的方法流程图。

具体实施方式

下面结合以下实施例对本发明作进一步详细说明。

实施例1

如图1所示，本实施例1提供了一种基于模型特征值的设备状态在线检测算法，包括如下步骤：

s1：根据电厂设备的运行机理，选择与所述设备健康状况相关的状态监测量，并确定与所述状态监测量相关的运行工况量；

针对不同的设备，由于其工作原理、工作方式均不同，监控的指标也不同，因此需要选择特定的运行工况量进行监测；

s2：选取若干所述运行工况量的数据作为特征样本集，具体方法如下：

s2.1：获取所述运行工况量的历史数据，采用统计学习算法创建出反映所述运行工况量与所述状态监测量之间关系的机理模型；

s2.2：从所述机理模型中选择若干所述运行工况量的数据，创建数据集合、作为特征样本集；

s3：通过机器学习方法获得当前预测模型，具体方法如下：

持续获取所述运行工况量在多个时间点的实时监测数据，并将所述实时监测数据填入所述机理模型中，分别获取每个所述时间点对应的当前预测模型；

设状监测态量为y，工况监测量为x1，x2，..xn，则y与x1，x2，..xn的预测模型为对于已经训练好的预测模型f(x1，x2，..xn)，定义自变量x1，x2，..xn的一个确定组合，记为x，x是f的一个样本，对应的样本预测值为y，选取k个样本的集合x1，x2，..xk作为特征样本集，则对应的预测值为y1，y2，..yk。设定模型训练的间隔周期为t，训练数据为当前时刻向前d日的数据，则特征样本集x所对应的预测模型f(x1，x2，..xn)的特征值时间序列为：……至此，对状态量y0,y1,y2,y3,……的监测，转变为对模型特征值……的监测；

s4：通过所述预测模型计算模型特征值，并设定模型特征值变化量的报警阈值，具体方法如下；

s4.1：根据所述当前预测模型f(x1,x2,…xn)，对所述特征样本集{x1,x2,…xn}中的每个样本分别进行计算，得到对应的样本预测值y1,y2,…yn；

s4.2：按照如下公式计算特征样本集的预测值的加权平均值，得到的结果即为模型特征值：

其中，ai为样本权重因子，初始状态下默认ai为1；当更换监测的设备或监测工况量时，根据历史监测数据重新校验并调整；

s4.3：为所述模型特征值的变化量设置一个报警阈值，所述报警阈值不小于3％不超过10％

s5：当所述设备内部机构发生变化时，按照如下公式计算所述模型特征值变化量：

其中，k为选取的样本数量；当所述设备状态未发生变化时，约等于0；当设备状态出现异常时，即可能会引起发生变化；

s6：根据所述特征值变化量报警阈值判定是否需要发出警报，并进行相应的操作，具体方法如下：

当所述设备状态发生变化、引起所述模型特征值变化量发生变化时，对是否达到报警标准进行判断；如所述模型特征值变化量未超过所述报警阈值，则认为未达到报警标准；如所述模型特征值变化量超过所述报警阈值，则认为达到报警标准，系统发出设备异常报警；当根据所述设备异常报警进行设备检修、引起模型特征值发生变化，如超过所述报警阈值，则系统发出越线报警；当持续一段时间后，新的模型特征值趋于稳定，此时趋近于零、低于所述报警阈值，系统停止报警。

本实施例提供了一种基于模型特征值的设备状态在线检测算法，具有如下优点：

1、提供了将实时状态监测量转换为模型特征值的方法，可以将波动的数据序列转换为稳定的数据数据，利于工业应用。

2、提供了模型特征值以及模型特征值变化量的计算方法；

3、采用模型特征值变化量进行设备异常报警，可以设定较小的报警上下限；设备检修后，不需要重新设定报警阈值。

该算法通过模型特征值的变换，将实时状态量的监测转换为波动较小的模型特征值的监测，从而可以根据特征值的缓变量自动报警，既可以更早的发现设备异常，又可以免维护全自动的进行设备预警，适于在工业领域大量采用。

实施例2

如图2所示，本实施例2在实施例1的基础上提供了一种基于模型特征值的设备状态在线检测算法，该实施例2进一步限定了所述算法还包括如下步骤：

s7：报警结束后，跳转至步骤s3，并循环执行步骤s3～s6的操作。

通过上述操作，使该方法可以无限次地重复检测、计算、判断、报警的过程，从而不需人为操控即可以实现持续性的监测

应用实例1

使用本发明提供的基于模型特征值的设备状态在线检测算法对发电机组的转子的运行状态进行监测和分析，具体流程如图3所示。系统从数据库中获取上导、下导、上机架以及下机架在x向和y向的摆度波形数据，通过不同的机理模型分别获取离心力振动影响量、上机架震动1x以及下机架震动1x作为特征样本集，并分别生成当前时刻的预测模型；通过不同的预测模型分别计算出震动影响量特征值、上机架震动1x特征值以及下机架震动1x特征值作为模型特征值，并计算震动影响量变化量作为模型特征值变化量；对上述计算出的数据进行逻辑运算、并与报警阈值进行比较，判断转子运行状态，并进行数据展示。

应用实例2

使用本发明提供的基于模型特征值的设备状态在线检测算法对发电机组的上导的运行状态进行监测和分析，具体流程如图4所示。系统从数据库获取上导在x向和y向的摆度峰的峰值，通过机理模型获取上导摆度作为特征样本集，一方面对其进行阈值判断，另一方面据此生成当前时刻的预测模型；通过预测模型一方面计算出上导摆度特征值作为模型特征值、对上导的运行状态进行判断并发出报警，另一方面计算上导摆度变化量作为模型特征值变化量；通过下一级预测模型对上导摆度变化量进行进一步处理，得到上导摆度缓变量、对上导的变化趋势进行判断并发出报警。上述判断信息均通过展示平台进行展示。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。