一种汽轮机设备特征提取分析系统及其应用方法与流程

1.本发明涉及汽轮机设备技术领域，特别涉及一种汽轮机设备特征提取分析系统及其应用方法。


背景技术：

2.汽轮机设备是电力系统机组的重要运行设备，对汽轮机设备进行状态预估和预测可有效保障机组稳定运行。而有效的汽轮机设备特征，能够准确表征汽轮机设备的运行状态，因此对汽轮机设备特征进行有效的提取和分析，是进行汽轮机设备状态预估和预测的基础保障。
3.传统的汽轮机设备特征分析方法主要依据以下几种：
4.①
设计曲线，获取设计曲线值，具体为基于设计曲线，创建设备机理模型，从而得到设备在不同工况下表征的特征；
5.②
系统试验，试验数值，基于汽轮机扰动试验，记录汽轮机在典型工况下的试验数据，从而得到设备在不同工况下表征的特征。
6.③
随着大数据挖掘技术的发展，近年来陆续出现了基于数据挖掘的汽轮机特征研究工作。
7.传统汽轮机设备特征分析方法存在以下问题和缺点：
8.①
传统基于机理模型提取汽轮机设备特征，机理公式相对简单，汽轮机设备的实际运行复杂，简单的公式不能正确表征汽轮机设备的实际运行特征。
9.②
传统基于系统试验提取汽轮机设备特征，其操作复杂，易影响设备的正常生产运行，想要得到设备在不同工况下表征的特征操作复杂且易影响设备的正常生产运行。
10.③
使用数据挖掘提取汽轮机设备特征，一般为单一或简单特征，特征表征能力不足，无法全面表征汽轮机设备的状态。


技术实现要素：

11.为了解决上述技术问题，本发明为一种汽轮机设备提取分析系统及其应用方法，其技术方案为：
12.该系统包括数据存储模块、数据处理模块、特征提取器提取“一次特征”模块、特征融合模块、特征提取器提取“二次特征”模块和特性应用模块，所述数据存储模块包括数据抽取单元和数据保存单元；数据抽取单元用于抽取所需设备数据，数据保存单元用于存储数据抽取单元的数据；
13.所述数据处理模块包括数据有效性检查及处理单元和空数据检查及处理单元；
14.所述特征提取器提取“一次特征”模块用于对数据进行“浅特征”提取，包括差分特征提取单元、分箱特征提取单元以及偏差特征提取单元；
15.所述设备特征融合模块用于对“一次特征”模块提取的多项特征进行融合并处理，包括特征融合单元及特征处理单元；
16.所述特征提取器提取“二次特征”模块对融合后特征通过深度学习卷积-池化模型提取“深特征”，包括卷积单元、激化单元、池化单元以及数值变换单元；
17.所述特征应用模块用于将提取的汽轮机设备特征进行应用，包括样本类标记处理单元、样本划分单元、分类模型搭建单元以及预测单元。
18.进一步地，数据存储模块、数据处理模块、特征提取器提取“一次特征”模块、特征融合模块、特征提取器提取“二次特征”模块和特征应用模块依次通信连接；
19.所述数据存储模块中，数据抽取单元的输出端与数据保存单元的输入端相连；
20.所述数据处理模块中，数据有效性检查及处理单元的输入端与数据保存单元的输出端相连，其输出端与空数据检查及处理单元的输入端相连；
21.所述特征提取器提取“一次特征”模块中，差分特征提取单元、分箱特征提取单元和偏差特征提取单元其各自输入端分别与数据抽取单元输出端相连；
22.所述特征融合模块中，特征融合单元的输入端与特征提取器提取“一次特征”模块的输出端相连；其输出端与特征处理单元输入端相连；
23.所述特征提取器提取“二次特征”模块中，卷积单元的输入端与特征处理模块的输出端相连，其输出端与激活单元的输入端相连；激活单元输出端与池化单元的输入端相连；数值变换单元的输入端分别与卷积单元、激活单元和池化单元的输出端相连；
24.所述特性应用模块中，样本类标记处理单元输入端与特征提取器提取“二次特征”模块的数值变换单元输出端相连；样本划分单元输入端与样本类标记处理单元输出端相连接，其输出端与分类模型搭建单元的输入端相连；分类模型搭建单元的输出端与预测单元输入端相连。
25.进一步地，该分析系统的应用方法包括以下步骤：
26.步骤1：对汽轮机设备中的数据进行获取及存储；
27.步骤2：对步骤1获取的数据进行筛选处理；
28.步骤3：使用特征提取器提取步骤2汽轮机设备的“一次特征”，分析提取数据特征；
29.步骤4：将步骤3“一次特征”与原始特征进行融合；
30.步骤5：使用特征提取器提取汽轮机设备“二次特征”，进一步分析提取数据特征；
31.步骤6：对设备“一次特征”和“二次特征”进行应用并进行状态预测。
32.本发明的有意效果为：本发明为一种汽轮机设备特征提取分析系统及其应用方法，本发明采用更加全面的提取数据特征，从而全面表征设备特征，使用“一次特征”提取设备的多个浅层特征，然后在此基础上使用深度学习提取“二次特征”的深层特征特性，能够丰富数据特征，更加符合实际需求。通过分类模型对机组设备特征进行应用，实现设备状态预测，通过运用建模方法充分挖掘数据价值，建立模型对机组设备状态进行预测，有利于保障机组设备安全可靠的运行。本发明能够根据设备运行数据，自动对数据进行分析，自动提取设备特征，降低了对专业人员的依赖。
附图说明
33.图1为本发明分析系统示意图；
34.图2为本发明分析系统结构框图；
35.图3为本发明应用方法流程图。
具体实施方式
36.如图所示，本发明为一种汽轮机设备特征提取分析系统及其应用方法，该系统包括汽轮机数据存储模块、数据处理模块、特征提取器提取“一次特征”模块、特征融合模块、特征提取器提取“二次特征”模块和设备特征应用模块。
37.所述数据存储模块包括数据抽取单元和数据保存单元。数据抽取单元用于抽取汽轮机设备关键测点的历史运行数据；数据保存单元用于存储所抽取到的汽轮机设备的历史运行数据。
38.所述数据处理模块用于接收数据存储模块的汽轮机设备历史运行数据，并处理汽轮机设备的无价值数据。其包括数据有效性检查及处理单元和空数据检查及处理单元。所述数据有效性检查及处理单元用于检测数据是否有价值、是否有效，并删除无价值、无效的数据，具体的，首先检测数值是否长时间无变化，长时间无变化的数据视作为无价值数据，删除此类数据；所述空数据检查及处理单元用于检测数据中是否含有空数据，并对含空数据的样本数据进行处理，具体的，根据样本缺失情况，进行缺失值处理。
39.所述特征提取器提取“一次特征”模块用于接收数据处理模块汽轮机的数据。对汽轮机设备数据进行“浅特征”提取，包括差分特征提取单元、分箱特征提取单元、以及偏差特征提取单元。差分特征提取单元对汽轮机部分关键测点进行差分特征提取；分箱特征提取单元对汽轮机部分关键测点进行等频分箱特征和等距分箱特征提取；偏差特征提取单元对汽轮机部分关键测点进行偏差特征提取。
40.所述设备特征融合模块用于接收特征提取器提取“一次特征”模块数据，即“浅特征”数据。对融合后特征处理，包括特征融合单元以及特征处理单元。所述特征融合单元接收特征提取器提取“一次特征”模块汽轮机的原始数据以及多项“一次特征”，融合汽轮机设备的多项“一次特征”以及原始数据；所述特征处理单元，对融合后特征数据进行归一化处理，将特征数据归一到指定范围。
41.所述特征提取器提取“二次特征”模块对融合后特征通过深度学习卷积-池化模型提取“深特征”，包括卷积单元、激活单元、池化单元以及数值变换单元。所述卷积单元，通过卷积模拟特征，使用卷积核对数据进行卷积操作；所述激活单元在数据卷积运算后，设置激活函数变换数据；所述池化单元，通过池化核对数据进行子采样；所述数值变换单元根据各个模型层输入需要变换数值的大小。
42.所述特征应用模块用于将提取的汽轮机设备特征进行应用，包括样本类标记处理单元、样本划分单元、分类模型搭建单元以及预测单元。所述样本类标记处理单元，接收特征提取器提取“二次特征”模块汽轮机的“深特征”的特征样本，根据特征样本的正常、故障类型，分别设置不同类标记，然后类标量化；所述样本划分单元，将汽轮机特征样本分为训练样本和测试样本；所述分类模型搭建单元，基于训练样本搭建分类模型并训练模型；所述预测单元接收分类模型搭建单元所训练完成的模型，使用模型预测测试样本的样本类型，比对样本的真实标记统计模型准确率。
43.对本系统的应用方法，该方法包括以下步骤：
44.步骤1：汽轮机系统设备运行数据获取及存储。
45.利用数据抽取单元，从dcs系统数据库中，抽取影响汽轮机系统设备运行的关键测点的历史运行数据，利用数据保存单元，将抽取到的历史运行数据存储到服务器系统数据
库中。
46.假设数据保存单元，汽轮机系统设备有p个测点n条运行数据，则该数据大小n*p，n为样本数目，p为样本的维数，则该汽轮机历史运行数据data
ori
可表示为公式(1)所示：
[0047][0048]
步骤2：汽轮机设备数据筛选处理。
[0049]
利用数据处理模块接收数据存储模块的汽轮机设备运行数据，对汽轮机设备运行数据进行处理，包括数据有效性检查及处理和空数据检查及处理。
[0050]
利用数据有效性检查及处理单元，检测汽轮机设备运行数据各个测点的有效性，具体为监测数值是否长时间不变，长时间不变的数据在实际运行生产中一般为无效数据或错误数据，删除此类数据。
[0051]
利用空数据检查及处理单元，检测数据中的缺失值，并对有缺失值的样本处理。作为优选本发明根据样本缺失情况处理缺失样本，若一条样本缺失测点数超过一定阈值，则认为该样本不可用，具体的，首先设定阈值，然后计算缺失样本的缺失测点数，若缺失测点数小于等于阈值，对样本缺失值填充，填充值为各缺失测点对应测点的均值；否则，认为缺失样本不可用，删除该样本。
[0052]
步骤3：使用特征提取器提取汽轮机设备的“一次特征”，分析提取数据特征。
[0053]
本发明使用特征提取器提取汽轮机设备“一次特征”，提取设备的“浅层特征”(即“浅特征”)，然后对特征处理后，利用卷积神经网络提取设备的“深层特征”(即“深特征”)。作为优选，对汽轮机设备数据提取的“浅特征”包括：差分特征、分箱特征(包括等距分箱特征和等频分箱特征)及数据偏离度特征(即偏差特征)。
[0054]
利用差分特征提取单元，对汽轮机部分测点进行差分特征提取；利用分箱特征提取单元对汽轮机部分测点进行分箱，并使用“箱均值”或“箱边界值”作为特征值；利用数据偏离度特征提取单元对汽轮机部分测点进行均值计算，并计算数值偏离均值情况，以此作为偏离度特征。
[0055]
具体的，所述差分特征提取单元，计算相邻元素的差分，假设t时刻，汽轮机第p个测点表示为t-1时刻表示为则t时刻第p个测点的差分特征计算如下：
[0056][0057]
具体的，所述分箱特征提取单元，提取等距分箱特征以及等频分箱特征。
[0058]
等距分箱特征，对某个测点数据，从最小值到最大值之间，均分为n等份,假设min、max为最小最大值,则每个区间的长度如公式(3)所示
[0059]
d＝(max-min)/n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0060]
则各箱区间边界值为min+d,min+2d,
…
.min+(n-1)d，分箱特征值取箱值的边界值。
[0061]
等频分箱特征，对某个测点数据,区间的边界值经过选择,使得每个区间样本数相同，分箱特征值取箱中数据的样本均值。
[0062]
具体的，所述数据偏离度特征提取单元，计算数值的均值，并计算数值偏离均值的程度，以此作为偏离度特征。
[0063][0064]
其中x代表某时刻某个测点的值，则代表该测点的样本均值。
[0065]
步骤4：将设备的多个一次特征以及原始特征进行融合，并进行处理
[0066]
利用特征融合单元接收汽轮机设备“一次特征”模块的特征数据，融合汽轮机的多个一次特征及原始运行数据，假设特征融合后共q个特征，n条运行数据，则该数据大小n*q，由此，汽轮机特征组成的矩阵数据f
fuse
可表示为公式(5)：
[0067][0068]
利用特征处理单元对汽轮机特征数据处理，具体为对特征进行归一化处理，本发明使用以下公式将特征归一到指定区间[l,h]内。
[0069][0070]
其中，x为某特征数据，xs为该特征数据归一化后的值，x
max
为该特征的最大值，x
min
为该特征最小值，h为指定区间的最大值，l为指定区间的最小值。
[0071]
作为优选本发明将特征归一到0-255范围内，作为优选本发明将数据特征归一化后对所有特征数据取整处理。归一化的数值范围以及特征数据取整操作的主要目的是将数据特征范围处理为近似于图像特征数值范围。
[0072]
步骤5：使用特征提取器提取汽轮机设备“二次特征”，进一步分析提取数据特征。
[0073]
通过深度学习网络卷积-池化模型提取“深特征”，包括卷积单元、激活单元、池化单元以及数值变换单元，利用卷积单元使用卷积核对数据进行卷积操作，利用激活单元在数据卷积运算后，设置激活函数变换数据，利用池化单元，通过池化核对数据进行子采样，作为优选本发明使用全局最大池化进行池化运行，保留数据或特征的最典型以及最突出特征，数值变换单元根据各个模型层输入需要变换数值大小。
[0074]
作为优选本发明利用卷积神经网络提取汽轮机设备“二次特征”的结构如下：
[0075]
(1)接收设备特征融合模块的特征数据，利用数值变换单元对数据进行扩展v1，将数据扩展到一定维度，构建“二次特征提取器”的输入层。
[0076]
(2)利用卷积单元建立卷积层c1，激活单元设置激活函数a1，深度学习网络较深时可能会出现梯度弥散，作为优选本发明使用激活函数relu函数避免此问题。
[0077]
(3)数值变换单元对数据大小变换v2。
[0078]
(4)利用池化单元建立池化层p1。
[0079]
(5)利用卷积单元建立卷积层c2，激活单元设置激活函数a2，作为优选本发明使用激活函数relu函数。
[0080]
(6)数值变换单元对数据大小变换v3。
[0081]
(7)利用池化单元建立“二次特征提取器”的池化层p2。
[0082]
通过以上步骤完成汽轮机设备的特征提取分析，得到汽轮机的特征矩阵。
[0083]
步骤6：对设备特征进行应用，进行设备状态预测。
[0084]
利用样本类标记处理单元，接收特征提取器提取“二次特征”模块的汽轮机特征数据，对特征样本的正常样本及故障样本赋不同的标记，并进行类标量化；利用样本划分单元，将汽轮机特征样本分为训练样本和测试样本；利用分类模型搭建单元，基于训练样本搭建分类模型，利用预测单元接收分类模型搭建单元所训练完成的模型，并使用模型预测测试样本的类标，然后统计模型的准确率，以此衡量分类模型的性能以及所提取特征的有效性。
[0085]
(1)样本类标记处理单元，接收特征提取器提取“二次特征”模块的汽轮机特征数据，正常样本标记0，故障样本根据故障种类标记为1、2、...，以此递增，类标为整数。然后对类标进行向量化，转换为二进制向量。
[0086]
(2)利用样本划分单元对汽轮机特征样本数据划分，分为训练样本和测试样本，选取汽轮机特征样本一部分样本的作为训练样本，其他样本为测试样本。
[0087]
(3)利用分类模型搭建单元，基于汽轮机训练样本建立分类模型，设定损失函数训练模型。
[0088]
常见的分类模型有：逻辑回归模型、支持向量机模型(svm)、神经网路分类模型等。作为优选，本发明使用深度学习神经网络搭建分类模型，实现设备状态预测。
[0089]
分类模型输入：汽轮机训练样本的特征向量；
[0090]
分类模型输出为样本对应的类标记。
[0091]
作为优选，本发明分类模型基本结构组成为：前两层设置了2层全连接层，最后一层设置为分类层，其中全连接层设置激活函数relu函数；分类层设置激活函数softmax函数。设定损失函数，训练模型，输出并模型。本发明中使用交叉熵损失函数来训练模型，具体函数如公式(7)所示：
[0092][0093]
其中xi代表某条样本的真实值，yi为通过模型对该样本的预测值，n代表样本数目。
[0094]
(4)预测单元接收分类模型搭建单元所训练完成的模型，使用模型，预测汽轮机测试样本的类标，实现对汽轮机设备的状态预测。对汽轮机所有测试样本预测，对比汽轮机测试样本的真实类标记，统计并输出模型的准确率。
[0095]
实施例：
[0096]
本实施例以某火力发电厂某机组的汽轮机为对象，通过本实施例的详细阐述，进一步说明本发明的实施过程。
[0097]
本发明实施例进行汽轮机特征提取及应用的系统内容包括：汽轮机数据存储模块、数据处理模块、特征提取器提取“一次特征”模块、设备特征融合模块、特征提取器提取“二次特征”模块、设备特征应用模块。
[0098]
所述数据存储模块包括数据抽取单元和数据保存单元，所述设备抽取单元用于抽取汽轮机设备机组负荷、主油箱液位、转速、转子偏心、一抽汽温等40个关键测点的历史运行数据，所述数据保存单元用于存储所抽取到的汽轮机设备的历史运行数据，将抽取到的
汽轮机设备的历史运行数据保存到服务器系统数据库中。
[0099]
所述数据处理模块包括数据有效性检查及处理单元和空数据检查及处理单元。所述数据处理模块用于接收数据存储模块的汽轮机设备历史运行数据，并处理汽轮机设备的无效数据，包括数据有效性检查及处理单元和空数据检查及处理单元；所述数据有效性检查及处理单元用于检测数据是否有效、是否有价值，并删除无效、无价值数据，具体的，设置检测时长10分钟，检测汽轮机各个测点数值是否存在10分钟时长内保持不动的情况，保持不动的数据视作为无效、无价值数据，然后删除此类数据；所述空数据检查及处理单元接收据有效性检查及处理单元数据，检测汽轮机数据中是否含有空数据，并对含空数据的样本数据进行处理，具体的根据样本缺失情况，进行填充或删除。
[0100]
所述特征提取器提取“一次特征”模块用于接收数据处理模块汽轮机的原始数据，并对汽轮机设备数据进行“浅特征”提取，包括差分特征提取单元、分箱特征提取单元和数据偏离度特征提取单元，所述差分特征提取单元，对汽轮机部分测点负荷、转速、轴承振动、主蒸汽流量、转子偏心测点进行差分特征，共计提取5个特征。所述分箱特征提取单元对负荷、转速、轴承振动、主蒸汽流量、转子偏心测点进行等距分箱特征提取，每个测点设置为20等份，即每个测点分为20个箱子，取箱值的边界值作为特征值；并且对负荷、转速、轴承振动、主蒸汽流量、转子偏心测点提取等频分箱特征，每个区间样本数设置为100，取箱中数据的样本均值作为特征值，分箱特征共计提取10个。所述数据偏离度特征提取单元对汽轮机负荷、转速、轴承振动主蒸汽流量、转子偏心测点分别进行均值计算，并分别计算数值偏离均值情况，以此作为偏离度特征，共计提取5个特征。通过特征提取器提取“一次特征”模块提取汽轮机特征共计20个。
[0101]
所述设备特征融合模块，用于接收特征提取器提取“一次特征”模块数据，融合特征并对融合后特征处理，包括特征融合单元以及特征处理单元，所述特征融合单元接收特征提取器提取“一次特征”模块汽轮机的原始数据以及多项“一次特征”，融合汽轮机设备的多项“一次特征”以及原始数据，原始数据维数为40，“一次特征”维数为20，则合并后汽轮机特征变为：大小为60的一维特征向量，所述特征处理单元，对融合后特征数据进行归一化处理，将特征数据归一到0-255的整数范围。
[0102]
所述特征提取器提取“二次特征”模块，对融合后汽轮机特征通过深度学习卷积-池化模型提取“深特征”，包括卷积单元、激活单元、池化单元以及数值变换单元。所述卷积单元使用卷积核对数据进行卷积操作，卷积运算运行2次，所述激活单元在完成卷积运算后，通过激活函数relu函数对数据变换，激活函数使用2次，所述池化单元使用全局最大池化对数据进行子采样，池化运算运行2次，所述数值变换单元根据各个模型层输入需要变换数值大小，数值变化3次。
[0103]
所述特征应用模块用于将提取的汽轮机设备特征进行应用，包括样本类标记处理单元、样本划分单元、分类模型搭建单元以及预测单元。所述样本类标记处理单元，接收特征提取器提取“二次特征”模块汽轮机的特征样本，标记汽轮机样本，然后进行类标量化；所述样本划分单元，将汽轮机特征样本划分为训练样本和测试样本，随机选择汽轮机特征样本的60％作为训练样本，剩余的40％作为测试样本。所述分类模型搭建单元，基于训练样本搭建分类模型，使用公式(7)的损失函数训练模型，所述预测单元接收分类模型搭建单元所训练完成的模型，使用模型，预测汽轮机测试样本的类型，从而预测得到设备的状态，并统
计输出模型的准确率。
[0104]
如图2所示，本实施例提供的一种汽轮机设备特征提取分析系统及应用方法，包括以下步骤：
[0105]
步骤1：汽轮机系统设备运行数据获取及存储。
[0106]
利用数据抽取单元，从dcs系统数据库中，按照10分钟的取数间隔，抽取影响机组汽轮机设备从2017年2月1日0点开始至2017年8月31日24点，包括机组负荷，轴向位移、抽汽压力、轴承振动等40个关键测点的历史运行数据，数据共计31968条，利用数据保存单元，将抽取到的大小为31968*40的矩阵数据运行数据存储到服务器系统数据库中。
[0107]
步骤2：汽轮机设备数据筛选处理。
[0108]
利用数据处理模块接收数据存储模块的汽轮机设备大小为31968*40的矩阵数据运行数据，对汽轮机设备运行数据进行处理工作，包括对汽轮机数据有效性检查及处理和空数据检查及处理。
[0109]
利用数据有效性检查及处理单元，检测判断汽轮机设备运行数据各个测点的连续10分钟没有变化的数值，并删除此类数据，经过处理数据样本数大小变为31962。
[0110]
利用空数据检查及处理单元，接收数据有效性检查及处理单元的汽轮机运行数据，并检测数据中的缺失值，并对有缺失值的样本进行处理。
[0111]
设定样本缺失测点数阈值设置为：
[0112][0113]
其中num为样本的测点数，此处为40，经过使用公式(8)运算得到阈值为8，对于有缺失记录的某条样本，若缺失测点数小于等于该阈值，认为该样本有效，对该样本缺失值进行填充，填充值为缺失测点对应的测点的均值；若缺失测点数大于该阈值，则删除该样本，经过空数据检查及处理后样本样本大小变为31901。
[0114]
步骤3：使用特征提取器提取汽轮机设备“一次特征”，分析提取数据特征。
[0115]
利用差分特征提取单元，对汽轮机测点负荷、转速、轴承振动、主蒸汽流量、转子偏心测点进行差分特征，共计提取5个特征。利用分箱特征提取单元对负荷、转速、轴承振动、主蒸汽流量、转子偏心测点进行等距分箱特征提取，每个测点设置为20等份，即每个测点分为20个箱子，取箱值的边界值作为特征值；并且对负荷、转速、轴承振动、主蒸汽流量、转子偏心测点提取等频分箱特征，每个区间样本数设置为100，取箱中数据的样本均值作为特征值，分箱特征共计提取10个。利用数据偏离度特征提取单元对汽轮机负荷、转速、轴承振动主蒸汽流量、转子偏心测点分别进行均值计算，并分别计算数值偏离均值情况，以此作为偏离度特征，共计提取5个特征。利用特征提取器提取“一次特征”模块提取汽轮机特征共计20个。
[0116]
步骤4：将设备的多个一次特征以及原始特征进行融合，并进行处理
[0117]
接收汽轮机设备“一次特征”模块的特征数据，原始数据与多个一次特征进行融合，设备特征融合后共60个特征，31901条运行数据，则该数据大小31901*60的特征数据。
[0118]
样本提取差分特征后第一个样本的差分特征为空，因此特征融合合并后，删除第一个样本，整体特征样本数为31900。
[0119]
然后使用公式(6)将特征数据归一到指定区间[0,255]，并对特征数取整。
[0120]
各个步骤运算的数据大小及特征大小如下表所示：
[0121]
单元运算特征大小样本数量原始数据1*4031968设备数据筛选处理1*4031901“一次特征
”‑
差分特征1*431900“一次特征
”‑
分箱特征1*431901“一次特征
”‑
数据偏离度特征1*431901特征融合1*6031900
[0122]
步骤5：使用特征提取器提取汽轮机设备“二次特征”，进一步分析提取数据特征。
[0123]
卷积神经网络方法构建卷积神经网络提取设备特征。构建个2个卷积层和2个池化层，卷积层用来进一步抽取数据的特征，池化层在卷积特征提取的基础上，进一步抽象缩小特征的维数。
[0124]
利用卷积单元使用卷积核对数据进行卷积操作，卷积运算运行2次，利用激活单元在完成卷积运算后，使用激活函数relu函数运算，激活函数运算2次，利用池化单元进行运算，池化运算运行2次，利用数值变换单元根据需要变换数值大小，数值变化3次。数值变换单元对数据扩展v1进行数据扩展填充，将输入数据特征1*60扩充为1*64，其中各个特征的扩充值为各特征的样本均值。
[0125]
根据模型运算顺序，整理“二次特征”各个单元的结构及内容包括激活函数的类型、滤波器的数目、以及特征维数，具体如下表所示，其中符号“/”代表不涉及。
[0126]
单元运算卷积核大小滤波器数目激活函数特征维数原始数据///1*60数值变换单元对数据扩展v1，作为输入///1*64卷积单元c1、激活单元a13128relu函数64*128数值变换单元对数据大小变换v2///64*1*128池化单元p1///128数值变换单元对数据大小变换v3///128*1卷积单元c2、激活单元a25256relu函数128*256池化单元p2///256
[0127]
最终使用特征提取器提取汽轮机设备“二次特征”后，汽轮机样本为维数为256的特征样本。
[0128]
步骤6：对设备特征应用，进行状态预测
[0129]
利用特征应用模块将提取的汽轮机设备特征进行应用，实现汽轮机设备的状态预测。
[0130]
(1)利用样本类标记处理单元，接收模块汽轮机特征样本
[0131]
接收汽轮机特征样本大小为31900*256样本数据，统计汽轮机样本数据，正常数据共计26501，故障样本数据共计5399条。
[0132]
对汽轮机正常数据样本，类标设置为0，故障数据的样本，类标设置为1。类标向量化变换，0由向量[0,1]表示，1由向量[1,0]表示。
[0133]
(2)利用样本划分单元对汽轮机特征样本数据划分，分为训练样本和测试样本，
[0134]
随机抽取汽轮机数据60％的样本为训练样本，剩余的40％样本为测试样本。训练样本共计19140条，测试样本12760条。
[0135]
(3)基于训练样本搭建分类模型，使用公式(7)的交叉熵损失函数训练模型。
[0136]
分类模型输入：训练样本的特征向量，每个样本为256维的特征，分类模型输出为各个样本对应的类标记，此处为类标记为二进制向量。作为优选，本发明分类模型结构组成为：前两层设置了2层全连接层，滤波器数目均设置为128个，最后一层设置为分类层，其中全连接层设置激活函数relu函数；分类层设置激活函数softmax函数。
[0137]
2个全连接层均设置丢弃率为0.85，使用adam优化器，初始学习率设置为0.01，训练得到分类模型。
[0138]
(4)预测单元接收分类模型搭建单元所训练完成的模型，使用模型，预测汽轮机测试特征样本的类标。预测汽轮机测试样本的类型，从而预测得到设备的状态，并统计输出模型的准确率。
[0139]
对12760测试样本进行状态预测，并统计模型对所有测试样本的预测准确率，最终得到准确率为95.21％。
[0140]
通过将提取的汽轮机设备特征应用进行汽轮机设备状态预测，则完成了汽轮机设备特征的应用过程，分类模型的预测准确率高，表明汽轮机设备特征越有效性，将提取得到的汽轮机设备特征，应用于发电厂实际运行中，有利于指导实际生产运行。
[0141]
本发明分两阶段提取汽轮机设备特征，第一阶段提取汽轮机设备的浅层特征，第二阶段在浅层特征基础上提取深层特征，从而全面表征汽轮机设备特征。除此之外，该系统和方法，在进行浅层特征提取时提取了多种特征，并对特征进行融合，从而丰富了特征的维度，提高了设备特征的表征能力。将提取的汽轮机特征进行应用，应用于对汽轮机设备预测，试验表明，该方法对实现汽轮机状态预测具有重要意义。
[0142]
通过具体实施例对本发明的系统及方法进行了阐述，很显然实施例的说明只是用于说明本发明的的方法及思想，并非对实施方式的限定；同时，对于本领域的一般技术人员，依据本发明的基本思想，进行的方法及系统的显而易见的变化或改动均属于本发明的保护范围之内。