CN102270271B - 基于相似度曲线的设备故障早期预警及优化的方法和系统 - Google Patents

Abstract

一种基于相似度曲线的设备故障早期预警及设备优化的方法和系统，所述方法包括：从设备运行实时历史数据中筛选出正常运行实时历史数据；基于正常实时历史数据，生成数据状态集，并根据数据状态集内数据组的分布进行抽取，创建反映设备实际运行规律的正常运行数据模型；将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算，生成相似度曲线；基于正常运行数据模型对设备正常状态的数据状态集计算，定义与相似度曲线的变化对应的设备潜在故障早期预警及优化规则；结合设备潜在故障早期预警及优化规则，分析相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。

Description

基于相似度曲线的设备故障早期预警及优化的方法和系统

技术领域

本发明属于设备状态检测预警技术领域，涉及一种设备故障早期预警及设备优化的方法和系统，特别是一种基于相似度曲线的设备故障早期预警及设备优化的方法和系统。

背景技术

随着现代工业及科学技术的迅速发展，现代化的流程工业呈现出规模大、结构复杂、生产单元之间强耦合、投资大等特点。与此同时，生产过程发生故障的可能性也随之增加。这类系统一旦发生故障，不仅会造成人员和财产的巨大损失，而且对生态环境也将会造成不可挽回的影响。为了提高工业生产过程与控制系统的安全性，同时提高产品的质量、降低生产成本，过程监控和故障预警已成为企业信息化中不可或缺的一部分。

实时数据是指带有时间标签的数据，其数据特征是随时间变化而变化，随着时间的累积形成海量的历史数据。实时数据广泛存在于连续的工业过程生成流程、设备制造厂家的关键重大设备、企业集团的远程数据中心。通过对实时历史数据的在线挖掘分析，可以准确了解过程生产设备的实际运行状态，为设备的安全、高效运行提供科学的指导依据。

传统的设备数据监测系统建立在设备的数据采集系统之上，只能提供设备测点参数的实时数据显示、分析和设备故障事后报警、诊断，无法对设备出现事故征兆的早期提供有效的故障早期预警分析，也无法通过分析设备实时历史数据的挖掘结果，为设备的操作优化提供事前指导。

发明内容

本发明的目的是为克服现有技术的缺陷，基于设备实时历史数据抽取设备实际正常运行状态的数据建立设备正常运行状态数据模型；通过分析设备实时运行数据与设备正常运行状态数据模型之间的相似度曲线，设定有明确工程意义的预警基准线，实现了设备对象潜在故障变化的早期预警，并通过测点影响变量参数的排序为设备对象的潜在故障优化操作提供指导。

本发明提供一种基于相似度曲线的设备故障早期预警及设备优化的方法：

筛选步骤，从设备运行实时历史数据中筛选出设备正常运行实时历史数据，去除设备运行中非正常和干扰数据；

创建步骤，基于从筛选步骤得到的设备正常运行实时历史数据，生成包括设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，创建反映设备实际运行规律的正常运行数据模型；

生成步骤，将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算，生成设备实时运行状态与正常运行数据模型之间的相似度曲线；

定义步骤，基于正常运行数据模型对设备正常状态的数据状态集进行计算，生成并定义与生成步骤得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则；

预警步骤，结合从定义步骤得到的设备潜在故障早期预警及优化规则，分析从生成步骤得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。

在一个首选实施例中，在筛选步骤中，设备正常运行实时历史数据满足以下条件，涵盖了一段可以反映设备在各个工况下的运行时间，设备正常运行实时历史数据中的每个采样数据组包括的设备所有变量参数的实时数据都在正常范围内，表达设备的正常运行状态，并且每个采样数据组中设备各个变量参数在同一时刻采样。

在一个首选实施例中，在创建步骤中，从设备正常状态的数据状态集的数据组中抽取典型特征数据组用于创建正常运行数据模型，所述典型特征数据组包含所述数据状态集中的极值状态，并且在数据状态集中数据组分布密度大的地方，抽取典型特征数据组相对比重较少；在数据状态集中数据组分布密度小的地方，抽取典型特征数据组相对比重较大。

从而可以保证正常运行数据模型中的数据可以精确覆盖所有的设备正常运行状态。

在一个首选实施例中，在生成步骤中，对设备在线运行的每个运行时刻采样形成所述实时状态值组，将所述实时采样值组与设备正常运行数据模型中每个状态点的数值组进行比较计算，从正常运行数据模型找到与设备当前运行时刻实时采样值组最相似的一数据模型特征值组，设备当前实时采样值组与所述数据模型特征值组之间的距离为设备在线相似度值，每个运行时刻的设备在线相似度值形成相似度曲线。

基于正常运行数据模型也计算出影响设备在线相似度值变化的实时采样值组中变量参数的排序。

在一个首选实施例中，在定义步骤中，通过正常运行数据模型对设备正常状态的数据状态集进行计算，得到正常状态的相似度值，取所述正常状态的相似度值中的最小值作为预警基准线，作为设备潜在故障早期预警及优化规则。

在一个首选实施例中，在预警步骤，当相似度曲线的设备在线相似度值低于预警基准线的数值时，发布设备潜在故障早期预警，

基于影响设备在线相似度值变化的实时采样值组中变量参数的排序，产生测点影响变量参数的输出，作为设备优化操作指导

本发明还提供一种基于相似度曲线的设备故障早期预警及设备优化的系统：

筛选模块，输入设备运行实时历史数据，从中筛选出设备正常运行实时历史数据，去除设备运行中非正常和干扰数据；

创建模块，输入筛选模块得到的设备正常运行实时历史数据，生成包括设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，创建反映设备实际运行规律的正常运行数据模型；

生成模块，将设备在线运行时的实时状态值组作为正常运行数据模型的输入，将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算，生成设备实时运行状态与正常运行数据模型之间的相似度曲线；

定义模块，将设备正常状态的数据状态集作为正常运行数据模型的输入，基于正常运行数据模型对设备正常状态的数据状态集进行计算，生成并定义与生成模块得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则；

预警模块，结合从定义模块得到的设备潜在故障早期预警及优化规则，分析从生成模块得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。

附图说明

图1为本发明首选实施例的方法步骤流程图；

图2为本发明创建正常运行数据模型的流程图；

图3为本发明生成相似度曲线及关联点排序的流程图；

图4为本发明定义设备预警规则的流程图；

图5为本发明根据相似度曲线发布设备潜在故障早期预警及生成优化操作指导结果的示意图；

图6为本发明提供的基于相似度曲线的设备故障早期预警及设备优化系统的方框图。

具体实施方式

现在将参照附图详细说明本发明的首选实施例。

图1显示了本发明首选实施例的方法步骤流程图

步骤110，从设备运行实时历史数据中筛选出设备正常运行实时历史数据。

即在一段时间的同一时间轴上，选择设备所有参数的实时数据都在正常范围内的数据，去除设备运行中非正常和干扰数据。

步骤120，基于从筛选步骤得到的设备正常运行实时历史数据，生成包括设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，创建反映设备实际运行规律的正常运行数据模型。

步骤130，将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算，生成设备实时运行状态与正常运行数据模型之间的相似度曲线。

步骤140，基于正常运行数据模型对设备正常状态的数据状态集进行计算，生成并定义与生成步骤得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则。

步骤150，结合从定义步骤得到的设备潜在故障早期预警及优化规则，分析从生成步骤得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。

设备正常运行数据模型从筛选过的设备运行实时历史数据中生成，用来生成数据模型的历史数据应该满足以下要求：

涵盖了一段可以反映设备在各个工况下的运行时间；

每组数据都可以表达设备对象的一个正常运行状态；

满足每一组采样值中设备各个变量参数的同时性，即必须是同一历史时刻各个变量参数的采样值。

由此得到设备正常运行实时历史数据。

例如：某工厂大型压缩机对象的测点参数为24个，包括了监测压缩机运行状态的温度、压力、流量、振动等参数。按照每1分钟采样一次，对压缩机正常运行工况下进行总计168小时采样，就得到了10080个采样值组，这些采样值组的全体构成了创建设备正常运行数据模型的数据状态集。

图2显示了创建正常运行数据模型的过程。

上述每一组采样值都代表了压缩机实际运行中的一个正常状态，覆盖了压缩机运行的不同工况。通过对压缩机10080采样值组的分析，抽取出最能够代表压缩机这10080组采样值组的状态特征组，比如：抽取360个典型特征数据组，生成设备正常运行数据模型。抽取典型特征数据组遵循的原则如下：

包含数据状态集中的极值状态，如上例中压缩机的测点参数为24个，则典型特征数据组中最多有48个包含了每个测点参数最大值和最小值的数据组；

相似从简原则，即在数据状态集中数据组分布密度大的地方，抽取典型特征数据组相对比重较少；在数据状态集中数据组分布密度小的地方，抽取典型特征数据组相对比重较大。从而可以保证正常状态数据模型中的数组可以精确覆盖所有的设备正常运行状态。

图3显示了生成相似度曲线及关联点排序的过程。

当设备在线运行时，对设备在线运行的每个运行时刻采样形成所述实时状态值组，将所述实时采样值组与设备正常运行数据模型中每个状态点的数值组进行比较计算，从正常运行数据模型找到与设备当前运行时刻实时采样值组最相似的一数据模型特征值组，设备当前实时采样值组与所述数据模型特征值组之间的距离为设备在线相似度值。设备运行中，每一时刻都生成一个相似度值，所有的相似度值就形成了设备在线相似度曲线。

在计算出设备在线相似度的同时，基于正常运行数据模型也计算出影响设备在线相似度值变化的实时采样值组中变量参数的排序。例如：上例中压缩机的设备测点参数为24个，数据模型可以选择影响相似度变化最大的5个参数，并按影响大小排序输出。当压缩机运行正常时，设备在线相似度保持正常；当设备出现潜在的故障早期征兆，相似度曲线发生下降变化并触发预警时，同时提示影响设备相似度变化最大的5个参数。

图4显示了定义设备预警规则的过程。

设备潜在故障的早期预警通过对设备在线相似度曲线的变化范围进行定义实现。即对设备设定一个相似度值的预警基准线，当设备在线相似度曲线数值低于预警基准线数值时，设备即处于预警状态。预警基准线数值通过设备正常状态数据模型对设备正常运行状态数据集的计算自动获得。如上例中，压缩机的正常运行状态数据集为10080个数据组，通过数据模型对这10080个数据组计算，生成10080个相似度值，这些相似度值覆盖了该压缩机在所有正常运行工况下的相似度，取其最小值设为相似度的预警基准线。

图5显示了根据相似度曲线发布设备潜在故障早期预警及生成优化操作指导结果的过程。

设备在线运行中，不断产生一组组的实时数据，即生成一组组设备正常运行数据模型的输入，通过模型输出一个个的相似度数值，形成设备运行在线相似度曲线，当设备出现故障早期征兆时，相似度曲线会先于设备故障出现相应的下降变化趋势，当相似度曲线的数值低于设备预警基准线时，即设备的当前状态变化已经超出所有历史正常运行的范围时，则发布设备状态故障早期预警。此外，根据影响相似度曲线变化变量参数的排序输出，可以有针对性的对设备早期的潜在故障进行相关优化处理，即按照测点影响变量参数的输出，对设备相关的参数进行优化操作，防止设备潜在故障的进一步恶化，达到设备长期稳定、优化运行的目标。

实际运行中，如上例中的压缩机，当压缩机在图5的T1时刻触发故障早期预警，通过关联测点排序检查发现影响相似度变化的主要关联测点参数有3个，即压缩机的润滑油压（V2）持续下降，压缩机振动持续攀升（V5），润滑油温（V10）持续上升，虽然这3个参数仍在正常值范围之内，而其他21个参数变化一切正常，这时就需要检查压缩机润滑油密封系统是否有异常，排除潜在油封漏油的故障对压缩机正常运行造成的影响。

本发明首选实施例由基于相似度曲线的设备故障早期预警及设备优化系统实现，图6显示了该系统的模块示意图。

如图示，筛选模块01用于输入设备运行实时历史数据，从中筛选出设备正常运行实时历史数据；

创建模块02用于输入筛选模块得到的设备正常运行实时历史数据，生成包括设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，创建反映设备实际运行规律的正常运行数据模型；

生成模块03用于将设备在线运行时的实时状态值组作为正常运行数据模型的输入，将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算，生成设备实时运行状态与正常运行数据模型之间的相似度曲线；

定义模块04用于将设备正常状态的数据状态集作为正常运行数据模型的输入，基于正常运行数据模型对设备正常状态的数据状态集进行计算，定义与从生成模块得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则；

预警模块05用于结合从定义模块得到的设备潜在故障早期预警及优化规则，分析从生成模块得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。

Claims (8)

1.一种基于相似度曲线的设备故障早期预警及设备优化的方法，其特征在于包括： 

筛选步骤，从设备运行实时历史数据中筛选出设备正常运行实时历史数据，去除设备运行中非正常和干扰数据； 

创建步骤，基于从筛选步骤得到的设备正常实时历史数据，通过采样得到设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，抽取多个可覆盖所有的设备正常运行状态的典型特征数据组作为反映设备实际运行规律的正常运行数据模型； 

生成步骤，对设备在线运行的每个运行时刻采样形成所述实时状态值组，将所述实时状态值组与设备正常运行数据模型中每个状态点的数值组进行比较计算，从正常运行数据模型找到与设备当前运行时刻实时状态值组最相似的一数据模型特征值组，设备当前实时状态值组与所述数据模型特征值组之间的距离为设备在线相似度值，每个运行时刻的设备在线相似度值形成相似度曲线； 

定义步骤，基于正常运行数据模型对设备正常状态的数据状态集进行计算，定义与生成步骤得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则； 

预警步骤，结合从定义步骤得到的设备潜在故障早期预警及优化规则，分析从生成步骤得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。 

2.根据权利要求1所述的方法，其特征在于：在筛选步骤中，设备正常运行实时历史数据满足以下条件，涵盖了一段可以反映设备在各个工况下的运行时间，设备正常运行实时历史数据中的每个采样数据组包括的设备所有变量参数的实时数据都在正常范围内，表达设备的正常运行状态，并且每个采样数据组中设备各个变量参数在同一时刻采样。 

3.根据权利要求1所述的方法，其特征在于：在创建步骤中，从设备正常状态的数据状态集的数据组中抽取典型特征数据组用于创建正常运行数据模型，所述典型特征数据组包含所述数据状态集中的极值状态，并且在数据状态集中数据组分布密度大的地方，抽取典型特征数据组相对比重较少；在数据状态集中数据组分布密度小的地方，抽取典型特征数据组相对比重较大。 

4.根据权利要求1所述的方法，其特征在于还包括：基于正常运行数据模型也计算 出影响设备相似度曲线变化的实时状态值组中变量参数的排序。 

5.根据权利要求1至4任意一项所述的方法，其特征在于：在定义步骤中，通过正常运行数据模型对设备正常状态的数据状态集进行计算，得到正常状态的相似度值，取所述正常状态的相似度值中的最小值作为预警基准线，作为设备潜在故障早期预警及优化规则。 

6.根据权利要求5所述的方法，其特征在于：在预警步骤，当相似度曲线的设备在线相似度值低于预警基准线的数值时，发布设备潜在故障早期预警。

7.根据权利要求4或6任意一项所述的方法，其特征在于：在预警步骤，基于影响相似度曲线变化的实时采样值组中变量参数的排序，产生测点影响变量参数的输出，作为设备优化操作指导。 

8.一种基于相似度曲线的设备故障早期预警及设备优化的系统，其特征在于包括： 

筛选模块，输入设备运行实时历史数据，从中筛选出设备正常运行实时历史数据，去除设备运行中非正常和干扰数据； 

创建模块，输入筛选模块得到的设备正常运行实时历史数据，通过采样得到包括设备正常状态的数据状态集，并根据数据状态集内数据组的分布进行抽取，抽取多个可覆盖所有的设备正常运行状态的典型特征数据组作为反映设备实际运行规律的正常运行数据模型； 

生成模块，对设备在线运行的每个运行时刻采样形成所述实时状态值组，将所述实时状态值组与设备正常运行数据模型中每个状态点的数值组进行比较计算，从正常运行数据模型找到与设备当前运行时刻实时状态值组最相似的一数据模型特征值组，设备当前实时状态值组与所述数据模型特征值组之间的距离为设备在线相似度值，每个运行时刻的设备在线相似度值形成相似度曲线； 

定义模块，将设备正常状态的数据状态集作为正常运行数据模型的输入，基于正常运行数据模型对设备正常状态的数据状态集进行计算，定义与从生成模块得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则； 

预警模块，结合从定义模块得到的设备潜在故障早期预警及优化规则，分析从生成模块得到的相似度曲线的变化，发布设备潜在故障早期预警，并产生设备优化操作指导。 

Images