CN105930629B - 一种基于海量运行数据的在线故障诊断方法 - Google Patents
一种基于海量运行数据的在线故障诊断方法 Download PDFInfo
- Publication number
- CN105930629B CN105930629B CN201610551765.3A CN201610551765A CN105930629B CN 105930629 B CN105930629 B CN 105930629B CN 201610551765 A CN201610551765 A CN 201610551765A CN 105930629 B CN105930629 B CN 105930629B
- Authority
- CN
- China
- Prior art keywords
- mtd
- data
- mrow
- msub
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000007246 mechanism Effects 0.000 description 9
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于海量运行数据的在线故障诊断方法，首先确定故障诊断模型样本参数，获取稳态样本数据，并剔除冗余样本数据；然后利用优选样本训练故障诊断模型；最后在实时诊断过程中，对监测数据进行标准化处理，并对处理后的数据流进行非稳态数据剔除，利用训练好的故障诊断模型对稳态数据进行传感器故障诊断，非稳态数据不作为判定传感器故障的依据，若稳态数据样本中出现故障数据，则故障诊断模型发出报警并进行故障处理。本发明在训练诊断模型的过程中进行样本优选，在实时诊断的过程中进行数据过滤，降低了故障诊断模型的误诊率，提高了故障诊断模型的可靠性、确诊率和容错力，进一步提高了在线监测精度。
Description
技术领域
本发明涉及在线故障诊断技术领域，具体涉及一种基于海量运行数据的在线故障诊断方法。
背景技术
机器学习(Machine Learning)是从已知样本数据或信息中通过挖掘、归纳、演绎、类比等方法获取知识的手段和机制，它是继专家系统之后人工智能应用的又一重要研究领域，并引起广泛关注。机器学习的目的就是根据设计的某种方法或算法，对事先给定的训练样本进行学习，然后求取对某系统输入输出之间依赖关系的估计，并使该估计能够较好的对未知输出做出尽可能准确的预测或对其性质进行判断。
故障诊断不但是海量数据挖掘领域中的重要研究内容，在热工过程海量实时数据流处理中也是需要重点解决的问题。热工过程底层传感器通常工作在高温高压的复杂环境下，一旦测量传感器发生故障，必将造成系统相关计算分析错误，轻则是控制系统性能下降，重则有可能导致严重的事故，造成重大的经济损失，因此有必要对传感器测量数据的准确性进行实时验证，并对诊断出故障的传感器进行故障分类及故障值重构；此外，除了保证测量数据的准确之外，还要对热工过程各部件的运行状态进行实时监测及诊断。美国国家统计局曾做过统计：1980年美国用于设备的检修的费用为2460亿美元，而采用状态监测与故障诊断技术后，该项费用减少了1/3，合计约750亿美元；英国国有化企业在釆用状态监测和故障诊断技术之后，每年检修费用从35亿英镑锐减少到20亿英镑。可见，釆用故障检测和故障诊断技术可以大量减少事故发生率，节省维修费用，减少大量的直接和间接经济损失。基于数据驱动的人工智能技术是解决这一问题的有效方法，也是该领域的一个研究热点。
目前，研究者们对人工智能建模技术作了大量的研究，提出了多种改进算法，在一定程度上能够提高模型的学习能力。然而，人工智能模型的性能与训练样本的选取密切相关，样本集是否具有代表性，决定了模型的学习效果。如果样本集中的某个参数与其他参数数据相关性差，那么所建立的模型仅限于拟合有限训练样本间的关系，具有较差的泛化能力，无法满足实时诊断的要求，某些参数由于测量环境差或者目前的技术无法准确测量，导致测量值波动较大或与真实值偏离较大，即使与其他参数具有一定的机理关系，也无法从过程测量数据中识别出来，如果这些参数的历史测量数据参与模型建立，可能会降低诊断模型的精确度，还有基于过程数据的诊断模型一般通过机理关系确定模型参数，然而各类传感器之间存在差异，某些传感器由于测量环境恶劣或者测量技术无法满足测量要求，使得测量数据于真实值之间存在较大误差，导致这些参数的过程测量数据丧失了他们固有的机理关系，因此有必要对参数间的关系进行数据检验；另外，样本中存在的非稳态数据和冗余数据也会破坏诊断模型的精度，降低模型的学习能力和泛化能力，原始历史数据集中存在大量非稳态数据，由于测量延迟或过度期间中的工况波动，使得这些数据无法准确反映参数间的机理关系，还有稳态样本数据中存在大量的冗余数据，一方面增加了模型训练过程中计算量，降低了网络模型的计算速度，另一方面可能造成样本数据不平衡。此外，实时诊断过程中的非稳态数据不确定因素较多，很难保证变量间的关系符合严格的数学模型，将发生大量的误诊情况，严重影响了模型的有效性，因此，如何从海量数据中选取合适的样本对提高机器学习模型的实用性具有重要意义。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供了一种基于海量运行数据的在线故障诊断方法，考虑了模型训练过程中的样本选择问题和在线诊断过程的数据过滤问题，提高了诊断模型的可靠性。
技术方案：本发明提供的基于海量运行数据的在线故障诊断方法，包括如下步骤：
(1)优选样本：确定故障诊断模型样本参数，获取稳态样本数据，并剔除冗余样本数据；
(2)训练故障诊断模型：利用优选样本训练故障诊断模型；
(3)故障诊断：实时监测过程数据，进行标准化处理，并对处理后的数据流进行非稳态数据剔除，利用训练好的故障诊断模型对稳态数据进行传感器故障诊断，非稳态数据不作为判定传感器故障的依据。
某些参数由于测量环境差或者目前的技术无法准确测量，导致测量值波动较大或与真实值偏离较大，即使与其他参数具有一定机理关系，也无法从过程测量数据中识别出来，如果这些参数的历史测量数据参与模型建立，可能会降低诊断模型的精确度。因此，本发明在模型建立前对参数进行相关性分析，确保参数历史测量数据之间具有一定的相关性。样本参数确定的具体方法为：
(1a)获取初始诊断模型样本参数集合P：P＝{p1,p2,···,pn}，pi＝{pi1,pi2,···,pim}，其中，pi∈P，i＝{1,2,...,n}表示参数编号，n表示参数个数，m表示对应参数的样本个数；
(1b)对初始诊断模型参数之间进行相关性分析，得到各参数与其他参数之间的相关系数：
其中，rij表示参数pi与参数pj之间的相关系数，所采用的相关性分析方法为：PCA、KPCA或信息熵相关性分析方法；
(1c)设定相关系数容忍度rtol，计算各参数与其他参数之间相关系数大于rtol的个数得到
其中，i＝{1,2,...,n}表示参数编号；
(1d)设定最小容忍个数ζ，选取大于最小容忍个数ζ的参数作为最终诊断模型参数，最终诊断模型参数集合为：P′＝{p1′,p2′,···,pL′L}，L为最终诊断模型参数个数。
原始历史数据集中存在大量非稳态数据，由于测量延迟或过渡期间中的工况波动，使得这些数据无法准确反映参数间的机理关系。因此本发明利用稳态判定方法获取最终诊断模型参数对应的历史样本数据各时间段内的稳态因子，设定稳态容忍度，剔除稳态因子小于所述稳态容忍度的数据，得到各时间段的稳态数据；所采用的稳态判别方法为：数理统计方法、字符串解析方法或信息熵方法。
训练样本在保证包含参数间绝大部分信息的前提下，应尽量减少样本数量，一方面能够减少冗余信息，提高学习效率，满足在线学习的要求，另一方面可以减少样本间的不平衡，避免对某些样本的过学习。因此本发明采用数据约简技术剔除样本数据中的冗余数据；所述采用的数据约简技术为：聚类方法、压缩最近邻方法或信息熵方法。
为了保证实时数据与诊断模型的有效融合，实际监测过程中与样本优选过程中筛选出相同稳态质量的数据。
有益效果：本发明提出的方法与现有技术比较，具有的优点是：
1、在利用故障诊断模型对数据流进行实时诊断之前，选取与诊断对象具有机理关系的诊断模型参数，再利用历史测量数据对这些参数进行相关性分析，从而选取了一组相关性较大的参数作为诊断模型参数，确保诊断模型的有效性和稳定性；采用稳态判定方法和数据约简技术从海量历史数据中选取稳定性高、相关性低、分布均匀的数据集作为模型训练样本，降低了故障诊断模型的误诊率、提高了故障诊断模型的可靠性，进一步提高了故障诊断模型的在线监测精度。
2、在实时诊断过程中加入数据过滤，利用稳态判定策略剔除实时数据中的非稳态数据，将稳态数据通过所述故障诊断模型进行实时故障诊断，提高了模型的确诊率和容错力。
附图说明
图1是本发明基于海量运行数据的在线故障诊断方法的流程图；
图2是原始样本稳态监测结果；
图3是机组发电负荷稳态监测结果；
图4是参数M2和M8稳态过滤前后样本对比图；
图5是不同压缩比样本学习效率对比图。
具体实施方式
下面结合实施例对本发明作更进一步的说明。
如图1所示，基于海量数据的在线故障诊断方法包括如下步骤：首先确定故障诊断模型样本参数，获取稳态样本数据，并剔除冗余样本数据；然后利用优选样本训练故障诊断模型；最后在实时诊断过程中，对监测数据进行标准化处理，并对处理后的数据流进行非稳态数据剔除，利用训练好的故障诊断模型对稳态数据进行传感器故障诊断，非稳态数据不作为判定传感器故障的依据，若稳态数据样本中出现故障数据，则故障诊断模型发出报警并进行故障处理。
整个在线诊断过程包括模型训练模块和在线稳态监测模块，其中模型训练模块包括样本变量选取模块、稳态数据识别模块、海量数据约简模块。
下面以某600MW电厂SCR脱硝系统A侧反应器为例来介绍本发明提供的在线故障诊断方法的具体实施步骤。
选取表1所示的8个测点作为原始样本参数。从SIS系统PI实时数据库中采集所选参数在2014年12月1日至2015年1月1日之间的历史数据，其采样间隔时间为60s，选用每10分钟内10次采样结果的平均值作为一组样本数据，共采集44632组进行研究。(注：可通过应用程序利用PI数据库提供的API函数快速读取历史数据。)
表1测点清单
样本变量选取模块。本算例采用关联信息熵技术分析各参数之间的相关性，设定相关系数容忍度rtol＝0.5和最小容忍个数ζ＝3，得到相关系数矩阵：
可见，容限内的各参数个数为：
根据容限内参数个数与最小容忍个数的比较结果，剔除第四、第七个参数，选择其他六个参数作为本算例诊断模型的训练参数。
训练参数原始样本数据进入稳态数据识别模块。采用一种基于统计理论的稳态判定方法，通过两种不同方法计算出同一数据集的方差值，获取两个方差值的比率得到F检验结果，并以此作为样本的稳态依据。设定稳态容限，识别各样本稳定状态，并剔除非稳态数据。
本算例采用MATLAB软件平台，计算在不同稳态容限Scri下脱硝系统的历史样本稳态监测结果，对44632组数据样本的计算时间为5.325s，结果如图2所示，图2是原始样本稳态监测结果(1表示稳态，0表示非稳态)；以机组负荷为例，图3为该参数在某一时间段的历史曲线及对应的稳态判定结果，可见，该算例的稳态判定结果能准确地反映历史数据的波动状况。综上所述，该稳态监测方法能够准确、有效、快速地辨识出热工过程海量数据中的稳态数据。
低稳态容忍度输出高质量稳态样本，同时也降低了稳态样本的在原始样本中的比率，见表2。为了保证实时数据与诊断模型的有效融合，在实际监测过程中需要筛选出相同稳态质量的数据，因此稳态容忍度也会影响实际应用过程中的诊断周期。由表2可知，低稳态容忍度将增大模型的诊断周期，降低模型诊断的时效性。因此，确定稳态容忍度需要综合考虑样本的稳态质量和在线诊断周期。
表2不同容限下历史样本稳态监测结果
图4为参数M2和M8稳态过滤前后样本对比图，即历史样本在稳态检测前后反应器入口NOx浓度和尿素流量的样本对比。一方面，随着稳态容忍度降低，稳态数据不断减少，例如当Scri＝1时稳态数据只有52个，占所有样本数量的0.13％；另一方面，随着稳态容忍度降低，数据带周边的样本不断被剔除，保留着数据带中心的样本，这些样本能够更加清晰地呈现出两参数之间的机理关系。在采样周期为1分钟的情况下，几分钟的诊断周期能够满足现场的实际要求。因此，本算例选取稳态容忍度Scri＝1.4，将6500组输出样本作为稳态样本。
稳态数据进入海量数据约简模块。采用聚类及压缩最近邻的方法对稳态样本进行数据约简，减少样本集中的冗余数据，能够较好地权衡信息与数据量之间的关系，保证约简过程不会丢掉具有重要的物理特征的数据集，进一步提高诊断模型的学习速率和泛化能力。
为确定合适样本数量，本算例基于MATLAB平台，采用神经网络技术(本算例采用ITNN神经网络)分别对1％，5％，10％，20％，40％，60％，80％，100％压缩比的样本进行训练，考察各模型的学习效率，模型精度以及泛化能力。
神经网络的学习效率与初始化随机权重值有关，因此本算例对各压缩比模型分别进行10次模拟训练，每次训练采用相同的预设精度，用10次模型训练的平均学习时间来考察各压缩比下模型的学习效率，由于40％，60％，80％，100％压缩比下的样本无法完成训练，因此只考察其它4组模型；另外，从6500组稳态样本中随机选取1000组样本作为模型的测试样本，采用平均相对误差平均绝对误差和最大相对误差Emax来综合考察模型精度，结果如表3所示。
表3四种压缩比样本模型的学习时间及误差分析结果
从模型精度上看，四个模型都能够准确地估计出各变量的真值，具有较强的泛化能力。从学习效率上看，如图5所示，1％压缩比的模型明显优于其他模型，因此本算例采用1％压缩比的65个样本作为诊断模型的训练样本。可见，采用本发明策略能够成功地从海量数据中挑选出少量具有代表性的高质量样本，所建立模型亦可保证较高的学习效率和准确性。
采集实时数据进入在线稳态监测模块，首先采用步骤1中的稳态判定方法对过程数据进行实时监测，然后对稳态数据进行传感器故障诊断，非稳态数据不作为判定传感器故障的依据。为验证在线稳态监测模块的必要性和有效性，本算例随机采集1000组非稳态数据作为模型测试样本，以发电功率为例，测试结果如表4所示。
表4发电功率稳态与非稳态样本测试结果对比
可见，非稳态样本中存在较多的不确定因素，很难保证变量间关系符合严格的数学模型。若设定10MW为故障阈值，那么1000个非稳态样本中会出现52次误报警，严重影响诊断模型的准确性。采用本发明在线稳态监测方法，可以有效降低诊断模型误诊率，保障诊断模型可靠性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于海量运行数据的在线故障诊断方法，其特征在于，包括如下步骤：
(1)优选样本：确定故障诊断模型样本参数，获取稳态样本数据，并剔除冗余样本数据；
(2)训练故障诊断模型：利用优选样本训练故障诊断模型；
(3)故障诊断：实时监测过程数据，进行标准化处理，并对处理后的数据流进行非稳态数据剔除，利用训练好的故障诊断模型对稳态数据进行传感器故障诊断，非稳态数据不作为判定传感器故障的依据；
所述步骤1确定故障诊断模型样本参数的具体方法为：
(1a)获取初始诊断模型样本参数集合P：P＝{p1,p2,…,pn}，pi＝{pi1,pi2,…,pim}，其中，pi∈P，i＝{1,2,...,n}表示参数编号，n表示参数个数，m表示对应参数的样本个数；
(1b)对初始诊断模型参数之间进行相关性分析，得到各参数与其他参数之间的相关系数：
<mrow>
<mi>R</mi>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
其中，rij表示参数pi与参数pj之间的相关系数；
(1c)设定相关系数容忍度rtol，计算各参数与其他参数之间相关系数大于rtol的个数得到
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，i＝{1,2,...,n}表示参数编号；
(1d)设定最小容忍个数ζ，选取大于最小容忍个数ζ的参数作为最终诊断模型参数，最终诊断模型参数集合为：P′＝{p′1,p′2,…,p′L}，L为最终诊断模型参数个数。
2.根据权利要求1所述的基于海量运行数据的在线故障诊断方法，其特征在于，所述步骤1获取稳态样本数据的具体方法为：利用稳态判定方法获取最终诊断模型参数对应的历史样本数据各时间段内的稳态因子，设定稳态容忍度，剔除稳态因子小于所述稳态容忍度的数据，得到各时间段的稳态数据。
3.根据权利要求2所述的基于海量运行数据的在线故障诊断方法，其特征在于，所采用的稳态判别方法为：数理统计方法、字符串解析方法或信息熵方法。
4.根据权利要求1所述的基于海量运行数据的在线故障诊断方法，其特征在于，所述步骤1采用数据约简技术剔除样本数据中的冗余数据。
5.根据权利要求4所述的基于海量运行数据的在线故障诊断方法，其特征在于，所述采用的数据约简技术为：聚类方法、压缩最近邻方法或信息熵方法。
6.根据权利要求1所述的基于海量运行数据的在线故障诊断方法，其特征在于，所述步骤3与步骤1筛选出相同稳态质量的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610551765.3A CN105930629B (zh) | 2016-07-13 | 2016-07-13 | 一种基于海量运行数据的在线故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610551765.3A CN105930629B (zh) | 2016-07-13 | 2016-07-13 | 一种基于海量运行数据的在线故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105930629A CN105930629A (zh) | 2016-09-07 |
| CN105930629B true CN105930629B (zh) | 2017-09-05 |
Family
ID=56827791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610551765.3A Active CN105930629B (zh) | 2016-07-13 | 2016-07-13 | 一种基于海量运行数据的在线故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105930629B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967138A (zh) * | 2017-11-27 | 2018-04-27 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于海量设备设施数据的在线诊断模型的建立方法 |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
| CN109186973B (zh) * | 2018-08-20 | 2020-03-31 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
| CN109460403B (zh) * | 2018-12-21 | 2022-08-16 | 南京工程学院 | 空预器堵灰实时动态定量标定方法 |
| CN110598243B (zh) * | 2019-07-26 | 2021-04-30 | 浙江大学 | 一种基于机械产品历史数据的虚拟样本扩容方法 |
| CN111160652B (zh) * | 2019-12-31 | 2023-04-18 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
| CN111767275B (zh) * | 2020-06-28 | 2024-04-19 | 北京林克富华技术开发有限公司 | 数据的处理方法及装置、数据处理系统 |
| CN115169434B (zh) * | 2022-06-14 | 2023-09-19 | 上海船舶运输科学研究所有限公司 | 基于k均值聚类算法的主机工况特征值提取方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
-
2016
- 2016-07-13 CN CN201610551765.3A patent/CN105930629B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105930629A (zh) | 2016-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN104732276B (zh) | 一种计量生产设施故障在线诊断方法 | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
| CN113112188B (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
| CN115409131A (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN113757093A (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN111077876A (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
| CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |