CN109784127A

CN109784127A - 一种设备健康状态预警方法及其系统

Info

Publication number: CN109784127A
Application number: CN201711107379.6A
Authority: CN
Inventors: 雷文平; 陈磊; 陈宏�; 李凌均; 王丽雅; 韩捷; 吴小龙; 李康乐; 王凯; 付晗; 郝旺身
Original assignee: Zhengzhou Enpu Technology Co ltd; Zhengzhou University
Current assignee: Zhengzhou Enpu Technology Co ltd; Zhengzhou University
Priority date: 2017-11-10
Filing date: 2017-11-10
Publication date: 2019-05-21
Anticipated expiration: 2037-11-10
Also published as: CN109784127B

Abstract

本发明涉及一种设备健康状态预警方法及其系统，具体公开了一种基于高维(Hyper Dimension,HD)‑支持向量回归机(Support Vector Regression,SVR)技术的大数据设备预警方法。根据设备运行历史健康数据建立设备的健康集，采集设备当前状态的运行数据作为观测向量，并由健康集得到的对应状态的预测向量，通过残差向量即观测向量与预测向量之差来判定当前设备运行状态健康程度，以实现实时的高维数据监测、异常工况预警。同时利用支持向量回归机对设备进行故障预测。

Description

一种设备健康状态预警方法及其系统

技术领域

本发明涉及一种设备健康状态预警方法及其系统，属于工业设备安全及故障预测、诊断领域。

背景技术

反映设备健康状态的信号往往是多维的，而设备在不同的负载、工况下，反映其健康程度的信号往往也是不同的。这就造成设备的健康识别、预测和诊断有一定的复杂性。目前的设备故障诊断方法多是单维的，对各维度之间的数量关系考虑得不够充分，也并没有考虑设备在不同负载、工况下不同的健康指标。

此外，独立地考虑设备的各个检测信号时往往设备是健康的，但当综合考虑这些信号是可能就会发现设备处于非正常的运转状态。因此，综合考虑高维信号，对设备故障监测、预警的意义重大。

发明内容

本发明的目的是提供一种设备健康状态预警方法及其系统，用以解决现有技术中，对工业设备故障的诊断和预测考虑不充分，结果不准确的问题。

为实现上述目的，本发明的方案包括：

本发明的一种设备健康状态预警方法，包括方法方案：

方法方案一，包括以下步骤：

1)采集设备在各工况下运行时产生的高维运行数据；

2)筛选出能够反映设备运转良好的健康数据，并处理成能够反映设备所有健康状态的健康数据集；

3)采集设备当前运行状态下的实时数据集，并与所述健康数据集对比，获得当前状态下设备的健康度。

方法方案二，在方法方案一的基础上，还包括步骤：

4)当所述健康度低于设定的阈值时报警，并根据步骤3)中的所述对比的结果定位故障位置。

方法方案三，在方法方案二的基础上，将所述健康度处理后，用于训练支持向量回归机，进而预测设备的健康趋势。

方法方案四，在方法方案三的基础上，所述运行数据全面而不冗余的覆盖了设备的运行状态。

方法方案五，在方法方案四的基础上，步骤3)和步骤4)中，所述对比包括计算残差值；所述残差值为，由所述实时数据集得到观测向量，由健康数据集得到设备对应状态下的预测向量，所述观测向量和所述预测向量的差为残差向量，由残差向量获得残差值。

方法方案六，在方法方案四的基础上，所述残差值越小，设备健康度越高。

方法方案七，在方法方案六的基础上，步骤4)中，所述阈值设定为能够反映设备运转良好的健康数据的最小值。

方法方案八，在方法方案六的基础上，步骤4)中，定位故障位置的方法为，所述残差值大于设定值的数据，反映发生故障的位置。

方法方案九，在方法方案一或方法方案二或方法方案三的基础上，所述处理为将健康度进行拟合和/或平稳化处理。

本发明的一种设备健康状态预警系统，包括采集单元和处理器，所述采集单元用于采集设备在各工况下运行时产生的高维运行数据；所述处理器用于执行实现上述方法方案一到方法方案九方法的指令。

本发明的有益效果为：

本发明的方案利用聚类分析的方法，得到设备的健康集。保证了本方法的可计算性、准确性以及在设备的整个生命周期上的泛化能力。

本发明的方案充分考虑了设备运行中不同数据间的相互关系，提高了系统的合理性，实现了设备高维信号的综合分析、处理。消除设备运行中产生的数据的非平稳因素。

本发明的方案与支持向量回归机相结合，通过回归预测，更好地把握设备的健康运行趋势。

附图说明

图1是HD-SVR大数据设备健康预警方法流程图；

图2是实施例中A磨煤机某时段内部分运行指标趋势图；

图3是实施例中A磨煤机某时段内运行状态健康度趋势图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

如图1所示的HD-SVR大数据设备健康预警方法流程图，本发明的方法包括以下四个步骤：

模型建立。设备在各个工况下健康运行中产生的工业数据构成健康状态向量集。其中列向量反映的是不同时刻的健康状态，例如j时刻该设备的状态列向量即为：

其中分别表示设备的某一信号或指标在j时刻的值，例如由不同测点的温度、流量、功率、电流、振动，以及设备启停机、设备维护质量等共n个。在设备运行过程中产生的m^*个时刻的这样的健康的状态向量可构成健康状态向量集，表示为：

经过聚类处理后，将[S^*]中相似、重复、有噪声的状态向量进一步筛选、融合处理后得到健康集为：

健康评价。已知反映设备当前状态的一个观测向量[Y]^(j) _obs，参照健康集[S]得到该时刻的预测向量[Y]^(j) _est，并得到残差向量[E]^(j)。计算过程如下：

[W]^(j)＝st{([S]^T※[S])^-1·([S]^T※[Y]^(j) _obs)} (4)

[Y]^(j) _est＝[S]·[W]^(j) (5)

[E]^(j)＝[Y]^(j) _obs-[Y]^(j) _est (6)

其中，st{}表示将向量中各元素均除以所有元素之代数和、※表示两矩阵间的马氏距离。[E]^(j)中各元素的绝对值|e_i ^(j)|越大，说明该时刻异常越有可能发生在i测点，该时刻的健康度为：

其中C为某一常数。则对设备进行时长为l的观测、健康评估，其健康度的时序序列为：

[H]＝[h⁽¹⁾ … h^(l)] (8)

故障报警。设备安全运行时健康度最低为h^*，以此确定报警阈值为当设备健康度低于阈值时故障报警，并根据[E]^(j)中各元素的绝对值|e_i ^(j)|来确定故障位置。

健康预测。对健康度的时序序列[H]进行拟合并做平稳化差分处理，以此作为训练数据，训练支持向量回归机，利用支持向量回归机对其健康度趋势进行回归预测，用于预知设备能够健康、平稳运行的持续时间。

利用本方法实现设备健康预警的系统，包括处理器，存储器和采集单元，其工作过程如下。

采集单元采集设备在所有工况下健康运行时产生的高维数据，利用本方法自动进行学习并构造健康集[S]，并存于所述存储器。

采集单元采集当前设备运行状态的一个观测向量[Y]_obs，利用本方法计算可得到体现当前设备运行健康程度的残差向量[E]健康度h^(j)；当健康度低于阈值系统报警时，系统给出故障的发生位置。

根据计算得到的一系列健康度值，本系统不断计算、更新设备的健康趋势，给出设备的健康运行预测曲线。

下面以某火电厂1号炉A磨煤机系统为健康状态监测对象，基于本发明的方法建立设备健康集，对该设备进行健康预测和故障预警，举例说明本发明的一种设备健康状态预警方法。

磨煤机系统的安全平稳运行是发电厂正常运转的重要保证，因此必须准确地把握和预知其运行的健康程度。而磨煤机的运行又受诸多因素的影响，这给健康状态监测、预警带来一定的挑战，通过本实施例，说明本发明在解决工况复杂的设备健康状态预警方法中的应用。

具体实施步骤如下：

1)采集健康运行状态下的设备数据，根据得到的健康运行观测向量集构件健康集。

该磨煤机系统中，选取13个测点作为13个健康指标，即每个时刻下的观测向量[Y]^(j) _obs维数为13。这些指标(测点)包括：磨煤机A(下称A磨)电流、A磨分离器变频调速指令、A磨分离器调速电机转速指令、A磨分离器调速电机转速反馈、A磨进出口压差、A磨出口风粉温度选择、A磨磨辊1轴承温度、A磨磨辊2轴承温度、A磨磨辊3轴承温度、A磨液压站比例溢流阀指令、A磨液压站供油压力、A磨给煤机给煤量计算值、A磨一次风量前馈等。

选取2017/04/13-2017/04/20这段时间的观测向量作为健康运行下的观测向量集，其部分运行状态指标趋势图见图2。经本发明所用的聚类算法将观测向量集中相似、重复、有噪声的状态向量进一步筛选、融合处理后得到健康集[S]。健康集即是该磨煤机系统健康运行的表征。

2)采集磨煤机实时运行参数，根据健康集评估其运转健康度。

依然按照13个测点作为13个健康指标的方法采集磨煤机2017/04/11-2017/04/23的运转参数(见图2)，即状态观测向量。经计算得到当前设备运行的残差向量[E]^(j)以及对应的健康度h^(j)。将得到的设备健康运行状态下的健康度最低值h^*经可靠性换算得到报警阈值(在本实施例中定为80％)。并将长期以来的h^(j)趋势用于SVR的训练，修正健康度值并预知其趋势。其趋势图如图3所示。

3)数据结果分析。

根据计算结果判断出磨煤机在2017/04/12/12:00前有健康度下降趋势，根据残差向量[E]^(j)分析得知最可能为出口风粉温度选择过高的原因。于是立即对其进行停机处理，重启后磨煤机经过短时间的自我调节，其健康度又恢复正常水平。

在2017/04/20前，系统再次监测到健康度有下降趋势，触发报警后依然有继续下降的趋势。于是再次紧急停机。经残差向量判断可能为磨辊2轴承温度异常上升导致，停机排查后发现该轴承确实存在轻度损伤。于是做了停机维护处理。停机阶段显示健康度近似为零。

通过本实施例，验证了本发明能够及时、有效地预警设备运转健康状态并给出故障位置，保证了设备的安全生产、经济维护。

Claims

1.一种设备健康状态预警方法，其特征在于，包括以下步骤：

1)采集设备在各工况下运行时产生的高维运行数据；

3)采集设备当前运行状态下的实时数据集，并与所述健康数据集对比，得到健康度；所述健康度大于预设定值时，判断设备健康；所述健康度小于预设定值时，判断设备不健康。

2.根据权利要求1所述的一种设备健康状态预警方法，其特征在于，步骤1)中，所述高维运行数据包括m^*个时刻的所述状态列向量，为其中，包括j时刻所述设备的状态列向量其中分别表示设备的所述运行数据在j时刻的值，所述运行数据共有n个。

3.根据权利要求2所述的一种设备健康状态预警方法，其特征在于，步骤2)中，所述健康数据集包括m个时刻的所述状态列向量，为

4.根据权利要求3所述的一种设备健康状态预警方法，其特征在于，步骤3)中，所述对比包括，从所述实时数据集得到设备当前状态的一个观测向量[Y]^(j) _obs，从所述健康数据集[S]得到设备对应时刻的预测向量[Y]^(j) _est，并计算残差向量[E]^(j)，公式如下：

[W]^(j)＝st{([S]^T※[S])^-1·([S]^T※[Y]^(j) _obs)}

[Y]^(j) _est＝[S]·[W]^(j)

[E]^(j)＝[Y]^(j) _obs-[Y]^(j) _est

其中，st{}表示将向量中各元素均除以所有元素之代数和、※表示两矩阵间的马氏距离。

5.根据权利要求4所述的一种设备健康状态预警方法，其特征在于，步骤3)中，j时刻健康度为其中|e_i ^(j)|为[E]^(j)中各元素的绝对值，i＝1，2…n，C为常数。

6.根据权利要求4所述的一种设备健康状态预警方法，其特征在于，还包括步骤：

4)当所述健康度低于设定的阈值时报警，并根据大于设定值的所述残差向量定位故障位置。

7.根据权利要求6所述的一种设备健康状态预警方法，其特征在于，步骤4)中，所述阈值设定为能够反映设备运转良好的健康数据的最小值。

8.根据权利要求6所述的一种设备健康状态预警方法，其特征在于，将所述健康度处理后，训练支持向量回归机，并预测设备的健康趋势。

9.根据权利要求1、2或3所述的一种设备健康状态预警方法，其特征在于，所述处理为将健康度进行拟合和/或平稳化处理。

10.一种设备健康状态预警系统，其特征在于，包括采集单元和处理器，所述采集单元用于采集设备在各工况下运行时产生的高维运行数据；所述处理器用于执行实现如权利要求1～9任一项所述方法的指令。