CN109947088A - 基于模型全生命周期管理的设备故障预警系统 - Google Patents

Abstract

本申请涉及一种基于模型全生命周期管理的设备故障预警系统，包括数据准备模块、实时故障预警模块、模型风险管理模块、模型自学习模块和模型库；数据准备模块读入外部实时数据并进行预处理，把处理好的外部实时数据传递至实时故障预警模块和模型风险管理模块进行分析；实时故障预警模块对故障风险进行预测，生成预警信息和维护建议；模型风险管理模块对模型结果可靠性进行评估；模型自学习模块读入积累的标注样本，对实时故障预警模块中的模型进行重新训练。本申请能够实现对设备的故障预警和模型全生命周期的在线监控，并且能够实现模型的动态更新，保证了模型结果的持续可靠性；并且同时引入了运行数据和运营数据，使得预警误差更小。

Description

基于模型全生命周期管理的设备故障预警系统

技术领域

本申请涉及一种基于模型全生命周期管理的设备故障预警系统。

背景技术

近年来，随着互联网、人工智能技术在风电领域的普及，风力发电机组、汽轮机、数控机床等工业高价值设备的健康状态监测和运维也在向智能化发展。以风力发电机组设备为例，其故障预警系统利用风电场广泛接入的SCADA(数据采集与监视控制系统)数据等设备运行数据，对关键部件的健康状态进行故障预警和诊断，以指导预测性的设备维护，减少停机事故，降低运维成本。

现有的基于SCADA数据的设备机组故障预警系统，往往只能基于非常有限的设备运行数据和极少量的故障标签进行建模，且建模时过于依赖机器学习的建模方法，导致模型只有在一定的适应范围内才可能进行正确地预警。然而，现有的系统缺乏对这种适应范围的量化评估；且在模型上线后，缺少对模型预警结果可靠性的监控和对模型参数的自适应更新。由于缺少了这些机制，模型在上线后，精度会随着时间推移迅速衰退，很难实现在设备全生命周期时间内持续准确地预警。在以前，当出现这样的问题时，只能通过人工离线重新建模训练完成。

部分已有专利主要集中于设备故障预警的建模分析方法本身，而缺少对模型全生命周期管理方法和系统的设计，系统中模型的风险不能被在线监控。部分已有专利提出了故障预警系统中的部分子模块的模型自训练或者自动调节参数的方法，但其训练模型不能实现动态更新，不能保证模型结果的持续可靠性。另外，现有技术中在读取的设备参数中只包括运行参数，而没有考虑到管理运营参数，导致很多无效或者失真的运行参数被当作训练模型而产生预警误差。

发明内容

本申请提供了一种基于模型全生命周期管理的设备故障预警系统，其能够实现对设备的故障预警和模型全生命周期的在线监控，并且能够实现模型的动态更新，保证了模型结果的持续可靠性；并且同时引入了运行数据和运营数据，使得预警误差更小。

根据本申请的基于模型全生命周期管理的设备故障预警系统，包括数据准备模块、实时故障预警模块、模型风险管理模块、模型自学习模块和模型库；数据准备模块读入外部实时数据并进行预处理，把处理好的外部实时数据传递至实时故障预警模块进行分析并产生模型中间结果，把积累的标注样本传递至模型风险管理模块进行模型结果的可靠性评估，同时把积累的标注样本传递至模型自学习模块以备模型训练时使用；实时故障预警模块读入外部实时数据和模型库中的模型，对故障风险进行预测，生成预警信息；模型风险管理模块读入积累的标注样本和实时故障预警模块产生的模型中间结果，对模型结果可靠性进行评估；模型自学习模块读入积累的标注样本，对实时故障预警模块的模型参数进行重新训练，并将新得到的模型更新至模型库。

优选地，数据准备模块包括数据接入子模块、数据清洗子模块、数据预处理子模块、数据标注子模块和标注样本库；数据接入子模块通过与外部系统对接，读入外部实时数据；外部实时数据包括设备运行数据和管理运营数据；数据清洗子模块对接入的设备运行数据和管理运营数据做质量检查和异常值清洗操作；数据预处理子模块对清洗后的设备运行数据进行预处理和特征提取，为实时故障预警模块做数据准备；数据标注子模块根据管理运营数据对相关时间范围内的设备运行数据进行状态标注，以筛选可用于模型自学习的训练数据；标注样本库存储了标注后的设备运行数据，供模型自学习模块和模型风险管理模块调用。

优选地，实时故障预警模块包括健康评估子模块和故障诊断与等级映射子模块；健康评估子模块读入预处理后的设备运行数据，使用模型库中该模块最新的模型参数，计算设备部件的健康偏离度；故障诊断与等级映射子模块读入各部件的健康偏离度，使用模型库中该模块最新的模型参数，对故障模式和/或故障等级进行判断，并自动生成维修建议。

优选地，模型风险管理模块包括模型风险指标评估子模块，模型风险指标评估子模块读入已标注的设备运行数据和实时故障预警模块模型的结果，对模型风险进行评估。

优选地，模型自学习模块包括训练数据预处理子模块、模型训练子模块和模型验证子模块；训练数据预处理子模块将样本分割为标注样本和验证样本,并评价训练数据的可用性；模型训练子模块采用训练集数据重新拟合模型参数；模型验证子模块采用验证集数据评估模型效果。

优选地，模型风险管理模块还包括模型风险报警规则引擎子模块，模型风险报警规则引擎子模块根据预设的专家规则，确定最后的模型结果可靠等级。

优选地，实时故障预警模块还包括故障结果可视化子模块，模型风险管理模块还包括模型风险结果可视化子模块，所述实时故障预警模块和模型风险管理模块能够按时间间隔或运行工况被自动调用。

优选地，外部实时数据包括设备运行数据和管理运营数据，设备运行数据包括设备主控状态检测系统数据和/或外接传感器数据，管理运营数据包括设备维护记录数据、运维人员反馈、专家诊断意见和/或离线检测数据。

优选地，模型库包括有效模型库和归档模型库，有效模型库存储通过验证的新模型，归档模型库存储未通过验证的新模型及曾经使用过的旧模型，其中有效模型库中的模型能被实时故障预警模块读取。

优选地，对模型风险进行评估的对象包括训练/预测工况匹配度、模型预警精度、模型预警提前量、模型预警稳定性和/或模型运行性能。

本申请中的基于模型全生命周期管理的设备故障预警系统，能够使得系统中各类预警模型的可靠性可以被在线实时监控、模型参数可以被自动更新；对预警结果的反馈可以在模型风险管理模块下进行自动的指标监测，进而模型库的重训练和更新也可以进一步自动完成，从而确保故障预警结果的持续准确。这一系统可帮助设备运维人员实现对设备的预测性维护，减少设备停机事故，降低运维成本。

附图说明

图1是本申请的基于模型全生命周期管理的设备故障预警系统的模块示意图。

图2是本申请的基于模型全生命周期管理的设备故障预警系统的模块详图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

如图1所示，本申请的基于模型全生命周期管理的设备故障预警系统，包括数据准备模块、实时故障预警模块、模型风险管理模块、模型自学习模块和模型库。

数据准备模块读入外部实时数据并进行预处理，把处理好的外部实时数据传递至实时故障预警模块进行分析，把积累的标注样本传递至模型风险管理模块进行模型结果的可靠性评估，同时把积累的标注样本传递至模型自学习模块以备模型训练时使用。上述外部实时数据可包括例如设备运行数据和管理运营数据，设备运行数据包括设备主控状态检测系统数据和/或外接传感器数据等，管理运营数据包括设备维护记录数据、运维人员反馈、专家诊断意见和/或离线检测数据。

例如，数据准备模块读入的设备运行数据可以包括SCADA系统数据、CMS(状态监测系统)振动监测系统数据，管理运营数据可以包括设备维护记录数据、运维人员反馈、专家诊断意见和/或离线检测数据等。在线系统引入运营数据的作用是为支撑模型在线的风险评估和自学习。现有技术中的运营数据在建模中往往作为训练时的标注，一般是离线使用，但这样就无法实现模型的动态更新。本申请通过模型在线风险评估和自学习，可以保证模型结果持续稳定可靠。

实时故障预警模块读入外部实时数据和模型库中的模型，对例如风机的故障风险进行预测，生成风机预警等级、故障诊断结果和维护建议，并以可视化界面的方式呈现给风场运维人员。

模型风险管理模块读入积累的标注样本和实时故障预警模块产生的模型中间结果，对模型结果可靠性进行评估，生成模型可靠性等级和模型更新建议，并以可视化界面的方式呈现给风场运维人员和系统运维人员。

模型自学习模块读入积累的标注样本，对实时故障预警模块的模型参数进行重新训练，并将新得到的模型更新至模型库。如果指标通过验证，则自动更新至有效模型库，并在未来时实时故障预警模块分析时使用，否则归档至归档模型库，作为无效模型。

模型库存储了系统上线以来实时故障预警模块智能模型的历史参数，并分类为有效模型库和归档模型库，其中有效模型库中的模型可被实时故障预警模块进行调用。

另外，实时故障预警模块、模型风险管理模块可按时间间隔或运行工况被自动调用。模型自学习模块可根据模型风险管理模块输出的模型可靠性等级或标注样本库新增数据量大小自动被调用，或被人工手动调用。

更具体地，如图2所示，显示了本申请的基于模型全生命周期管理的设备故障预警系统的模块详图。

数据准备模块包括数据接入子模块、数据清洗子模块、数据预处理子模块、数据标注子模块和标注样本库。数据接入子模块通过与外部系统对接，读入外部实时数据。例如，数据接入子模块通过与风场的现有子系统对接，读入设备运行数据和管理运营数据。设备运行数据包括但不限于SCADA系统数据、CMS振动监测系统数据，管理运营数据包括但不限于维护记录数据、运维人员反馈、专家诊断意见和离线检测数据等。

数据清洗子模块对接入的设备运行数据和管理运营数据做质量检查和异常值清洗操作，用于应对工业数据质量差的问题。例如，对数据中的无效值和不连续处进行剔除、根据风机SCADA系统的状态码对限功率或停机等异常情况时的数据进行剔除等。

数据预处理子模块对清洗后的设备运行数据进行预处理和特征提取，包括工况的筛选和分割等，为实时故障预警模块做数据准备。例如，根据风机发电机转速对功率恒定满发时间段数据进行筛选；又如，根据数据中的满发工况比例，判断数据质量是否满足实时故障预警要求，如果不满足则提示数据异常状态。

数据标注子模块根据管理运营数据对相关时间范围内的设备运行数据进行状态标注，以便筛选可用于模型自学习的训练数据，并存入标注样本库。例如，根据输入的风场运营维护记录，依次标记启机后的设备运行数据为健康状态数据，停机时刻前一段时间的设备运行数据为故障数据，停机期间的设备运行数据为无效数据，自动存入标注样本库用于模型训练；再如，根据输入的风机齿轮箱油液检测结果，对检测结果前一段时间的设备运行数据进行标记，类似地可标记为风机齿轮箱存在故障风险或风机齿轮箱正常。这些数据标记将作为模型自学习模块筛选输入数据的基础。标注样本库存储了标注后的设备运行数据，可供模型自学习模块和模型风险管理模块调用。标注样本库随着运行时间增加而不断丰富。

实时故障预警模块包括健康评估子模块和故障诊断与等级映射子模块。优选地，还可以包括故障结果可视化子模块。健康评估子模块读入预处理后的设备运行数据，使用模型库中该模块最新的模型参数，计算设备各部件的健康偏离度。故障诊断与等级映射子模块读入各部件健康偏离度，使用模型库中该模块最新的模型参数，对故障模式、故障等级进行判断，并自动生成维修建议。由于健康评估子模块给出的是当前状态距健康状态的偏离度，是一个值或一组值，但如何映射到风险等级，这在不同的故障模式下、不同的机型上、不同的运行环境下是不一样的。因此，优选地，健康评估子模块和故障诊断与等级映射子模块的内部模型的计算逻辑与参数是解耦的，模型参数可以始终使用最新的。故障结果可视化子模块将当前时间段的设备原始数据、模型预警结果及趋势通过折线图、散点图、时间轴等形式展示给风场运维人员，并给出相应的维修建议。

健康偏离度的计算方法可以包括：1)机理评估：使用单个或加权后的机理特征值作为健康偏离度；2)残差拟合：将最能表征部件健康状态的策略变量作为目标变量，对各部件历史健康状态下的目标变量进行拟合，并计算该目标变量拟合值与实测值的偏差；3)历史分布对标：使用聚类模型拟合历史健康状态下的特征数据分布，并衡量当前状态分布与历史状态分布的偏移度；4)集群对标：将当前设备与在同样环境运行的同类设备数据进行对标，并衡量偏移度。以发电机轴承为例，计算该偏离度可采用的方法是：使用发电机轴承健康状态下拟合的发电机转速、风速、发电机功率等自变量与目标变量发电机轴承温度的关系模型，代入当前时间段的设备运行数据和最新模型参数，得出发电机轴承温度拟合值，再计算该拟合值与发电机轴承温度实测值的残差平均值，得到发电机轴承这一部件的健康偏离度。拟合方法可采用常见的机器学习算法，例如线性回归、随机森林、神经网络等。维修建议由故障诊断与等级映射子模块自动生成。

模型风险管理模块包括模型风险指标评估子模块。优选地，还可以包括模型风险报警规则引擎子模块和模型风险结果可视化子模块。模型风险指标评估子模块读入已标注的设备运行数据和实时故障预警模块模型的结果，根据用户标注对预警结果的准确性做计算，对模型风险进行多维度评估。评估维度包括训练/预测工况匹配度、模型预警精度、模型预警提前量、模型预警稳定性和/或模型运行性能。上述的工况可以包括设备运行负载、设备运行模式、设备运行环境状态等，上述的评估训练/预测工况匹配度将衡量这些设备工况在模型训练时和模型预测时的匹配度。模型风险报警规则引擎子模块根据预设的专家规则，对这些评估指标进行综合分析，以确定最后的模型结果可靠等级。模型风险结果可视化子模块例如可以通过一个Web页面展示模型可靠性等级及模型更新建议。

以发电机轴承为例，训练/预测工况匹配度的一种定义方法是，实时预测时的数据环境温度在训练时的数据环境温度取值范围内的比例。模型预警精度和预警提前量则可根据风场运维人员对历史每次故障预警准确性的反馈进行计算。

模型自学习模块包括训练数据预处理子模块、模型训练子模块和模型验证子模块。不同部件的故障预警模型会分别相对独立地进行模型自学习过程。模型自学习模块可被定期自动触发，或由事件触发启动，或由风场运维人员人为触发。触发事件主要有模型风险管理模块可靠性等级低、数据准备模块积累了足够的健康状态数据和故障状态数据等。

训练数据预处理子模块自动筛选当前设备的标注样本，将样本分割为训练样本和验证样本。由于数据准备环节已经完成了工况分割、数据清洗等操作，此处只需进行训练集、验证集分割和归一化处理等操作。以发电机轴承为例，可以将根据数据标注筛选当前风机近3个月的发电机转速、风速、发电机功率、发电机轴承温度等数据，前2个月作为训练集，后1个月作为验证集。

模型训练子模块采用训练集数据重新拟合模型参数。以发电机轴承为例，采用训练集中的健康数据拟合健康评估子模块中发电机转速、风速、发电机功率等自变量与目标变量发电机轴承温度的关系参数，拟合方法可采用常见的机器学习算法，例如线性回归、随机森林、神经网络等。可采用训练集中的故障数据更新故障诊断与等级映射子模块中的故障报警阈值，例如可将故障数据健康偏离度分布的3倍标准差设为预警等级阈值，6倍标准差设为报警等级阈值。

模型验证子模块采用验证集数据评估模型效果，评估指标包括模型预警精度、模型预警提前量、模型预警稳定性和/或模型运行性能等。模型验证子模块的验证方法可以包括：1)采用验证集数据评估模型效果；2)部署并接入实时运行数据在线监控预警结果，如运行一定时间后各项模型指标满足要求，则推送至有效模型库。模型验证子模块还可以用线上数据做A/B测试。通过验证的模型会被送入有效模型库，以供实时故障预警模块调用，而没有通过验证的模型会被当作无效模型送入归档模型库中。

虽然本发明所揭露的实施方式如上，但其内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于模型全生命周期管理的设备故障预警系统，其特征在于，包括数据准备模块、实时故障预警模块、模型风险管理模块、模型自学习模块和模型库；

数据准备模块读入外部实时数据并进行预处理，把处理好的外部实时数据传递至实时故障预警模块进行分析并产生模型中间结果，把积累的标注样本传递至模型风险管理模块进行模型结果的可靠性评估，同时把积累的标注样本传递至模型自学习模块以备模型训练时使用；

实时故障预警模块读入外部实时数据和模型库中的模型，对故障风险进行预测，生成预警信息；

模型风险管理模块读入积累的标注样本和实时故障预警模块产生的模型中间结果，对模型结果可靠性进行评估；

模型自学习模块读入积累的标注样本，对实时故障预警模块的模型参数进行重新训练，并将新得到的模型更新至模型库。

2.根据权利要求1的设备故障预警系统，其特征在于，数据准备模块包括数据接入子模块、数据清洗子模块、数据预处理子模块、数据标注子模块和标注样本库；

数据接入子模块通过与外部系统对接，读入外部实时数据；外部实时数据包括设备运行数据和管理运营数据；

数据清洗子模块对接入的设备运行数据和管理运营数据做质量检查和异常值清洗操作；

数据预处理子模块对清洗后的设备运行数据进行预处理和特征提取，为实时故障预警模块做数据准备；

数据标注子模块根据管理运营数据对相关时间范围内的设备运行数据进行状态标注，以筛选可用于模型自学习的训练数据；

标注样本库存储了标注后的设备运行数据，供模型自学习模块和模型风险管理模块调用。

3.根据权利要求1或2的设备故障预警系统，其特征在于，实时故障预警模块包括健康评估子模块和故障诊断与等级映射子模块；

健康评估子模块读入预处理后的设备运行数据，使用模型库中该模块最新的模型参数，计算设备部件的健康偏离度；

故障诊断与等级映射子模块读入各部件的健康偏离度，使用模型库中该模块最新的模型参数，对故障模式和/或故障等级进行判断，并自动生成维修建议。

4.根据权利要求3的设备故障预警系统，其特征在于，模型风险管理模块包括模型风险指标评估子模块，模型风险指标评估子模块读入已标注的设备运行数据和实时故障预警模块模型的结果，对模型风险进行评估。

5.根据权利要求1或2或4的设备故障预警系统，其特征在于，模型自学习模块包括训练数据预处理子模块、模型训练子模块和模型验证子模块；

训练数据预处理子模块将样本分割为标注样本和验证样本，并评估训练数据的可用性；模型训练子模块采用训练集数据重新拟合模型参数；模型验证子模块采用验证集数据评估模型效果。

6.根据权利要求4的设备故障预警系统，其特征在于，模型风险管理模块还包括模型风险报警规则引擎子模块，模型风险报警规则引擎子模块根据预设的专家规则，确定最后的模型结果可靠等级。

7.根据权利要求4或6的设备故障预警系统，其特征在于，实时故障预警模块还包括故障结果可视化子模块，模型风险管理模块还包括模型风险结果可视化子模块，所述实时故障预警模块和模型风险管理模块能够按时间间隔或运行工况被自动调用。

8.根据权利要求2的设备故障预警系统，其特征在于，外部实时数据包括设备运行数据和管理运营数据，设备运行数据包括设备主控状态检测系统数据和/或外接传感器数据，管理运营数据包括设备维护记录数据、运维人员反馈、专家诊断意见和/或离线检测数据。

9.根据权利要求1或2或4或6或8的设备故障预警系统，其特征在于，模型库包括有效模型库和归档模型库，有效模型库存储通过验证的新模型，归档模型库存储未通过验证的新模型及曾经使用的旧模型，其中有效模型库中的模型能被实时故障预警模块读取。

10.根据权利要求4或6的设备故障预警系统，其特征在于，对模型风险进行评估的对象包括训练/预测工况匹配度、模型预警精度、模型预警提前量、模型预警稳定性和/或模型运行性能。