CN110033181B - 一种基于自编码器的发电设备状态评估方法 - Google Patents

一种基于自编码器的发电设备状态评估方法 Download PDF

Info

Publication number
CN110033181B
CN110033181B CN201910253457.6A CN201910253457A CN110033181B CN 110033181 B CN110033181 B CN 110033181B CN 201910253457 A CN201910253457 A CN 201910253457A CN 110033181 B CN110033181 B CN 110033181B
Authority
CN
China
Prior art keywords
state
evaluation
data
parameter
state characteristic
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
Application number
CN201910253457.6A
Other languages
English (en)
Other versions
CN110033181A (zh
Inventor
杨涛
杨嘉巍
陈刚
张�成
何健康
陈前明
宁立明
李冰
何望飞
门勇
李伟铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shajiao C Power Station Of Guangdong Yudean Group Co ltd
Huazhong University of Science and Technology
Original Assignee
Shajiao C Power Station Of Guangdong Yudean Group Co ltd
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shajiao C Power Station Of Guangdong Yudean Group Co ltd, Huazhong University of Science and Technology filed Critical Shajiao C Power Station Of Guangdong Yudean Group Co ltd
Priority to CN201910253457.6A priority Critical patent/CN110033181B/zh
Publication of CN110033181A publication Critical patent/CN110033181A/zh
Application granted granted Critical
Publication of CN110033181B publication Critical patent/CN110033181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明属于发电设备监测与状态检修相关技术领域，其公开了一种基于自编码器的发电设备状态评估方法，该方法包括以下步骤：(1)选取能状态特征参数，并基于SIS系统定时采集所选状态特征参数的实时运行数据及历史运行数据；(2)建立状态特征参数模型，同时确定该参数模型的结构及相应的激活函数；(3)采用该历史运行数据来训练该参数模型，直至得到的训练误差和训练时间均最小为止；(4)统计该参数模型得到的当前各状态特征参数的残差的分布特征，进而确定各状态特征参数的隶属函数关系；(5)将步骤(4)得到的残差输入到模糊状态评估模型中以进行发电设备运行状态的实时评估。本发明提高了评估准确性，降低了费用，适用性较强。

Description

一种基于自编码器的发电设备状态评估方法
技术领域
本发明属于发电设备监测与状态检修相关技术领域，更具体地，涉及一种基于自编码器的发电设备状态评估方法。
背景技术
电厂设备的使用状况直接关系到机组运行的可靠性与经济性，只有在设备处于最佳状态下才能发挥出优良的使用性能，也才能达到最佳的节能降耗效果。然而实际中，由于生产的需要，电厂设备长期处于高温高压、单机、满负荷和连续运行等工作状态，这对设备的可靠性提出了苛刻的要求。与此同时，为追求电厂经济效益最大化，客观上要求进一步合理安排检修周期与检修内容，压缩检修费用。自推行电力工业体制的改革以后，电力企业越来越关注于自己的成本控制和生产管理，开始主动积极地推行基于设备状态评价的状态检修工作，以期获得更强的竞争力，因此设备状态评估技术就成为优化检修技术发展方面的主要研究重点。
当前很多研究使用模糊理论方法来评估不同领域系统设备的工作状态与可靠性情况，模糊集理论已经被广泛应用于状态评估这一研究领域，其中合适的隶属函数和模糊规则的定义对分析的结果有重大影响，因此有必要为不同的应用领域或者系统定义选择和定义隶属函数的指导原则。然而，多数研究虽然实现了设备整体运行状态的评估，但各策略中的状态特征参数仍然采用固定阈值，没有考虑到运行工况变化对各参数阈值以及评估结果的影响。相应地，本领域存在着发展一种准确性较好的基于自编码器的发电设备状态评估方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于自编码器的发电设备状态评估方法，其基于现有发电设备的状态评估特点，研究及设计了一种准确性较好的基于自编码器的发电设备状态评估方法。所述状态评估方法结合了自编码器网络模型及模糊状态评估，且充分利用SIS系统的历史运行数据与实时运行数据，选取关键状态特征参数以建立状态特征参数间交叉拟合的神经网络模型(即自编码器网络模型，采用自编码器作为网络模型)，以设备历史运行数据训练该神经网络模型，并统计各状态特征参数估计残差的分布特征，结合模糊状态评估实时确定各工况的隶属度，从而避开状态特征参数阈值设置的不确定性，以实现较为精确的状态评估，依据评估结果判断设备运行趋势，合理调整运行与维护策略，对提高发电设备运行安全性与可靠性，降低运维与检修费用具有重要意义。
为实现上述目的，按照本发明的一个方面，提供了一种基于自编码器的发电设备状态评估方法，该状态评估方法包括以下步骤：
(1)选取能反应待评估发电设备负荷和运行状态的状态特征参数，并基于SIS系统定时采集所选状态特征参数的实时运行数据及历史运行数据；
(2)依据所述历史运行数据来建立待评估发电设备的状态特征参数模型，同时确定所述参数模型的结构及相应的激活函数，其中，该参数模型为自编码器模型；
(3)采用所述历史运行数据来训练所述参数模型，且在训练过程中不断调整所述参数模型的隐藏层层数及各层神经元个数，直至得到的训练误差和训练时间均最小为止；
(4)将所述实时运行数据输入到所述参数模型，并统计该参数模型得到的当前各状态特征参数的残差的分布特征，进而确定各状态特征参数的隶属函数关系，同时还对各状态特征参数进行权重分配；
(5)将步骤(4)得到的当前各状态特征参数的残差输入到模糊状态评估模型中以进行发电设备运行状态的实时评估。
进一步地，采用熵权法基于当前时刻前的预定时间的历史运行数据对各状态特征参数进行权重分配。
进一步地，步骤(5)中还包括判断状态评估结果是否在预设区间内，当状态评估结果处于异常区间状态时予以报警，同时生成点检任务；否则，跳转至步骤(4)的步骤。
进一步地，所述实时运行数据的采集时间间隔为1min；所述历史运行数据的采集时间间隔为10min。
进一步地，步骤(1)中还包括对历史运行数据进行筛选处理的步骤，以剔除该历史运行数据中的零功率数据、故障数据及异常数据，该异常数据是指读取错误或者传感器异常导致的错误数据。
进一步地，所述参数模型的结构使得所述参数模型的输入与输出参数一致，均为所选取的状态特征参数，同时使得所述参数模型的隐藏层神经元个数为输出神经元个数的1.5倍。
进一步地，所述激活函数为ReLu函数或sigmoid函数。
进一步地，采用熵权法对各状态特征参数进行权重分配是基于以下公式进行的，该公式为：
Figure BDA0002012940710000031
Figure BDA0002012940710000032
Figure BDA0002012940710000033
式中，rij为第j项状态特征参数下的第i个特征值；pij为第j项状态特征参数下第i个特征值占该组状态特征参数的比重；ej为第j项状态特征参数的信息熵；K为信息熵常数，K＝1/ln(n)；wj为第j项状态特征参数的评估权值n为特征数据的组数；m为状态特征参数的项数。
进一步地，在所述模糊状态评估模型评估得到评估值后，采用最大隶属度原则取最大评估值相对应的状态评语作为评估结果。
进一步地，所述模糊状态评估模型采用加权平均型模糊算子模糊合成综合评价向量。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于自编码器的发电设备状态评估方法主要具有以下有益效果：
1.本发明通过选择自编码器训练设备关键状态特征参数来反映设备运行状态，利用设备状态特征参数间的相关性建立参数之间的交叉拟合模型；同时充分利用了电站SIS系统已有运行数据，可直接应用在现役设备上，而不需要对其新增测点，更高效率和精度地实现发电设备运行状态在线评估，有效增强了评估工作的时效性，在保证设备稳定安全运行的同时，又利于制定合理的检修计划，最大限度降低运维管理费用。
2.将得到的当前各状态特征参数的残差输入到模糊状态评估模型中以进行发电设备运行状态的实时评估，有效避免了现有技术中使用固定阈值而造成运行工况变化对各参数阈值以及评估结果的不确定性影响，实现更精确的状态评估。
3.采用熵权法基于当前时刻前的预定时间的历史运行数据对各状态特征参数进行权重分配，具有更佳的准确性和现场实用性，更好地符合电站设备的运用实际。
4.所述实时运行数据的采集时间间隔为1min，如此尽可能地实现引风机运行状态实时评估；所述历史运行数据的采集时间间隔为10min，尽可能保证覆盖设备全年运行数据的同时，所获取的数据量控制在一定范围，便于模型训练。
5.对历史运行数据进行筛选处理的步骤，以剔除该历史运行数据中的零功率数据、故障数据及异常数据，从而可以提升数据品质，减小模型训练成本。
6.所述模糊状态评估模型采用加权平均型模糊算子模糊合成综合评价向量，该模糊算子考虑了主要评判指标对运行状态的影响，又保留了单个评判指标的全部信息，比较符合实际情况。
附图说明
图1是本发明提供的基于自编码器的发电设备状态评估方法的流程示意图；
图2是采用本发明实施例1提供的基于自编码器的发电设备状态评估方法获得的引风机驱动端轴承温度残差示意图；
图3是采用本发明实施例1提供的基于自编码器的发电设备状态评估方法用于示范性显示驱动端轴承温度发生严重劣化时获得的引风机设备的实时状态评估结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，本发明提供的基于自编码器的发电设备状态评估方法，该状态评估方法主要包括从火电厂SIS系统定时采集与发电设备运行状态相关特征参数的运行数据、利用这些数据来建立设备状态特征参数间的交叉拟合模型、基于关键状态特征参数模型统计估计残差的分布特征、以及基于模糊状态评估模型对设备运行状态进行在线实时评估等步骤。具体地，该评估方法主要包括以下步骤：
(1)选取能反应待评估发电设备负荷和运行状态的状态特征参数，并基于SIS系统定时采集所选状态特征参数的实时运行数据及历史运行数据。
具体地，在配备有SIS系统也即厂级监控信息系统的火电厂，针对作为监测对象的各类发电设备，选取SIS系统中能够反映设备负荷和运行状态的相关参数，基于该SIS系统定时采集所选择的状态特征参数的实时运行数据及历史运行数据。其中，所述实时运行数据的采集时间间隔为1min，所述历史运行数据的采集时间间隔为10min；对所述历史运行数据进行筛选处理，以剔除零功率数据、故障数据及异常数据，以提升数据品质，减小后续模型运行的训练成本。
(2)依据所述历史运行数据来建立待评估发电设备的状态特征参数模型，同时确定所述参数模型的结构及相应的激活函数，其中，该参数模型为自编码器模型。
具体地，所述参数模型的结构使得所述参数模型的输入与输出参数一致，均为所选取的状态特征参数，同时使得所述参数模型的隐藏层神经元个数为输出神经元个数的1.5倍。所述激活函数为ReLu函数或sigmoid函数。
(3)采用所述历史运行数据来训练所述参数模型，且在训练过程中不断调整所述参数模型的隐藏层层数及各层神经元个数，直至得到的训练误差和训练时间均最小为止。
具体地，所述参数模型的稀疏性限制采用以下公式进行：
Figure BDA0002012940710000061
式中，s2表示隐藏层神经元的个数；
Figure BDA0002012940710000062
为
Figure BDA0002012940710000063
和ρ之间的相对熵，表示二者之间的差异；稀疏性参数ρ设定为0.05。
(4)将所述实时运行数据输入到所述参数模型，并统计该参数模型得到的当前各状态特征参数的残差的分布特征，进而确定各状态特征参数的隶属函数关系；同时采用熵权法基于当前时刻前的预定时间的历史运行数据对各状态特征参数进行权重分配。
具体地，采用熵权法对各状态特征参数进行权重分配是基于以下公式进行的，假设有n组特征数据，m项状态特征参数，该公式为：
Figure BDA0002012940710000071
Figure BDA0002012940710000072
Figure BDA0002012940710000073
式中，rij为第j项状态特征参数下的第i个特征值；pij为第j项状态特征参数下第i个特征值占该组状态特征参数的比重；ej为第j项状态特征参数的信息熵；K为信息熵常数，K＝1/ln(n)；wj为第j项状态特征参数的评估权值。其中，基于数据差异驱动原理，熵权法考虑各评估因素之间均衡性的问题,，能够很好地为所提取的状态特征参数赋以权值。
(5)将步骤(4)得到的当前各状态特征参数的残差输入到模糊状态评估模型中以进行发电设备运行状态的实时评估，并判断状态评估结果是否在预设区间内，当状态评估结果处于异常区间状态时予以报警，同时生成点检任务；否则，跳转至步骤(4)。
实施例1
请参阅图2及图3，采用火电厂引风机作为具体实例对本发明实施例1提供的基于自编码器的发电设备状态评估方法进行说明，所述状态评估方法包括以下步骤：
步骤一，采集引风机运行状态的相关参数。
具体地，首先，从SIS系统中定时采集所需的数据，其中仅对一些可控裕度以及关键信息参数进行选取以作为模型的输入，该参数包括发电机功率、电机电流、电机绕组温度、驱动端轴承温度、非驱动端中轴承温度、驱动端X向振动、驱动端Y向振动、非驱动端X向振动、非驱动端Y向振动、风机动叶开度、进气压力和烟气流量等12个引风机参数。此步骤获取的数据包括实时运行数据及历史运行数据，其中，历史运行数据用于设备参数模型的建立和训练，实时运行数据用于对引风机运行状态的在线评估。
本实施方式中，实时运行数据采集时间间隔优选为1min，其目的是尽可能地实现引风机运行状态的实时评估；历史运行数据采集时间间隔优选为10min，其目的是尽可能保证覆盖设备全年运行数据的同时，所获取的数据量控制在一定范围内，便于设备参数模型训练；本实施方式中历史运行数据采集时间段为2017年5月-2017年10月。
步骤二，引风机参数模型建立及训练。
具体地，筛选引风机设备正常运行且参数齐全的样本。在实际情况中，火电厂SIS系统中导出历史运行数据会有部分数据缺失或者异常。在训练参数模型之前，首先需要进行数据清理以剔除样本中的零功率数据、故障数据及异常数据，从而可以提升数据品质，减小模型训练成本。经过数据预处理后，本实施方式最后筛选出合格样本19419组数据，用以拟合该时间段内引风机正常运行的数据。
引风机参数模型的建立优先选用自编码器算法来实现，其中，该参数模型的输入和输出参数一致，均为所选取的引风机关键状态特征参数；该参数模型选择隐藏层神经元个数为输出神经元个数的1.5倍，预先设定L2正则和稀疏性限制的各项参数，参数模型最大训练稀疏设定为1000次。
步骤三，确定引风机参数隶属关系及权值。
从以上步骤训练的数据中获取引风机参数的残差数据，根据得到的引风机参数残差的统计分布特征，从而得到引风机状态特征参数的隶属函数关系，各运行状态参数训练误差的分布特性基本服从高斯分布，本实施方式以高斯分布来描述引风机多状态特征的复杂分布。
采用熵权法来确定各状态特征参数的评估权值，具体对于某项指标，信息熵越小，表明指标值的变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相应地，各特征参数的权值可采用以下公式来计算：假设有n组特征数据，m项状态特征参数，该公式为：
Figure BDA0002012940710000091
Figure BDA0002012940710000092
Figure BDA0002012940710000093
式中，n、m分别为特征数据组数和状态特征参数个数；rij为第j项状态特征参数下的第i个特征值；pij为第j项状态特征参数下第i个特征值占该组状态特征的比重；ej为第j项状态特征参数的信息熵；K为信息熵常数，K＝1/ln(n)；wj为第j项状态特征参数的评估权值。
考虑到电站引风机设备在运行过程中动态性变化显著，所有评判指标应依权重大小变化均衡兼顾，因此本实施方式选择加权平均型模糊算子模糊合成综合评价向量。该模糊算子考虑了主要评判指标对运行状态的影响，又保留了单个评判指标的全部信息，比较符合实际情况。另外，在经过模糊综合评判得到评估值后，采用最大隶属度原则取最大评估值相对应的状态评语作为评估结果。
步骤四，引风机运行状态的在线评估。
首先，可基于以上所综合评估的状态指标来判断当前时刻的引风机的运行趋势是否合理，若状态优良则继续或者加强监测；若状态劣化或者严重，则警示操作员进行调控或者直接生成点检任务。
通过前面采用自编码器算法来建立的参数模型来对引风机状态特征参数给出估计值，并将该估计值与SIS系统记录的当前运行数据进行比较，同时将两者的残差输入预设的模糊状态模型内，由此继续判断当前时刻的引风机运行趋势是否合理，即以测量值和估计值的残差作为监测指标来综合判断引风机运行状态，若状态优良，则继续或者加强监测；若状态劣化或者严重，则警示操作员进行调控或者直接生成点检任务。
本实施方式所提出的基于自编码器的发电设备状态评估方法是利用SIS系统历史运行数据及采用合理的算法建立发电设备状态特征参数模型，并以得到的实时测量值和模型估计值的残差为模糊分析的输入以对引风机的运行状态进行实时评估。通过对引风机运行状态实现在线评估，从而保障发电设备正常稳定运行的同时，有目的地生成点检任务，降低运维管理费用。
本发明提供的采用自编码器模型结合模糊分析在线评估电站设备运行状态的方法，所述方法主要包括从火电厂SIS系统中定时采集与设备状态相关的状态特征参数数据，同时建立设备运行状态的特征参数模型；统计参数模型估计残差的分布特征；结合设备特征参数模型的残差统计特性和模糊状态评估技术对发电设备运行状态执行在线评估，如此不仅实现了较为精确的状态评估，避开了状态特征参数阈值设定的不确定性，而且能够对早期故障特征的科学诊断和识别、安排合理的维修计划和最佳的检修周期提供更为可靠的依据，在确保电厂安全、可靠性运行中起着重要作用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于自编码器的发电设备状态评估方法，其特征在于，该方法包括以下步骤：
(1)选取能反映待评估发电设备负荷和运行状态的状态特征参数，并基于SIS系统定时采集所选状态特征参数的实时运行数据及历史运行数据；
(2)依据所述历史运行数据来建立待评估发电设备的状态特征参数模型，同时确定所述参数模型的结构及相应的激活函数，其中，该参数模型为自编码器模型；
(3)采用所述历史运行数据来训练所述参数模型，且在训练过程中不断调整所述参数模型的隐藏层层数及各层神经元个数，直至得到的训练误差和训练时间均最小为止；
(4)将所述实时运行数据输入到所述参数模型，并统计该参数模型得到的当前各状态特征参数的残差的分布特征，进而确定各状态特征参数的隶属函数关系，同时还对各状态特征参数进行权重分配；
(5)将步骤(4)得到的当前各状态特征参数的残差输入到模糊状态评估模型中以进行发电设备运行状态的实时评估；
采用熵权法基于当前时刻前的预定时间的历史运行数据对各状态特征参数进行权重分配。
2.如权利要求1所述的基于自编码器的发电设备状态评估方法，其特征在于：步骤(5)中还包括判断状态评估结果是否在预设区间内，当状态评估结果处于异常区间状态时予以报警，同时生成点检任务；否则，跳转至步骤(4)的步骤。
3.如权利要求1所述的基于自编码器的发电设备状态评估方法，其特征在于：所述实时运行数据的采集时间间隔为1min；所述历史运行数据的采集时间间隔为10min。
4.如权利要求1所述的基于自编码器的发电设备状态评估方法，其特征在于：步骤(1)中还包括对历史运行数据进行筛选处理的步骤，以剔除该历史运行数据中的零功率数据、故障数据及异常数据。
5.如权利要求1-4任一项所述的基于自编码器的发电设备状态评估方法，其特征在于：所述参数模型的结构使得所述参数模型的输入与输出参数一致，均为所选取的状态特征参数，同时使得所述参数模型的隐藏层神经元个数为输出神经元个数的1.5倍。
6.如权利要求1-4任一项所述的基于自编码器的发电设备状态评估方法，其特征在于：所述激活函数为ReLu函数或sigmoid函数。
7.如权利要求1-4任一项所述的基于自编码器的发电设备状态评估方法，其特征在于：采用熵权法对各状态特征参数进行权重分配是基于以下公式进行的，假设有n组特征数据，m项状态特征参数，该公式为：
Figure FDA0002925046420000021
Figure FDA0002925046420000022
Figure FDA0002925046420000023
式中，rij为第j项状态特征参数下的第i个特征值；pij为第j项状态特征参数下第i个特征值占该组状态特征参数的比重；ej为第j项状态特征参数的信息熵；K为信息熵常数，K＝1/ln(n)；wj为第j项状态特征参数的评估权值。
8.如权利要求1-4任一项所述的基于自编码器的发电设备状态评估方法，其特征在于：在所述模糊状态评估模型评估得到评估值后，采用最大隶属度原则取最大评估值相对应的状态评语作为评估结果。
9.如权利要求1-4任一项所述的基于自编码器的发电设备状态评估方法，其特征在于：所述模糊状态评估模型采用加权平均型模糊算子模糊合成综合评价向量。
CN201910253457.6A 2019-03-29 2019-03-29 一种基于自编码器的发电设备状态评估方法 Active CN110033181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910253457.6A CN110033181B (zh) 2019-03-29 2019-03-29 一种基于自编码器的发电设备状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910253457.6A CN110033181B (zh) 2019-03-29 2019-03-29 一种基于自编码器的发电设备状态评估方法

Publications (2)

Publication Number Publication Date
CN110033181A CN110033181A (zh) 2019-07-19
CN110033181B true CN110033181B (zh) 2021-06-11

Family

ID=67237084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910253457.6A Active CN110033181B (zh) 2019-03-29 2019-03-29 一种基于自编码器的发电设备状态评估方法

Country Status (1)

Country Link
CN (1) CN110033181B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016806A (zh) * 2020-07-28 2020-12-01 上海发电设备成套设计研究院有限责任公司 发电站设备状态检修方法、系统、介质及装置
CN113468473B (zh) * 2021-06-30 2022-10-18 清华大学 户外固定大型机械设备的运行状态实时评估方法及系统
CN114594812B (zh) * 2022-03-09 2023-04-07 新泰市日进化工科技有限公司 一种动态调整降低能耗的结晶反应釜冷却水恒温系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107895068A (zh) * 2017-10-31 2018-04-10 刘长银 基于变权重和组合隶属度函数的gis气体绝缘状态评估方法
CN109189834A (zh) * 2018-09-04 2019-01-11 温州大学 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3255581A1 (en) * 2016-06-10 2017-12-13 General Electric Company Digital pattern prognostics
CN108062572B (zh) * 2017-12-28 2021-04-06 华中科技大学 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107895068A (zh) * 2017-10-31 2018-04-10 刘长银 基于变权重和组合隶属度函数的gis气体绝缘状态评估方法
CN109189834A (zh) * 2018-09-04 2019-01-11 温州大学 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Reliability analysis method of a solar array by using fault tree analysis and fuzzy reasoning Petri net;Wu Jianing, Yan Shaoze, Xie Liyang;《ActaAstronautica》;20111231;第69卷(第11期);全文 *
变分自编码器模型综述;翟正利，梁振明，周炜，孙霞;《计算机工程与应用》;20190228;第55卷(第3期);全文 *
基于排序模式分析与深度学习的风电设备故障诊断方法研究;江国乾;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第1期);第c042-21页 *

Also Published As

Publication number Publication date
CN110033181A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN105117602B (zh) 一种计量装置运行状态预警方法
CN110320892B (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN110033181B (zh) 一种基于自编码器的发电设备状态评估方法
CN108562854B (zh) 一种电机异常状态在线预警方法
CN105046402B (zh) 一种应用于智能变电站二次设备的状态评估方法
CN110007652B (zh) 一种水电机组劣化趋势区间预测方法与系统
CN109118384A (zh) 一种风电机组健康预警方法
CN110410282A (zh) 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN104952000A (zh) 基于马尔科夫链的风电机组运行状态模糊综合评价方法
CN101872165A (zh) 一种基于遗传神经网络的风电机组故障诊断方法
CN112836941B (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
Xu et al. Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing
CN110986407A (zh) 一种离心式冷水机组故障诊断方法
CN116937575A (zh) 一种网格系统用的能源监控管理系统
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
Zhu et al. Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis
CN112966990A (zh) 一种变电设备综合状态评价方法
CN112994101A (zh) 基于神经网络的风电场发电功率后评估及监测方法
CN111767657A (zh) 一种核动力系统故障诊断方法和系统
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN107664690A (zh) 一种预测变压器油中溶解气体浓度的方法
CN106325258B (zh) 一种基于在线监测信息的继电保护装置状态评估方法
CN106548284A (zh) 一种面向运行调控的自适应模块化电网安全预警评价方法
CN113722656A (zh) 一种火力发电机组实时健康度评价方法及系统
CN105426665B (zh) 基于状态监测的动态可靠度确定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant