CN110097209A - 一种基于参数残差的设备劣化分析方法 - Google Patents

Abstract

本发明公开了一种基于参数残差的设备劣化分析方法，包括通过改进的卷积神经网络算法与大量历史数据建立神经网络模型并训练设备模型，模拟设备运行；模型预测；专家规则匹配；通过参数的模型计算值与实时监测值的在线对比分析，实现对参数的残差预测，结合相关性分析，实现设备的劣化分析与故障预测。本发明方法基于大数据、改进的卷积神经网络算法与专家规则，结合设备劣化分析方法，在经过全工况全样本数据的学习和完善后，模型预测准确率可提高至99％以上，预测告警时间可比故障发生时间提前10‑15天以上，关口前移，为设备维修争取到宝贵时间，提高设备可用性，降低设备故障引起的安全风险，降低维修成本，减少非停，提升整体经济效益。

Description

一种基于参数残差的设备劣化分析方法

技术领域

本发明属于设备劣化管理的技术领域，具体涉及一种基于参数残差的设备劣化分析方法。

背景技术

设备管理是一个巨大产业，是一个不容忽视的领域，中国有超过780万的制造企业，2亿台设备，2500万设备管理人员，7200万设备维护人员。

设备是生产制造企业非常重要的资产，也是生产制造系统稳定可靠的核心。随着现代生产管理模式的不断改进，生产制造企业对设备的安全、经济和环保运行的要求也越来越高。

设备在使用过程中会因磨损等诸多原因而渐渐的不能继续使用，可以通过保养及维修可以延长设备的使用寿命，但是不能从根本上避免设备的劣化问题。

设备劣化是指设备降低或丧失了规定的功能。设备劣化是包括设备工作异常、性能降低、突发故障、设备损坏和经济价值降低等状态表现的总称。设备裂化后必须通过维修或者更换备件来解决，这样必然导致企业成本增加，经济效益降低。

为了减少设备故障，提升设备的可靠性，延长设备的使用寿命，正常运行和日常保养是必要的；要注意合理操作，保持良好的供油、环境条件(特别是要保持清洁)等。前者是保证正常运行，后者是日常维修。日常维护(预防劣化)、点检检查(测定劣化)、预防修理(修复劣化)等活动是构成预防维修的基本内容，这是维持设备性能的工作。但是预防性维修也会导致设备“过修”和“欠修”。如何保证适时、适当的对设备进行维修呢？通过对设备劣化进行监视与预测，提前发现设备缺陷，做到防范于未然，为设备检修提供决策依据，指导设备“按需检修”。

而传统的设备劣化分析主要是通过建立在线故障监测诊断系统，依靠复杂的测试分析系统对重要设备进行24小时的连续监测分析，它们的正常运行都是通过各种曲线来判断的，参数在允许的范围内变化说明设备处于正常运行，然而当参数偏离某一范围发生劣化时，就意味设备即将发生故障，从而进行实时告警。

近年来，随着大数据和人工智能等新兴技术的发展，设备状态监测与故障诊断技术得到了广泛的推广和应用，从最初的技术理论逐步发展为以模式识别、大数据分析、智能化专家故障检测系统为基础的设备故障预测与诊断系统，从实际生产应用出发，形成了具有我国特点的故障诊断理论，很大程度上促进了我国在设备故障诊断技术方面的研究脚步。利用工业大数据平台分析研究设备的海量历史数据，通过建模的方式分析设备的参数劣化趋势，早期预警，指导运行检修人员及时对设备进行调整，提高设备的可用率，延长设备使用寿命。这种新出现的利用大数据+设备建模的设备劣化分析方式较之传统的分析方法已经有很大进步，但是其准确性还不是很高。

传统的的设备劣化分析方式是通过各种曲线来判断的，参数在允许的范围内变化说明设备正常运行，设备的告警是基于参数的固定上下限、变化斜率、数据突变等，这种方式都存在很大的缺陷，无法将设备的运行工况切合的纳入进来(如负荷、环境温度等)。参数越限报警技术，以协助操作员实现状态监视。但报警意味着过程已经发生明显变化，并需要及时处理。从事故预防角度来讲，更具实际意义的是当参数刚刚偏离正常值或具有偏离正常值的趋势时就能给出预警信号，提醒相关人员引起注意。因此，根据机组实时数据自动进行参数异变监测，通过预警达到安全关口前移，对生产运行与管理具有十分重要的意义。

新的设备劣化分析方法在基于大数据、人工智能算法和专家规则，从故障预测与诊断角度出发，从设备安全性入手，建立实时监测模型，实现设备的在线状态评估与诊断。对重要设备健康和异常状态的全样本数据进行学习，从而建立设备的机理模型，自动进行故障预警和提示。这种方式有效地提升了设备的状态监测、评价与诊断的及时性和快速性，但是在准确性方面还有待提升。影响准确性主要有两大难点：一是数据难点，很难获取全量数据与高质量数据；二是参数选择难点，参数的选择直接影响预测的准确性。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于参数残差的设备劣化分析方法，本发明方法基于大数据、人工智能(基于改进的卷积神经网络算法)与专家规则，实现设备参数残差分析。本发明的设备参数残差分析基于神经网络算法和大数据相关性分析，将表征设备状态的多个参数进行关联劣化分析，确定各参数与设备某一故障的相关度，构建设备劣化趋势曲面图，从而进行设备异常状态预测、健康识别和故障诊断，解决现有技术手段无法在设备故障早期识别劣化迹象并预警，并进行实时诊断的问题，避免设备损坏与非停带来的损失。

为实现上述技术目的，本发明采取的技术方案为：

一种基于参数残差的设备劣化分析方法，包括以下步骤：

S1：模型学习：通过改进的卷积神经网络算法与大量历史数据建立神经网络模型并训练设备模型，模拟设备运行；

S2：模型预测：基于模型计算反映设备和参数偏离正常状态程度的定量化标识——健康度来描述设备健康状态；

S3：专家规则匹配：将专家经验转化为逻辑规则，根据设备运行状态劣化判断规则，对参数的异常预警进行后台规则配置，特定的故障模式，从而不断优化设备模型；

S4：通过参数的模型计算值与实时监测值的在线对比分析，实现对参数的残差预测，结合相关性分析，实现设备的劣化分析与故障预测。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤S1中，改进的卷积神经网络算法引入卷积神经网络中的稠密连接和残差连接，并将densenet(密集卷积网络)分成多个dense_block(稠密块)，将隐含层增加到了48层，随着层数加深，增加表征能力，减轻梯度消失问题；采用block，降低连接的参数数量，有效利用之前的特征。

上述的步骤S1包括以下步骤：

S11：设备对象及参数选取；

S12：获取参数实时历史全样本数据；

S13：数据清洗；

S14：设备数据建模。

上述的步骤S13中，数据清洗包括去重复数据、去异常数据、数据补全、去非稳数据和数据规约化。

上述的步骤S14中，设备数据建模包括以下步骤：

(1)模型输入；

(2)神经网络构型；

(3)训练数据覆盖多个全负荷段；

(4)输入数据标准化，包括z-score标准化，也叫标准差标准化，即均值为0，标准差为1，其转化函数为，转换函数为：x*＝(x-μ)/σ；min-max标准化，也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数为：x*＝(x-min)/(max-min)；

(5)聚类分析：将各个聚类子集內的所有数据样本的均值作为该聚类的代表点，然后把每个数据点划分到最近的类别中，使得评价聚类性能的准则函数达到最优，从而使同一个类中的对象相似度较高，而不同类之间的对象的相似度较小。

(6)相关性分析：根据筛选后的变量，在确定某一输出参数的情况下，利用相关性分析手段，对剩余参数进行相关性分析，确定与输出参数的相关度，从而筛选出相应的输入参数。

上述的数据规约化方法为：

数据立方体聚集：对某一维度求和；

维规约：去掉无关属性，逐步向前选择，逐步向后删除；

数据压缩：用数据编码或变换，得到原始数据的压缩表示；

数值规约、散化和概念分层生成。

上述的步骤S3中，参数的异常预警包括参数残差越限、参数越限频次、参数变化速率、参数间的越限关联关系。

本发明具有以下有益效果：

本发明方法基于大数据、改进的卷积神经网络算法与专家规则，结合设备劣化分析方法，在经过全工况全样本数据的学习和完善后，模型预测准确率可提高至99％以上，预测告警时间可比故障发生时间提前10-15天以上，关口前移，为设备维修争取到宝贵时间，提高设备可用性，降低设备故障引起的安全风险，降低维修成本，减少非停，提升整体经济效益。

附图说明

图1是本发明的结构流程图；

图2是本发明方法流程图；

图3是本发明的设备建模流程图；

图4是本发明方法的过程示意图；

图5是本发明实施例的原始数据图；

图6是本发明实施例的一阶差分示意图；

图7是本发明实施例的统计量示意图；

图8是本发明实施例的聚类分析结果图；

图9是本发明实施例的使用平均联接的聚类分析树状图；

图10是本发明改进的深度稠密神经网络示意图；

图11是本发明实施例的专家规则后台建模示意图；

图12是本发明实施例的专家规则配置示意图；

图13是本发明实施例的设备劣化分析结果图；

图14是本发明实施例的故障预测结果图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

本实施例以某电厂引风机为例。

如图1-4所示，本发明的一种基于参数残差的设备劣化分析方法，包括以下步骤：

1.测点选择

原始测点列表如下：

2.数据清洗策略

(1)去掉重复数据

根据两个数值型字段内容计算出的表示两者相似度的度量。范围在0-1，越靠近1，相似度越大。

S(s1,s2)＝|s1-s2|/(max(s1,s2))

设定阈值，当相似度大于阈值时，识别其为重复数值，再根据实际情况，对重复数据进行剔除。

(2)去掉异常数据

去掉停机工况数据：以电机电流为参照，小于某阈值(如0.01倍的额定电流)

去掉突变工况数据：考虑一阶差分指标百分比指标:

【η(t)＝|y(t+1)-y(t)|/max(0.001,|y(t)|,|y(t+1)|)】，大于某阈值(如0.1)则去掉y(t)和y(t+1)时刻所有数据

(3)数据补全

对于少数缺失数据，采用均值填补法或最近距离插补法进行数据补全。

(4)去掉非稳数据

去掉离群数据

根据物理意义设定阈值，如每条数据可能最大值的1.5倍；

计算统计量x*＝(x-μ)/σ(μ为统计数据均值、σ为统计数据标准差)，如果其绝对值大于某阈值(如4)，则将该统计量x*数值对应的所有原始数据记录去除。

去掉无值数据字段，一般显示为0；

去掉不相关变量字段，即与大多数变量的变化规律无关，仅仅呈现某种随机性，可通过相关性分析确定。

上述处理结果如图5-7所示。

(5)数据规约

规约标准：

维度规约：减少所需自变量的个数。

数量规约：用较小的数据表示形式替换原始数据。

用于数据规约的时间不应当超过或“抵消”在规约后的数据上挖掘节省的时。

规约得到的数据比原数据小得多，但可以产生相同或几乎相同的分析结果。

主要方法：

数据立方体聚集：对某一维度求和。

维规约：去掉无关属性。(逐步向前选择，逐步向后删除)

数据压缩：用数据编码或变换，得到原始数据的压缩表示。(主成分分析)

数值规约

离散化和概念分层生成

3.建模策略

原始变量数为31，去掉两个无效变量，引风机B冷机B电流GXJJDCS2AI6434和引风机B油箱油位GXJJDCS2AI0991，再去掉独立变量引风机B冷却机A电流GXJJDCS2AI6412，将剩下28个变量进行系统聚类，结合相关性分析，决定将所有变量分为两类，如下：

第一类(负荷相关类)，9个变量如下表所示：

第二类(设备温度类)，21个变量如下表所示：

其中引风机B轴承Y振动GXJJDCS2AI0986和引风机B轴承X振动GXJJDCS2AI0980两类均相关，因此两类均包含这两个变量，对上述两类变量分别建模训练。

(1)模型输入

如上分析，两个模型输入变量分别如上两表所示。

(2)神经网络构型：

模型一：

7-(m1-m2…)-7，其中7为变量个数，输入节点数＝输出节点数，mi为中间隐层，隐层数量根据需要灵活确定；

模型二：

21-(m1-m2…)-21，其中21为变量个数，输入节点数＝输出节点数，mi为中间隐层，隐层数量根据需要灵活确定；

(3)训练数据覆盖多个全负荷段(电机电流0～最大值)；

(4)输入数据标准化

z-score标准化，即均值为0，标准差为1，其转化函数为，转换函数为：x*＝(x-μ)/σ；

min-max标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数为：x*＝(x-min)/(max-min)；

(5)聚类分析

将各个聚类子集內的所有数据样本的均值作为该聚类的代表点，然后把每个数据点划分到最近的类别中，使得评价聚类性能的准则函数达到最优，从而使同一个类中的对象相似度较高，而不同类之间的对象的相似度较小。

(6)相关性分析

根据筛选后的变量，在确定某一输出参数的情况下，利用相关性分析手段，对剩余参数进行相关性分析，确定与输出参数的相关度，从而筛选出相应的输入参数。

例如，选择引风机B入口压力作为输出，通过相关性分析，确定引风机B功率、引风机B电流、引风机B出口烟气温度、引风机B调节动叶阀位、引风机B出口压力、引风机B流量、引风机B轴承Y振动、引风机B轴承X振动等8个参数作为输入。

相关性分析结果(部分)如下：

聚类分析结果参见图8和图9。

4.神经网络算法模型

传统的神经网络采用全连接方式，隐藏层层数较浅，表征能力不足，而且随着层数加深，出现梯庋消失问题，收敛速度慢，特征传递性弱；经改进的神经网络引入了CNN(卷积神经网络)中的稠密连接和残差连接，并将densenet分成多个dense_block，将隐含层增加到了48层，随着层数加深，增加了表征能力，同时减轻了梯度消失问题；采用block，降低了连接的参数数量，并且有效利用了之前的特征。

深度改造传统DNN(深度神经网络)算法，结合稠密连接的思想，构建故障预测通用算法模型。改进的深度稠密神经网络如图10所示。

5.专家规则

根据设备运行状态劣化判断规则，对参数的异常预警进行后台规则配置，参数异常预警包括参数残差越限、参数越限频次、参数变化速率、参数间的越限关联关系等。专家规则后台建模及专家规则配置如图11和图12所示。

6.劣化分析

基于工业互联网平台及支持边缘计算的网关软件，建立引风机实时监测模型，利用引风机健康状态的样本数据对模型进行训练，通过参数的模型计算值与实时监测值的在线对比分析，实现对引风机参数的残差预测，结合相关性分析，实现设备的劣化分析。劣化分析结果如图13所示。

6.故障预测

以引风机B出口压力、引风机B冷却机A电流、引风机B后轴承温度等8个参数作为输入，引风机B轴承Y振动作为输出，对某电厂引风机进行故障预测试验，成功提前一个月预测出引风机叶片损坏故障。故障预测结果如图14所示。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于参数残差的设备劣化分析方法，其特征在于：包括以下步骤：

S1：模型学习：通过改进的卷积神经网络算法与大量历史数据建立神经网络模型并训练设备模型，模拟设备运行；

S2：模型预测：基于模型计算反映设备和参数偏离正常状态程度的定量化标识——健康度来描述设备健康状态；

S3：专家规则匹配：将专家经验转化为逻辑规则，根据设备运行状态劣化判断规则，对参数的异常预警进行后台规则配置，特定的故障模式，从而不断优化设备模型；

S4：通过参数的模型计算值与实时监测值的在线对比分析，实现对参数的残差预测，结合相关性分析，实现设备的劣化分析与故障预测。

2.根据权利要求1所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S1所述改进的卷积神经网络算法引入卷积神经网络中的稠密连接和残差连接，并将densenet分成多个dense_block，将隐含层增加到了48层，随着层数加深，增加表征能力，减轻梯度消失问题；采用block，降低连接的参数数量，有效利用之前的特征。

3.根据权利要求2所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S1包括以下步骤：

S11：设备对象及参数选取；

S12：获取参数实时历史全样本数据；

S13：数据清洗；

S14：设备数据建模。

4.根据权利要求3所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S13所述数据清洗包括去重复数据、去异常数据、数据补全、去非稳数据和数据规约化。

5.根据权利要求3所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S14所述设备数据建模包括以下步骤：

(1)模型输入；

(2)神经网络构型；

(3)训练数据覆盖多个全负荷段；

(4)输入数据标准化，包括z-score标准化，即均值为0，标准差为1，其转化函数为，转换函数为：x*＝(x-μ)/σ；min-max标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数为：x*＝(x-min)/(max-min)；

(5)聚类分析：将各个聚类子集內的所有数据样本的均值作为该聚类的代表点，然后把每个数据点划分到最近的类别中，使得评价聚类性能的准则函数达到最优，从而使同一个类中的对象相似度较高，而不同类之间的对象的相似度较小。

(6)相关性分析：根据筛选后的变量，在确定某一输出参数的情况下，利用相关性分析手段，对剩余参数进行相关性分析，确定与输出参数的相关度，从而筛选出相应的输入参数。

6.根据权利要求4所述的一种基于参数残差的设备劣化分析方法，其特征在于：所述数据规约化方法为：

数据立方体聚集：对某一维度求和；

维规约：去掉无关属性；

数据压缩：用数据编码或变换，得到原始数据的压缩表示；

数值规约、散化和概念分层生成。

7.根据权利要求5所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S3所述参数的异常预警包括参数残差越限、参数越限频次、参数变化速率、参数间的越限关联关系。