CN110207827B - 一种基于异常因子提取的电气设备温度实时预警方法 - Google Patents

Abstract

本发明公开了一种基于异常因子提取的电气设备温度实时预警方法，包括：(1)使用红外传感器等间隔采集电气设备运行时的温度数据，获取温度数据流t_i(i＝0，1，2，...n)；(2)对采集到的温度数据流进行预处理，预处理后得到统一形式的输入数据集

(3)对数据集

中的每一个T_k，计算其局部异常因子值L_OF；(4)将计算得到的局部异常因子值L_OF与预设值进行比较，分析并相应地作出实时预警。本发明能够基于红外传感器采集到的温度数据流，无监督地、实时地对电气设备运行状态进行监测和预警，并且一般不需要根据被监测设备的具体型号规格性能参数进行调整；在面对多监测数据流情况时，也能对个别异常信号进行很好的表征和预警。

Description

一种基于异常因子提取的电气设备温度实时预警方法

技术领域

本发明属于电气设备红外故障诊断领域，尤其是涉及一种基于异常因子提取的电气设备温度实时预警方法。

背景技术

随着社会经济发展以及“工业4.0”的提出，越来越多的电气设备被广泛应用于轨道交通和大型楼宇的暖通系统、空天系统和各类动力系统的关键部分、以及工业生产现场及其设备房等。这些电气设备数目众多、种类复杂，一旦其中的关键设备运行发生异常，极有可能引发严重的安全事故，威胁到社会经济发展效益和公众生命财产安全。因此，通过对系统关键设备的实时预警和故障诊断，实现其全生命周期管理与预测性维护，确保关键系统的重要设备能够可靠运行十分重要。

近年来，在电气设备故障诊断与预测性维护领域涌现了不少基于数据驱动的自动化和智能化设备运行查异和实时预警方法，例如基于贝叶斯网络图模型的故障诊断方法、通过比例危险生存模型估计设备的剩余使用寿命、基于指数退化模型或相似性模型的预测性维护方法、以及各类集成方法等，这些方法被证实有效，同时又被不断改进，日臻完备和先进。

但是，上述介绍的设备运行实时预警和状态监测方法都不可避免地存在以下相似问题：都属于监督学习的范畴，其模型的成功构建依赖于大量带标签数据集，这限制了模型的进一步推广使用；并且，在运用时，需要根据被检测设备的具体型号规格性能参数做出相应的调整，这同样在一定程度上制约了模型的泛化能力；此外，上述方法一般需要将多传感器采集的多数据流进行融合(例如主成成分分析)作为模型的输入，以实现对关键系统重要电气设备的在线查异和实时预警，这不可避免地会丢失部分信息，于是传感器采集到的异常信号可能不会被察觉与表征，影响这些实时预警方法自身的可靠性与鲁棒性。

发明内容

本发明提供了一种基于异常因子提取的电气设备温度实时预警方法，能够基于红外传感器采集到的温度数据流，无监督地、实时地对电气设备运行状态进行监测和预警。

一种基于异常因子提取的电气设备温度实时预警方法，包括：

(1)使用红外传感器等间隔采集电气设备运行时的温度数据，获取温度数据流t_i(i＝0,1,2,…n)；

(2)对采集到的温度数据流进行预处理，定义

T_k＝(t_k，t_k-1)

其中，k＝1，2，...n，预处理后得到统一形式的输入数据集

(3)对数据集

中的每一个T_k，计算其局部异常因子值L_OF；

(4)将计算得到的局部异常因子值L_OF与预设值进行比较，分析并相应地作出实时预警。

本发明事先不需要知道被监测设备的具体型号、规格及性能参数，在面对多监测数据流情况时，能对个别异常信号进行很好的表征和预警。

作为优选，步骤(1)中，所述红外传感器的采集间隔设置为5～30s，顾算法处理速度和电气设备运行工况的相对平稳性。

步骤(2)中，在实际监测过程中，

是一个随监测时间增长的数据集，使得本发明提出的方法成为一个无监督在线学习过程，为了确保算法的时效性，在n≥500时，可以适当去除最先采集到的部分数据，使数据集

的大小维持在500以内。

步骤(3)中，所述局部异常因子值L_OF的具体计算过程为：

(3-1)首先计算T_k对应的局部可达密度L_RD(T_k)：

其中，i为计算过程中选择的参数，Rd⁽ⁱ⁾(T_k，T_k′)被定义为T_k到T_k′的可达距离：

Rd⁽ⁱ⁾(T_k，T_k′)＝max(‖T_k-T_k ⁽ⁱ⁾‖，‖T_k-T_k′‖)

其中，T_k ⁽ⁱ⁾表示的是数据集

中距离T_k第i近的样本点；从T_k到T_k′可达距离Rd⁽ⁱ⁾(T_k，T_k′)表示，从从T_k到T_k′的直线距离为‖T_k-T_k′‖，如果T_k′比T_k ⁽ⁱ⁾距T_k更近的话，就直接用‖T_k-T_k ⁽ⁱ⁾‖的值来表示从T_k到T_k′可达距离Rd⁽ⁱ⁾(T_k，T_k′)。

(3-2)计算局部异常因子值L_OF：

可见，我们将L_OF ⁽ⁱ⁾(T_k)定义为T_k ^(j)的局部可达密度L_RD ⁽ⁱ⁾(T_k ^(j))的平均值和T_k的局部可达密度L_RD ⁽ⁱ⁾(T_k)的比值，其值大小表征T_k的离群程度。

局部异常因子值L_OF ⁽ⁱ⁾(T_k)的计算公式可解释为，当T_k ^(j)的周围密度比较高而T_k周围的密度比较低的时候，局部异常因子就比较大，T_k就会被看作是异常值，及设备温度出现异常；与此相对，当T_k ^(j)的周围密度比较低而T_k周围的密度比较高时，局部异常因子就比较小，T_k就会被看作是正常值，即设备运行正常。

作为优选，步骤(3-1)中，对于本发明应用的平稳运行电气设备温度实时预警，i的参数值通常取10。

作为优选，步骤(4)中，还包括根据实际巡检查异结果，对预设值进行调整。

本发明基于异常因子提取的电气设备温度实时预警方法，算法简单、运行速度快、可靠性强，能够结合红外传感器实现对电气设备运行状态的实时预警和在线查异，在一定程度上简化了人工巡检电气设备运行故障的重复性操作，并且在实际使用时一般不需要根据被监测设备的具体型号规格性能参数进行调整。此外，由于其算法的自身性质，本方法在面对对关键系统重要设备的多监测数据流情况时，也能对个别异常信号进行很好的表征和预警，对电气设备的实时预警与智能运维具有重要意义。

附图说明

图1为本发明一种基于异常因子提取的电气设备温度实时预警方法流程示意图；

图2为本发明实施例1中红外传感器监测到的电气设备温度变化图；

图3为本发明实施例1中局部异常因子计算结果图；

图4为本发明实施例2中红外传感器监测到的电气设备温度变化图；

图5为本发明实施例2中局部异常因子计算结果图；

图6为本发明实施例2中标出异常点的电气设备温度变化图；

图7为本发明实施例3中红外传感器监测到的电气设备温度变化图；

图8为本发明实施例3中局部异常因子计算结果图；

图9为本发明实施例3中标出异常点的电气设备温度变化图；

图10为本发明实施例4中红外传感器监测到的电气设备温度变化图；

图11为本发明实施例4中局部异常因子计算结果图；

图12为本发明实施例4中标出异常点的电气设备温度变化图；

图13为本发明实施例5中红外传感器监测到的电气设备温度变化图；

图14为本发明实施例5中局部异常因子计算结果图；

图15为本发明实施例5中标出异常点的电气设备温度变化图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

实施例1

如图1所示，一种基于异常因子提取的电气设备温度实时预警方法，包括以下步骤：

S01，通过红外传感器采集一段电气设备实际运行的温度数据，采样间隔为5s，采集到的结果如图2所示；

S02，对采集到的温度数据流t_i(i＝0,1,2,…n)进行预处理，整理成

的形式；

S03，对数据集

中的每一个T_k，计算其局部异常因子值L_OF，在计算时将公式

其中，i设置为10，结果如图3所示，图中，每一个“*”代表一个数据点，围绕着“*”的圆圈半径大小表征其局部异常因子的大小。

本实施例中，将L_OF的预设阈值设置为3，最终计算得到的局部异常因子值L_OF均小于3，故认为该设备平稳运行无异常。

实施例2

S01，通过红外传感器采集一段电气设备实际运行的温度数据，采样间隔为5s，其结果如图4所示；

S02，对采集到的温度数据流t_i(i＝0,1,2,…n)进行预处理，整理成

的形式；

S03，对数据集

中的每一个T_k，计算其局部异常因子值L_OF，在计算时将公式

其中，i设置为10，结果如图5所示，每一个“*”代表一个数据点，围绕着“*”的圆圈半径大小表征其局部异常因子的大小。同样将L_OF的预设阈值设置为3，本实施例计算得到的局部异常因子值中，有一个L_OF＝3.3799大于预设值，故认为该设备在运行过程中可能出现轻微异常，并在温度变化图中标出，如图6所示，并建议对其采取适当措施进行巡检和维护。

实施例3

S01，通过红外传感器采集一段电气设备实际运行的温度数据，采样间隔为5s，其结果如图7所示；

S02，对采集到的温度数据流t_i(i＝0,1,2,…n)进行预处理，整理成

的形式；

S03，对数据集

中的每一个T_k，计算其局部异常因子值L_OF，在计算时将公式

其中，i设置为10，结果如图8所示，每一个“*”代表一个数据点，围绕着“*”的圆圈半径大小表征其局部异常因子的大小。同样将L_OF的预设阈值设置为3，本例计算得到的局部异常因子值中，有5个L_OF值大于预设值，故认为该设备在运行过程中可能出现异常，并在温度变化图中标出，如图9所示，并建议对其采取相关措施进行巡检和维护。

实施例4

S01，通过红外传感器采集一段电气设备实际运行的温度数据，采样间隔为5s，其结果如图10所示；

S02，对采集到的温度数据流t_i(i＝0,1,2,…n)进行预处理，整理成

的形式；

S03，对数据集

中的每一个T_k，计算其局部异常因子值L_OF，在计算时将公式

其中，i设置为10，结果如图11所示，每一个“*”代表一个数据点，围绕着“*”的圆圈半径大小表征其局部异常因子的大小。同样将L_OF的预设阈值设置为3，本例计算得到的局部异常因子值中，有3个L_OF值大于预设值，并且其中一个L_OF值尤其显著，故认为该设备在运行过程中很可能出现异常，并在温度变化图中标出，如图12所示，并建议对其采取相关措施进行巡检和维护。若监测结果发现设备并无异常，则可将预设值适当调大，例如设置为3.5。

实施例5

S01，通过红外传感器采集一段电气设备实际运行的温度数据，采样间隔为5s，其结果如图13所示；

S02，对采集到的温度数据流t_i(i＝0,1,2,…n)进行预处理，整理成

的形式；

S03，对数据集

中的每一个T_k，计算其局部异常因子值L_OF，在计算时将公式

其中，i设置为10，结果如图14所示，每一个“*”代表一个数据点，围绕着“*”的圆圈半径大小表征其局部异常因子的大小。同样将L_OF的预设阈值设置为3，本例计算得到的局部异常因子值中，有11个L_OF值大于预设值，并且几乎所有的L_OF值尤其显著，故认为该设备在运行过程中出现严重异常，在温度变化图中标出，如图15所示，并建议立刻停机检查，采取相关措施进行维护。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于异常因子提取的电气设备温度实时预警方法，其特征在于，包括：

(1)使用红外传感器等间隔采集电气设备运行时的温度数据，获取温度数据流t_i(i＝0,1,2,…n)；所述红外传感器的采集间隔设置为5～30s；

(2)对采集到的温度数据流进行预处理，定义

T_k＝(t_k，t_k-1)

其中，k＝1，2，...n，预处理后得到统一形式的输入数据集

数据集

的大小维持在500以内，当在n≥500时，去除最先采集到的数据；

(3)对数据集

中的每一个T_k，计算其局部异常因子值L_OF；具体计算过程为：

(3-1)首先计算T_k对应的局部可达密度L_RD(T_k)：

其中，i为计算过程中选择的参数，Rd⁽ⁱ⁾(T_k，T_k′)被定义为T_k到T_k′的可达距离：

Rd⁽ⁱ⁾(T_k，T_k′)＝max(‖T_k-T_k ⁽ⁱ⁾‖，‖T_k-T_k′‖)

其中，T_k ⁽ⁱ⁾表示的是数据集

中距离T_k第i近的样本点；从T_k到T_k′可达距离Rd⁽ⁱ⁾(T_k，T_k′)表示，从T_k到T_k′的直线距离为‖T_k-T_k′‖，如果T_k′比T_k ⁽ⁱ⁾距T_k更近，直接用‖T_k-T_k ⁽ⁱ⁾‖的值来表示从T_k到T_k′可达距离Rd⁽ⁱ⁾(T_k，T_k′)；

(3-2)计算局部异常因子值L_OF：

将L_OF ⁽ⁱ⁾(T_kT定义为T_k ^(j)的局部可达密度L_RD ⁽ⁱ⁾(T_k ^(j))的平均值和T_k的局部可达密度L_RD ⁽ⁱ⁾(T_k)的比值，其值大小表征T_k的离群程度；

(4)将计算得到的局部异常因子值L_OF与预设值进行比较，分析并相应地作出实时预警。

2.根据权利要求1所述的基于异常因子提取的电气设备温度实时预警方法，其特征在于，步骤(3-1)中，i的参数值取10。

3.根据权利要求1所述的基于异常因子提取的电气设备温度实时预警方法，其特征在于，步骤(4)中，还包括根据实际巡检查异结果，对预设值进行调整。

Images