CN110674991A - 一种基于ocsvm的火电厂一次风机异常检测方法 - Google Patents
一种基于ocsvm的火电厂一次风机异常检测方法 Download PDFInfo
- Publication number
- CN110674991A CN110674991A CN201910913981.1A CN201910913981A CN110674991A CN 110674991 A CN110674991 A CN 110674991A CN 201910913981 A CN201910913981 A CN 201910913981A CN 110674991 A CN110674991 A CN 110674991A
- Authority
- CN
- China
- Prior art keywords
- daily
- ocsvm
- model
- power plant
- thermal power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005856 abnormality Effects 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及通过建模及人工智能的方法来实现风机异常的快速检测,一种基于OCSVM的火电厂一次风机异常检测方法,包括(1)原始监测数据预处理;(2)通过分帧加窗的方式,计算各原始监测数据的日均值、日方差、日能量以及日峭度,并与原始数据共同构成特征向量;(3)将样本分为训练集和测试集,其中训练集特征向量送入单分类支持向量机分类器,构建异常检测模型;(4)利用测试集对模型进行性能评估;在训练集上准确率最高的模型所对应的nu值作为最优参数值,不仅能够有效识别故障样本,还能及时发现一次风机异常,防止重大事故发生。
Description
技术领域
本发明涉及火电厂风机检测方法领域,尤其涉及一种通过建模及人工智能的方法来实现风机异常的快速检测。
背景技术
一次风机是火电厂重要的辅机设备之一,主要用来输送和干燥煤粉,并提供燃料燃烧初期所需要的空气。其工作环境恶劣,且需要频繁调节负荷,因此故障高发,故障诊断难度大。对一次风机产生的故障必须做到及时有效的检测与分析,以便于查明故障原因和排除故障,防止事故发生。
设备故障检测可以通过多种方法来实现,包括基于模型的方法、人工智能的方法,以及基于过程变量的阈值报警技术等。但由于电厂已经存储的海量历史数据多为无标签数据,采用有监督学习算法就必须面临数据标注这一难题。考虑到一次风机具备大量的运行监测数据,且相较于故障数据,大部分为正常运行数据,类别严重不平衡且无标签,构建异常检测模型对其进行数据处理和分析无疑是一个有效的方法。
OCSVM最早由提出,是支持向量机的一种,但是它和传统的基于监督学习的分类回归支持向量机不同,它是无监督学习的方法,不需要训练集的输出标签。在没有类别标签的情况,如何寻找划分的超平面以及寻找支持向量的方法有很多,支持向量域描述(Support Vector Damian Description,SVDD)是一种常用的解决方法。它以统计学习理论和支持向量机为理论背景,研究在小样本情况下提高学习器的性能,具有坚实的理论基础和很好的推广泛化能力,在异常检测问题中被广泛使用。
发明内容
为了实现火电厂一次风机异常的快速检测问题,提供一种基于OCSVM算法,采用分帧加窗的预处理方法,对一次风机的各测点信号提取时域特征,与测点原始数据组合构建特征向量。然后不需要数据标注直接将训练集特征向量送入OCSVM分类器,构建异常检测模型。最后,根据模型在测试集上的准确率对其进行性能评估。本发明提供以下技术方案:
一种基于OCSVM的火电厂一次风机异常检测方法,包括以下步骤:
(1)、原始监测数据预处理。
(2)、通过分帧加窗的方式,计算各原始监测数据的日均值、日方差、日能量以及日峭度,并与原始数据共同构成特征向量;
假设对M天(每天n个采样点数)的历史监测数据X={x1,x2,……,xMn},对其进行日平均特征提取时,首先以天为单位对X进行分段,则可得:
其中,一行即代表一天的监测数据,分别计算每一行数据的均值、方差、能量和峭度值,并将其作为该天n个时刻的特征。以第一天为例,对该天监测数据Y1=
{x1,x2,……,xn}进行特征提取,则有:
1)日均值M1~Mn
2)日方差V1~Vn
3)日能量E1~En
4)日峭度K1~Kn
其中i=1,2,……,n,为Y1的平均值,M1~Mn表示该天1~n个时间点的日均值特征,其它特征表示相同。最终可得第一个时刻的特征向量为[x1,M1,V1,E1,K1],第n个时刻的特征向量为[xn,Mn,Vn,En,Kn],第n+1个时刻的特征向量为[xn+1,Mn+1,Vn+1,En+1,Kn+1],其它时刻依此类推。
(3)、将样本分为训练集和测试集,其中训练集特征向量送入单分类支持向量机分类器,构建异常检测模型。
(4)、利用测试集对模型进行性能评估。
本发明的有益效果在于:不同于有监督学习中既有正样本又有负样本,本方法只将正常样本作为训练集送至OCSVM单分类器进行模型训练,本方法只将正常样本作为训练集送至OCSVM单分类器进行模型训练,并选择不同的nu值进行模型构建,将在训练集上准确率最高的模型所对应的nu值作为最优参数值。理论分析和实验结果表明:该方法构建的单分类异常检测模型识别率可以达到92.3%,不仅能够有效识别故障样本,还能及时发现一次风机异常,防止重大事故发生。
附图说明
图1是本发明预处理前风机A各测点趋势图;
图2是本发明预处理后风机A各测点趋势图;
图3是本发明训练集识别结果;
图4是本发明风机A异常样本识别结果;
图5是本发明风机B全部样本识别结果;
图6是本发明检测方法流程图。
具体实施方式
以某火电厂#11号炉的两台一次风机A和B的历史监测数据为例,数据采集时间从2018年7月1日到2018年11月28日,测点包括风机电流、挡板开度、轴承温度(4个位置)以及轴承x和y方向上的振动信号,采样间隔为30s。已知风机A在2018年10月31日出现温度异常,11月26日轴承损坏。风机B自7月起轴承已知没加过油脂,按经验风机B也存在轴承失效的隐患。首先,对原始监测数据进行预处理,剔除异常值和停机数据。如图1、2所示,分别为预处理前后风机A各测点在采集时间段内的趋势图,在后期振动幅值有明显的增大趋势。按照每个时间点为一个样本,则处理前风机A共有样本431910个,处理后样本数为391680,以10月31日为界,其中正常样本316800个,异常样本74880个。同样对风机B历史监测数据进行预处理,处理前后样本数分别为431858和397440;
(2)通过分帧加窗的方式,计算各原始监测数据的日均值、日方差、日能量以及日峭度,并与原始数据共同构成特征向量;
假设有某150天(每天n个采样点数)的历史监测数据X={x1,x2,……,x150n},对其进行日平均特征提取时,首先以天为单位对X进行分段,则可得:
其中,一行即代表一天的监测数据,分别计算每一行数据的均值、方差、能量和峭度值,并将其作为该天n个时刻的特征。以第一天为例,对该天监测数据Y1={x1,x2,……,xn}进行特征提取,则有:
1)日均值M1~Mn
2)日方差V1~Vn
3)日能量E1~En
4)日峭度K1~Kn
其中i=1,2,……,n,为Y1的平均值,M1~Mn表示该天1~n个时间点的日均值特征,其它特征表示相同。最终可得第一个时刻的特征向量为[x1,M1,V1,E1,K1],第n个时刻的特征向量为[xn,Mn,Vn,En,Kn],第n+1个时刻的特征向量为[xn+1,Mn+1,Vn+1,En+1,Kn+1],其它时刻依此类推。
按上述方法将计算得到的8个测点日均值、日方差、日能量以及日峭度作为新的特征,和各时间点原始数据一起构成新的40维特征向量。每一个时间点的特征向量即为一个样本。
(3)将风机A 2018年10月31日前的正常样本(共316800条)送至OCSVM分类器进行训练。其中,核函数选用RBF径向基函数,如表1通过选择不同的nu值(用于均衡模型复杂度和分类错误率,即2中惩罚参数C的作用)进行对比,最终选择nu=0.05用于模型构建,在保证异常样本识别率的同时,尽可能减小nu的取值。训练集的识别结果如图3所示,其中黑色点“o”为正常样本,红色“*”为异常样本,对于训练集来说,异常样本占整个训练集样本的比例取决于参数nu,因为此处设置nu=0.05,所以异常样本占比5%。
表1不同nu值下的模型识别结果
(4)为了验证所构建单分类异常检测模型的效果,将风机A2018年10月31日后的异常样本和风机B的全部样本送入模型中进行识别,识别结果如图4、5所示。由图4可知该模型对于异常样本识别的正确率为69126/74880=92.3%。观察图5会发现在250000个样本点后,大部分样本都被识别为异常样本,刚好与风机B存在轴承失效隐患的判断相一致。从识别结果可知,基于OCSVM方法构建的单分类异常检测模型能够有效监测出异常样本,防止重大事故的发生。
根据模型在测试集上的准确率对其进行性能评估。不仅仅使用已有的挡板开度、温度、电流以及振动测点数据,还计算各测点的日平均时域统计特征作为新的特征。不同于有监督学习中既有正样本又有负样本,本方法只将正常样本作为训练集送至OCSVM单分类器进行模型训练,并选择不同的nu值进行模型构建,将在训练集上准确率最高的模型所对应的nu值作为最优参数值。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种基于OCSVM的火电厂一次风机异常检测方法,其特征在于:包括以下步骤:(1)原始监测数据预处理;(2)通过分帧加窗的方式,计算各原始监测数据的日均值、日方差、日能量以及日峭度,并与原始数据共同构成特征向量;(3)将样本分为训练集和测试集,其中训练集特征向量送入单分类支持向量机分类器,构建异常检测模型;(4)利用测试集对模型进行性能评估。
2.如权利要求1所述的一种基于OCSVM的火电厂一次风机异常检测方法,其特征在于:步骤(1)历史监测数据为X={x1,x2,……,xMn},对其进行日平均特征提取时,首先以天为单位对X进行分段,分别计算每一行数据的均值、方差、能量和峭度值,并将其作为该天n个时刻的特征。
4.如权利要求1所述的一种基于OCSVM的火电厂一次风机异常检测方法,其特征在于:只将正常样本作为训练集送至OCSVM单分类器进行模型训练。
5.如权利要求1所述的一种基于OCSVM的火电厂一次风机异常检测方法,其特征在于:选择不同的nu值进行模型构建,将在训练集上准确率最高的模型所对应的nu值作为最优参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913981.1A CN110674991A (zh) | 2019-09-25 | 2019-09-25 | 一种基于ocsvm的火电厂一次风机异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913981.1A CN110674991A (zh) | 2019-09-25 | 2019-09-25 | 一种基于ocsvm的火电厂一次风机异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674991A true CN110674991A (zh) | 2020-01-10 |
Family
ID=69079053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913981.1A Pending CN110674991A (zh) | 2019-09-25 | 2019-09-25 | 一种基于ocsvm的火电厂一次风机异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674991A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
CN113188723A (zh) * | 2021-04-26 | 2021-07-30 | 国家能源集团谏壁发电厂 | 一种烟气排放监测采样探头性能检测装置及检测方法 |
CN117688558A (zh) * | 2024-02-01 | 2024-03-12 | 杭州海康威视数字技术股份有限公司 | 基于微结构异常事件的终端攻击轻量检测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN109612729A (zh) * | 2018-12-25 | 2019-04-12 | 天津金岸重工有限公司 | 一种港机车轮轴承的故障状态识别方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
-
2019
- 2019-09-25 CN CN201910913981.1A patent/CN110674991A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN109612729A (zh) * | 2018-12-25 | 2019-04-12 | 天津金岸重工有限公司 | 一种港机车轮轴承的故障状态识别方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
翟怡萌 等: "基于OCSVM的火电厂一次风机异常检测", 《工业控制计算机》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
CN113188723A (zh) * | 2021-04-26 | 2021-07-30 | 国家能源集团谏壁发电厂 | 一种烟气排放监测采样探头性能检测装置及检测方法 |
CN113188723B (zh) * | 2021-04-26 | 2024-02-02 | 国家能源集团谏壁发电厂 | 一种烟气排放监测采样探头性能检测装置及检测方法 |
CN117688558A (zh) * | 2024-02-01 | 2024-03-12 | 杭州海康威视数字技术股份有限公司 | 基于微结构异常事件的终端攻击轻量检测方法及设备 |
CN117688558B (zh) * | 2024-02-01 | 2024-05-07 | 杭州海康威视数字技术股份有限公司 | 基于微结构异常事件的终端攻击轻量检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
CN110674991A (zh) | 一种基于ocsvm的火电厂一次风机异常检测方法 | |
WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN109255333A (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
CN116186578A (zh) | 风电机组故障辨识方法、装置及终端设备 | |
CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
Seegmiller et al. | Wind turbine fault classification using support vector machines with fuzzy logic | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
Vigneshkumar et al. | Fault detection in gearbox using motor electrical signature analysis | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN116878886A (zh) | 一种用于冷却塔水泵轴承磨损的监测方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
Zhang et al. | Novelty detection based on extensions of GMMs for industrial gas turbines | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动系统故障报警方法 | |
CN110057588A (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
CN114897029A (zh) | 基于深度残差收缩网络的集成灶风机故障诊断方法 | |
Yang et al. | Convolutional autoencoder-based sensor fault classification |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |