CN110807555A - 一种基于视觉引导算法预测旋转机组中转子脱落的方法 - Google Patents

Abstract

本发明公开一种基于视觉引导算法预测旋转机组中转子脱落的方法，涉及异常预测技术领域，该方法的实现过程包括：通过传感器采集大型工业旋转机组中的多项数据；将数据映射到基于特征空间构建的多维直方图中；引入视觉引导算法EagleMine，判断数据中是否存在异常值；在数据中存在异常值时，判定该机组会在未来发生故障；标记会在未来发生故障的机组，并进行提前维护和检修。本方法可以准确识别异常的微团簇，判断机组在短时间内将会发生转子脱落故障，进而对机组转子提前进行更换和维修，避免突然发生故障时造成严重损失。

Description

一种基于视觉引导算法预测旋转机组中转子脱落的方法

技术领域

本发明涉及异常预测，具体的说是一种基于视觉引导算法预测旋转机组中转子脱落的方法。

背景技术

异常检测指的是通过数据挖掘手段识别数据中的“异常点”，异常检测技术在预测性维护领域得到重要应用。常见的使用案例包括风控领域、网络通信领域发现异常信息流、机械加工领域识别未达标产品等等。

大型旋转机组，如压缩机、蒸汽汽轮机、燃气轮机等是流程工业如能源、化工、发电等行业的核心装备。因设备高速旋转、动能巨大，转子部件脱落故障给设备安全运行带来巨大威胁。由于部件脱落而导致的机组多级动静叶片/叶轮损伤的维修成本高、耗时长，因此而造成企业经济效益的重大损失。转子部件脱落的早期征兆难以捕捉，是故障预测的世界性难题。如果能通过大数据方法，发现所采集数据中存在的异常点，来预测大型旋转机组转子部件在未来可能发生脱落的时间点和几率，提前对旋转机组进行维护，降低大型旋转机组出现故障所承受的风险，将带来显著的安全价值和经济效益。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种基于视觉引导算法预测旋转机组中转子脱落的方法。

本发明的一种基于视觉引导算法预测旋转机组中转子脱落的方法，解决上述技术问题采用的技术方案如下：

一种基于视觉引导算法预测旋转机组中转子脱落的方法，该方法的实现过程包括：

S10、通过传感器采集大型工业旋转机组中的多项数据；

S20、将数据映射到基于特征空间构建的多维直方图中；

S30、引入视觉引导算法EagleMine，判断数据中是否存在异常值；

S40、在数据中存在异常值时，判定该机组会在未来发生故障；

S50、标记会在未来发生故障的机组，并进行提前维护和检修。

具体的，所涉及传感器采集的数据包括旋转机组的波形、转速、频率、周期；

传感器所采集数据形成一张数百万个节点的热图，将热图所包含的数百万个节点映射到基于特征空间构建的多维直方图中。

更具体的，所涉及特征空间包括多个节点特征，设定：多维直方图用H表示，所述多维直方图H的维度用dim(H)表示，多维直方图H的箱用b表示，箱b内点的个数用h表示；

基于特征空间构建多维直方图H时，利用统计分布作为词汇来描述节点组，其中，基于词汇的摘要模型由可配置的词汇表组成，包括：

用于描述特征空间中直方图的节点组的统计分布y，

赋值变量：S＝{S₁，...，S_C}为C节点组的分配，

描述词汇：θ＝{θ₁，...，θ_C}，用于每个节点组中的分布，

异常值：未分配到箱b中的异常节点O。

优选的，所涉及词汇包括且不限于均匀分布、高斯分布、拉普拉斯分布和指数分布或其他分布，具体某个词汇还可以根据要描述的数据和特征进行定制。

具体的，引入视觉引导算法EagleMine后，视觉引导算法EagleMine执行以下两个步骤：

S31、在某些特征空间中构建节点组的水位树算法，

S32、搜索水位树T并使用TreeExplore算法获得多维直方图H的摘要；

所述视觉引导算法EagleMine执行步骤S31、、S32、后分层检测节点组中的微聚类，然后计算出最佳摘要，包括描述词汇θ，每个节点组的赋值变量S，以及最终的异常值索引。

具体的，所涉及EagleMine视觉引导算法在某些特征空间中构建节点组的水位树算法的具体操作包括：

(1.1)设定以r作为水位，则h＜r的那些箱子在水下，h＞r的那些箱子在水上，然后假定一个区域由连接的正箱作为岛屿，而其他箱作为水域；

(1.2)对所有岛屿进行处理，提出水位树T，假定水位树T中每个节点代表一个岛屿，每个边缘代表的关系为：较高水位的子岛屿来自于较低水位的父岛屿；

(1.3)在水位树T中，从0增加r对应于提高水位并从根部移动到叶子，在这一过程中，

从根开始，并以步数p从0到log h_max以对数标度提高水位r，以考虑h的幂律分布，其中h_max＝maxH；

使用二进制open2运算符

来平滑每个内部连接岛，以移除小的隔离箱，完成噪声处理，并将具有特定结构元素的弱连接岛屿分开；

(1.4)将当前水平r_curr的每个岛屿与树木的较低水位r_prev处的父母相连，至浮动过程停止，r达到最大水平，即对数h_max。

更具体的，所涉及水位树算法的具体执行流程包括：

输入：直方图H

输出：水位树T

1)T＝{H中作为根的正箱}

2)for r＝0至log hmax by step do

3)Hr：把h∈H分配给0，if log h＜r

4)

5)岛屿Ar＝连接Hr中箱的区域

6)把每一个Ar中的岛屿和他在T中的父岛屿连接起来

7)end for

8)收敛T：迭代删除每个单个子岛屿并将他的子岛屿和父岛屿相连

9)修剪T：启发式删除噪声节点

10)用额外的邻居来扩展T中的岛屿

11)return T。

具体的，所涉及搜索水位树T并使用TreeExplore算法获得多维直方图H的摘要，具体操作包括：

(2.1)使用无分布假设检验确定每个岛屿的词汇量；

(2.2)进行词汇量的分配，使用最大似然估计来学习一个岛屿α的参数：θ_α∈θ，其中

(2.3)通过DistributionFit(α，s_α)来获取每一步的参数θ，用BFS搜索树以选择最佳的聚类组合；

(2.4)将来自不同父节点的岛屿进行缝合合并，在有多对岛屿同时合并时，选择拼接后具有最小平均对数似然减少的那对：

其中α_i和α_j是要缝合的岛屿对，L_(.)是岛屿的对数似然，L_ij是合并岛屿的对数似然；

(2.5)缝合合并后，将最小平均对数小于10^-4的节点岛屿视作是异常值，计算其摘要。

更具体的，所涉及TreeExplore算法获得多维直方图H的摘要的具体执行流程包括：

输入：水位树T

输出：{S，θ，O}的摘要

1)

2)S＝在T中每一个岛屿的词汇分布类型S

3)用BFS搜索T以迭代地对每个节点进行跟踪：使用DistributionFit来确定参数；应用假设检验来选择最优的一个结果，将其插入到θ并更新S

4)在S中缝合并替换有希望的分布，然后更新θ

5)确定偏离公认群里的异常值O

6)return{S，θ，O}的摘要。

本发明的一种基于视觉引导算法预测旋转机组中转子脱落的方法，与现有技术相比具有的有益效果是：

本发明使用视觉引导算法EagleMine识别和汇总特征空间中的点群，并利用水位树直观捕获群体结构，采用统计假设检验来确定树木的最佳群体，最终，更准确的识别异常的微团簇，从而判断该机组在短时间内将会发生转子脱落故障，需要对机组转子提前进行更换和维修，避免突然发生故障时造成严重损失。

附图说明

附图1是本发明的流程框图。

具体实施方式

为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。

实施例一：

结合附图1，本实施例提出一种基于视觉引导算法预测旋转机组中转子脱落的方法，该方法的实现过程包括：

S10、通过传感器采集大型工业旋转机组中的多项数据；

S20、将数据映射到基于特征空间构建的多维直方图中；

S30、引入视觉引导算法EagleMine，判断数据中是否存在异常值；

S40、在数据中存在异常值时，判定该机组会在未来发生故障；

S50、标记会在未来发生故障的机组，并进行提前维护和检修。

在本实施例中，所涉及传感器采集的数据包括旋转机组的波形、转速、频率、周期。传感器所采集数据形成一张数百万个节点的热图，将热图所包含的数百万个节点映射到基于特征空间构建的多维直方图中。

在本实施例中，所涉及特征空间包括多个节点特征，设定：多维直方图用H表示，所述多维直方图H的维度用dim(H)表示，多维直方图H的箱用b表示，箱b内点的个数用h表示。

在基于特征空间构建多维直方图H时，利用统计分布作为词汇来描述节点组，其中，

基于词汇的摘要模型由可配置的词汇表组成，包括：

用于描述特征空间中直方图的节点组的统计分布y，

赋值变量：S＝{S₁，...，S_C}为C节点组的分配，

描述词汇：θ＝{θ₁，...，θ_C}，用于每个节点组中的分布，

异常值：未分配到箱b中的异常节点O。

需要补充的是，词汇包括且不限于均匀分布、高斯分布、拉普拉斯分布和指数分布或其他分布，具体某个词汇还可以根据要描述的数据和特征进行定制。

在本实施例中，引入视觉引导算法EagleMine后，视觉引导算法EagleMine执行以下两个步骤：

S31、在某些特征空间中构建节点组的水位树算法，其具体操作包括：

(1.1)设定以r作为水位，则h＜r的那些箱子在水下，h＞r的那些箱子在水上，然后假定一个区域由连接的正箱作为岛屿，而其他箱作为水域；

(1.2)对所有岛屿进行处理，提出水位树T，假定水位树T中每个节点代表一个岛屿，每个边缘代表的关系为：较高水位的子岛屿来自于较低水位的父岛屿；

(1.3)在水位树T中，从0增加r对应于提高水位并从根部移动到叶子，在这一过程中，

从根开始，并以步数p从0到log h_max以对数标度提高水位r，以考虑h的幂律分布，其中h_max＝maxH；

使用二进制open2运算符

来平滑每个内部连接岛，以移除小的隔离箱，完成噪声处理，并将具有特定结构元素的弱连接岛屿分开；

(1.4)将当前水平r_curr的每个岛屿与树木的较低水位r_prev处的父母相连，至浮动过程停止，r达到最大水平，即对数h_max。

所涉及水位树算法的具体执行流程包括：

输入：直方图H

输出：水位树T

1)T＝{H中作为根的正箱}

2)for r＝0至log hmax by step do

3)Hr：把h∈H分配给0，if log h＜r

4)

5)岛屿Ar＝连接Hr中箱的区域

6)把每一个Ar中的岛屿和他在T中的父岛屿连接起来

7)end for

8)收敛T：迭代删除每个单个子岛屿并将他的子岛屿和父岛屿相连

9)修剪T：启发式删除噪声节点

10)用额外的邻居来扩展T中的岛屿

11)return T。

S32、搜索水位树T并使用TreeExplore算法获得多维直方图H的摘要，其具体操作包括：

(2.1)使用无分布假设检验确定每个岛屿的词汇量；

(2.2)进行词汇量的分配，使用最大似然估计来学习一个岛屿α的参数：θ_α∈θ，其中

(2.3)通过DistributionFit(α，s_α)来获取每一步的参数θ，用BFS搜索树以选择最佳的聚类组合；

(2.4)将来自不同父节点的岛屿进行缝合合并，在有多对岛屿同时合并时，选择拼接后具有最小平均对数似然减少的那对：

其中α_i和α_j是要缝合的岛屿对，L_(.)是岛屿的对数似然，L_ij是合并岛屿的对数似然；

(2.5)缝合合并后，将最小平均对数小于10^-4的节点岛屿视作是异常值，计算其摘要。

所涉及TreeExplore算法获得多维直方图H的摘要的具体执行流程包括：

输入：水位树T

输出：{S，θ，O}的摘要

1)

2)S＝在T中每一个岛屿的词汇分布类型S

3)用BFS搜索T以迭代地对每个节点进行跟踪：使用DistributionFit来确定参数；应用假设检验来选择最优的一个结果，将其插入到θ并更新S

4)在S中缝合并替换有希望的分布，然后更新θ

5)确定偏离公认群里的异常值0

6)return{S，θ，O}的摘要。

所涉及视觉引导算法EagleMine执行步骤S31、S32、后，分层检测节点组中的微聚类，然后计算得到最佳摘要，包括描述词汇θ、每个节点组的赋值变量S、以及最终的异常值索引。

综上可知，采用本发明的一种基于视觉引导算法预测旋转机组中转子脱落的方法，可以准确识别异常的微团簇，判断机组在短时间内将会发生转子脱落故障，进而对机组转子提前进行更换和维修，避免突然发生故障时造成严重损失。

以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (9)

1.一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于,该方法的实现过程包括：

S10、通过传感器采集大型工业旋转机组中的多项数据；

S20、将数据映射到基于特征空间构建的多维直方图中；

S30、引入视觉引导算法EagleMine，判断数据中是否存在异常值；

S40、在数据中存在异常值时，判定该机组会在未来发生故障；

S50、标记会在未来发生故障的机组，并进行提前维护和检修。

2.根据权利要求1所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，所述传感器采集的数据包括旋转机组的波形、转速、频率、周期；

传感器所采集数据形成一张数百万个节点的热图，将热图所包含的数百万个节点映射到基于特征空间构建的多维直方图中。

3.根据权利要求1或2所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，所述特征空间包括多个节点特征，设定：所述多维直方图用H表示，所述多维直方图H的维度用dim(H)表示，所述多维直方图H的箱用b表示，箱b内点的个数用h表示；

基于特征空间构建多维直方图H时，利用统计分布作为词汇来描述节点组，其中，

基于词汇的摘要模型由可配置的词汇表组成，包括：

用于描述特征空间中直方图的节点组的统计分布y，

赋值变量：S＝{S₁，...，S_C}为C节点组的分配，

描述词汇：θ＝{θ₁，...，θ_C}，用于每个节点组中的分布，

异常值：未分配到箱b中的异常节点O。

4.根据权利要求3所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，词汇包括且不限于均匀分布、高斯分布、拉普拉斯分布和指数分布或其他分布，具体某个词汇还可以根据要描述的数据和特征进行定制。

5.根据权利要求3所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，引入视觉引导算法EagleMine后，所述视觉引导算法EagleMine执行以下两个步骤：

S31、在某些特征空间中构建节点组的水位树算法，

S32、搜索水位树T并使用TreeExplore算法获得多维直方图H的摘要；

所述视觉引导算法EagleMine执行步骤S31、S32、后分层检测节点组中的微聚类，然后计算出最佳摘要，包括描述词汇θ，每个节点组的赋值变量S，以及最终的异常值索引。

6.根据权利要求5所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，所述EagleMine视觉引导算法在某些特征空间中构建节点组的水位树算法的具体操作包括：

(1.1)设定以r作为水位，则h<r的那些箱子在水下，h>r的那些箱子在水上，然后假定一个区域由连接的正箱作为岛屿，而其他箱作为水域；

(1.2)对所有岛屿进行处理，提出水位树T，假定水位树T中每个节点代表一个岛屿，每个边缘代表的关系为：较高水位的子岛屿来自于较低水位的父岛屿；

(1.3)在水位树T中，从0增加r对应于提高水位并从根部移动到叶子，在这一过程中，

从根开始，并以步数p从0到log h_max以对数标度提高水位r，以考虑h的幂律分布，其中h_max＝maxH；

使用二进制open2运算符

来平滑每个内部连接岛，以移除小的隔离箱，完成噪声处理，并将具有特定结构元素的弱连接岛屿分开；

(1.4)将当前水平r_curr的每个岛屿与树木的较低水位r_prev处的父母相连，至浮动过程停止，r达到最大水平，即对数h_max。

7.根据权利要求6所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，所述水位树算法的具体执行流程包括：

输入：直方图H

输出：水位树T

1)T＝{H中作为根的正箱}

2)for r＝0至log hmax by step do

3)Hr:把h∈H分配给0，if log h<r

4)

5)岛屿Ar＝连接Hr中箱的区域

6)把每一个Ar中的岛屿和他在T中的父岛屿连接起来

7)end for

8)收敛T：迭代删除每个单个子岛屿并将他的子岛屿和父岛屿相连

9)修剪T：启发式删除噪声节点

10)用额外的邻居来扩展T中的岛屿

11)return T。

8.根据权利要求6所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，搜索水位树T并使用TreeExplore算法获得多维直方图H的摘要，具体操作包括：

(2.1)使用无分布假设检验确定每个岛屿的词汇量；

(2.2)进行词汇量的分配，使用最大似然估计来学习一个岛屿α的参数：θ_α∈θ，其中

(2.3)通过DistributionFit(α，s_α)来获取每一步的参数θ，用BFS搜索树以选择最佳的聚类组合；

(2.4)将来自不同父节点的岛屿进行缝合合并，在有多对岛屿同时合并时，选择拼接后具有最小平均对数似然减少的那对：

其中α_i和α_j是要缝合的岛屿对，L_(.)是岛屿的对数似然，L_ij是合并岛屿的对数似然；

(2.5)缝合合并后，将最小平均对数小于10^-4的节点岛屿视作是异常值，计算其摘要。

9.根据权利要求8所述的一种基于视觉引导算法预测旋转机组中转子脱落的方法，其特征在于，所述TreeExplore算法获得多维直方图H的摘要的具体执行流程包括：

输入：水位树T

输出：{S，θ，O}的摘要

1)

2)S＝在T中每一个岛屿的词汇分布类型S

3)用BFS搜索T以迭代地对每个节点进行跟踪：使用DistributionFit来确定参数；应用假设检验来选择最优的一个结果，将其插入到θ并更新S

4)在S中缝合并替换有希望的分布，然后更新θ

5)确定偏离公认群里的异常值O

6)return{S，θ，O}的摘要。