CN111723850A - 一种基于智能巡检系统的自动化检定设备状态评价方法 - Google Patents

Abstract

本发明涉及一种基于智能巡检系统的自动化检定设备状态评价方法，采用如下步骤：步骤A、采用数据挖掘分析算法，获取设备状态量与设备状态之间的关联关系；步骤B、构建基于数据挖掘方法的设备状态评价模型，以大量设备历史数据作为设备评价的基础参量，对数据进行特征提取和降维处理，将其分别归类为不同状态的数据集，再对每个数据集提取其主要特征向量；本发明结合评价结果与设备本身的重要性来确定设备风险管控级别，实现电力设备状态评价的多源化和精益化，用以设备检修和保养的辅助决策，制定差异化运维策略即运维周期，本发明提高设备安全运行的可靠性，提高设备的可用率及检修效率。

Description

一种基于智能巡检系统的自动化检定设备状态评价方法

技术领域

本发明涉及一种基于智能巡检系统的自动化检定设备状态评价方法。

背景技术

自动化检定设备的检修技术随着对设备管理水平的不断提升和科技进步而不断演变，具体概括为三个阶段：故障检修、定期检修和状态检修。故障检修存在维修滞后问题，定期检修存在工作量大、维修过剩等问题，而设备状态检修由于其可大大提高设备安全运行的可靠性，提高设备的可用率及检修效率，已经成为一种主流的检修方式。而设备状态检修策略的制定依赖于设备状态评价，评价结果的准确性和及时性对状态检修工作的开展有重要的指导作用。

发明内容

本发明所要解决的技术问题是提供一种提高设备安全运行的可靠性，提高设备的可用率及检修效率的基于智能巡检系统的自动化检定设备状态评价方法。

本发明采用如下技术方案：

本发明采用如下步骤：

步骤A、采用数据挖掘分析算法，获取设备状态量与设备状态之间的关联关系；

步骤B、构建基于数据挖掘方法的设备状态评价模型，以大量设备历史数据作为设备评价的基础参量，对数据进行特征提取和降维处理，将其分别归类为不同状态的数据集，再对每个数据集提取其主要特征向量。

本发明所述数据挖掘分析算法为采用主成分分析法；

所述设备状态评价模型包括提取大量设备历史运行信息和故障信息，将所述信息分类成不同状态的信息集；采用主成分分析法提取各个状态信息集的特征信号；对于待评价设备的当前运行情况，将该运行信息投影到状态信息集的特征空间进行设备状态评价；

本发明所述主成分分析法通过一组标准正交变换，将原始数据集线性变换为一组包含原始数据的大部分信息的主成分集合，表征原始数据，使数据从高维到低维变换；

所述主成分分析法如下：

假设训练样本集为X＝[x₁，x₂，…，x_n]^T；

该样本的平均向量为：

构造样本集的协方差矩阵为：

计算出协方差矩阵的特征向量α_i和对应的特征值λ_i，这些特征向量组成的矩阵A就是训练样本集的正交基底，将协方差矩阵的特征值从大到小排序：λ₁≥λ₂≥…≥λ_k≥…＞0，将主成分构成的变换矩阵记为：A＝(α₁，α₂，…，α_i)^T；

上述降维子空间使任何一个测试样本都可以向其作投影ω＝A_y，ω＝Ay即并获得低维向量ω。

本发明基于主成分分析法提取关键信息参量的步骤如下：

C1、将采集到的设备历史状态量集合分为严重、异常、注意和正常四个集合，记为X₁，X₂，X₃，X₄；

每个集合的数据集X_i＝{x_i1，x_i2，…，x_in}，

其中：n表示抽取的样本个数，

x_ij表示数据集x_i中第j个训练样本；

C2、计算各个状态集数据状态量矩阵的正交相关矩阵，

对R_i进行奇异值分解，得到矩阵R_i的特征值和特征向量；

将特征值从大到小的顺序排列：

λ_i1≥λ_i2≥…≥λ_ik＞0

α_i1，α_i2，…，α_ik为对应的特征向量。

C3、确定主成分向量数量，

设有m个主成分能够表征设备状态，令

上式表示特征值λ_i1，λ_i2，…，λ_im累计贡献90％的置信区间，由此确定m个特征向量作为能够表征状态集的主成分向量α_i1，α_i2，…，α_ik；

C4、计算原始设备状态量矩阵在新的m维特征空间中的投影：

T_i＝A_iX_i＝[α_i1，α_i2，…，α_im]^T[x_i1，x_i2，…，x_in]

式中A_i＝[α_i1，α_i2，…，α_im]^T表示特征因子矩阵，α_i1，α_i2，…，α_im是λ_i1，λ_i2，…，λ_im对应的特征向量。

C5、对于待评价设备状态信息量y，计算其在各状态集特征空间中的投影：

ω_i＝A_iy

计算ω_i与所有该状态集信息量在m维特征空间中的归一化投影的距离，取其中的最小值所在的状态集作为该待评价设备的所属状态。

C6、根据上述导则对设备总体评价的规定，得到设备整体状态的计算公式为：

本发明所述设备历史数据包括设备基础信息、设备在线监测信息、设备运行信息、定检信息和故障缺陷信息。

本发明所述数据进行特征提取包括数据清理和数据集成；

所述数据清理为按照固定规则丢弃部分采集到的设备状态量数据；

数据集成是将不同来源、格式和特点性质的设备状态量在逻辑上统一起来，将其转换为适合挖掘的统一形式。

本发明所述丢弃的部分采集到的设备状态量数据为在线监测信息不符合预定的数据格式、超出正常阈值范围和数据发生跳变。

本发明所述设备状态量信息中包含n项信息量，将该信息转换为一个n维向量：[x₁，x₂，…，x_n]^T。

本发明自动化检定智能巡检系统基于设备状态评价的差异化运维策略，采用如下步骤：

D1、设备重要度评估；

D2、健康度评价；

D3、管控级别；

D4、制定工作计划。

本发明所述步骤D4包括巡视周期制定和保养周期制定。

本发明积极效果如下：本发明通过自动化检定设备状态量的评估体系、指标权重、隶属矩阵和综合评判式的确定，量化自动化检定设备的健康度；自动化检定设备健康度与重要度结合，确定设备不同风险管控级别，从而形成自动化检定设备差异化运维策略，结合基准运维周期开展不同周期的巡视、维护及消缺工作，实现设备状态评价与设备缺陷挂钩联动，形成缺陷→评价→检修的闭环管理流程；

本发明结合评价结果与设备本身的重要性来确定设备风险管控级别，实现电力设备状态评价的多源化和精益化，用以设备检修和保养的辅助决策，制定差异化运维策略即运维周期。

本发明提高设备安全运行的可靠性，提高设备的可用率及检修效率。

附图说明

附图1为本发明的流程图。

具体实施方式

如附图1所示，本发明自动化检定设备评价对象需选择关键高故障的设备进行评价，四线高故障设备包括：

(1)类别-软件，评价对象-主控系统，故障类型-系统死机；

(2)类别-硬件，评价对象-辊道输送线、顶升装置、压接装置、气缸、电机和机械抓手，故障类型-齿轮磨损、顶升异常、插针损坏、卡簧回弹和气缸断裂；

(3)类别-电测，评价对象-检定仓，故障类型-控制系统异常、电测电路板损坏、通讯异常和气设备故障；

(4)类别-电控，评价对象-单表线，故障类性-输送链板问题、贴标机控制故障、气压问题和驱动部件损坏。

对上对象的评价方法采用如下步骤：

步骤A、采用数据挖掘分析算法，获取设备状态量与设备状态之间的关联关系；

步骤B、构建基于数据挖掘方法的设备状态评价模型，以大量设备历史数据：设备基础信息、在线监测信息、运行信息和故障数据等作为设备评价的基础参量，对数据进行特征提取和降维处理，将其分别归类为不同状态的数据集，再对每个数据集提取其主要特征向量，以此作为设备状态评价分类依据。

(1)设备基础信息，包括生产厂商、型号等，此类信息作为固定参数自记录以后不再变化，作为某项状态量直接参与状态评估时的计算；

(2)设备在线监测信息，此类信息采集周期短，时效性强，反映了设备的实时健康状态，作为最主要的设备状态评估参数，在设备评价时应给与最大的权重占比；

(3)设备运行信息、定检信息、故障缺陷信息，此类信息通常采用周期性采集方式获取，对设备状态评价结果的准确性有重要的参考作用；

(4)其他信息，包括温度、环境等因素，此类信息相对稳定，但会对设备状态评价结果产生影响。

设备状态量信息预处理

(1)数据清理：按照固定规则丢弃部分采集到的设备状态量数据，如在线监测信息不符合预定的数据格式、超出正常阈值范围、数据发生跳变等情况。

(2)数据集成：将不同来源、格式、特点性质的设备状态量在逻辑上统一起来，将其转换为适合挖掘的统一形式。如设备状态量信息中包含n项信息量，则将该信息转换为一个n维向量：[x₁，x₂，…，x_n]^T

采用主成分分析法实现各数据集的特征优化，以减少设备特征状态量的维数，减少设备评价信号数据的复杂度。

所述主成分分析法如下：

假设训练样本集为X＝[x₁，x₂，…，x_n]^T；

该样本的平均向量为：

构造样本集的协方差矩阵为：

计算出协方差矩阵的特征向量α_i和对应的特征值λ_i，这些特征向量组成的矩阵A就是训练样本集的正交基底，将协方差矩阵的特征值从大到小排序：λ₁≥λ₂≥…≥λ_k≥…＞0，将主成分构成的变换矩阵记为：A＝(α₁，α₂，…，α_k)^T；

上述降维子空间使任何一个测试样本都可以向其作投影ω＝Ay，ω＝Ay即并获得低维向量ω。

本发明基于主成分分析法提取关键信息参量的步骤如下：

C1、将采集到的设备历史状态量集合分为严重、异常、注意和正常四个集合，记为X₁，X₂，X₃，X₄；

每个集合的数据集X_i＝{x_i1，x_i2，…，x_in}，

其中：n表示抽取的样本个数，

x_ij表示数据集x_i中第j个训练样本；

C2、计算各个状态集数据状态量矩阵的正交相关矩阵，

对R_i进行奇异值分解，得到矩阵R_i的特征值和特征向量；

将特征值从大到小的顺序排列：

λ_i1≥λ_i2≥…≥λ_ik＞0

α_i1，α_i2，…，α_ik为对应的特征向量。

C3、确定主成分向量数量，

设有m个主成分能够表征设备状态，令

上式表示特征值λ_i1，λ_i2，…，λ_im累计贡献90％的置信区间，由此确定m个特征向量作为能够表征状态集的主成分向量α_i1，α_i2，…，α_ik；

C4、计算原始设备状态量矩阵在新的m维特征空间中的投影：

T_i＝A_iX_i＝[α_i1，α_i2，…，α_im]^T[x_i1，x_i2，…，x_in]

式中A_i＝[α_i1，α_i2，…，α_im]^T表示特征因子矩阵，α_i1，α_i2，…，α_im是λ_i1，λ_i2，…，λ_im对应的特征向量。

C5、对于待评价设备状态信息量y，计算其在各状态集特征空间中的投影：

ω_i＝A_iy

计算ω_i与所有该状态集信息量在m维特征空间中的归一化投影的距离，取其中的最小值所在的状态集作为该待评价设备的所属状态。

C6、根据上述导则对设备总体评价的规定，得到设备整体状态的计算公式为：

通过最近邻算法实现设备状态评价，当需要评价的样本到来时，首先计算其与各个数据特征集中心的距离来确定其所属的状态，取其中最小距离的状态集作为设备状态评价的最终结果。

自动化检定智能巡检系统基于设备状态评价的差异化运维策略，根据实际情况确定出10个可进行异常数据采集的评价对象，采用如下步骤：

D1、设备重要度评估；

D2、健康度评价；

D3、管控级别；

D4、制定工作计划。

在步骤D1中：将设备重要度分为“关键、重要、一般”3个级别；

设备重要度类别不做固化设计，可从设备故障引起的停线时间、故障次数2个维度判定，并结合设备实际运行情况自行设置、修改；

三个重要度级别对应的故障影响范围、停线时间、故障次数为判定条

件且为或的关系，重要度影响因素设定值为：

a.关键设备，停线时间≥2小时，故障次数≥5次/天；

b.重要设备，停线时间<2小时，故障次数<5次/天；

c.一般设备，除关键、重要设备以外的其它设备。

在步骤D2中：

a.将设备状态分为“正常、注意、异常、严重”4个健康度级别；

b.分设备、分健康度设置对应的月度故障率阈值；

c.计算设备月度故障率，公式：

d.根据设备月度故障率，自动匹配对应的健康度级别。

在步骤D3中:

根据设备的重要度和健康度级别，通过专家评估，形成设备风险矩阵，确定设备管控系数为：

a.关键设备，正常1，注意1/2，异常1/4；

b.重要设备，正常2，注意1，异常1/2；

c.一般设备，正常4，注意2，异常1；

巡视周期制定:

a.关键设备,正常1次/周,注意2次/周,异常4次/周,严重故障及时消缺；

b.关键设备,正常1次/2周,注意1次/周,异常2次/周，严重故障及时消缺；

c.关键设备,正常1次/3周,注意1次/2周,异常1次/周，严重故障及时消缺；

保养周期制定:

对于需要进行周期性保养的设备，综合考虑设备管控系数与设备历史保养周期，可确定差异化保养周期，但最长不超过X个月,

a.关键设备,正常1次/周,注意2次/周,异常4次/周,严重故障及时消缺；

b.关键设备,正常1次/2周,注意1次/周,异常2次/周，严重故障及时消缺；

c.关键设备,正常1次/3周,注意1次/2周,异常1次/周，严重故障及时消缺。

本发明通过自动化检定设备健康度与重要度结合，确定设备不同风险管控级别，从而形成自动化检定设备差异化运维策略，结合基准运维周期开展不同周期的巡视、维护及消缺工作，实现设备状态评价与设备缺陷挂钩联动，形成缺陷→评价→检修的闭环管理流程；

本发明结合评价结果与设备本身的重要性来确定设备风险管控级别，实现电力设备状态评价的多源化和精益化，用以设备检修和保养的辅助决策，制定差异化运维策略即运维周期。

本发明提高设备安全运行的可靠性，提高设备的可用率及检修效率。

Claims (10)

1.一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于采用如下步骤：

步骤A、采用数据挖掘分析算法，获取设备状态量与设备状态之间的关联关系；

步骤B、构建基于数据挖掘方法的设备状态评价模型，以大量设备历史数据作为设备评价的基础参量，对数据进行特征提取和降维处理，将其分别归类为不同状态的数据集，再对每个数据集提取其主要特征向量。

2.根据权利要求1所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述数据挖掘分析算法为采用主成分分析法；

所述设备状态评价模型包括提取大量设备历史运行信息和故障信息，将所述信息分类成不同状态的信息集；采用主成分分析法提取各个状态信息集的特征信号；对于待评价设备的当前运行情况，将该运行信息投影到状态信息集的特征空间进行设备状态评价。

3.根据权利要求2所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述主成分分析法通过一组标准正交变换，将原始数据集线性变换为一组包含原始数据的大部分信息的主成分集合，表征原始数据，使数据从高维到低维变换；

所述主成分分析法如下：

假设训练样本集为X＝[x₁，x₂，…，x_n]^T；

该样本的平均向量为：

构造样本集的协方差矩阵为：

计算出协方差矩阵的特征向量α_i和对应的特征值λ_i，这些特征向量组成的矩阵A就是训练样本集的正交基底，将协方差矩阵的特征值从大到小排序：λ₁≥λ₂≥…≥λ_k≥…＞0，将主成分构成的变换矩阵记为：A＝(α₁，α₂，…，α_k)^T；

上述降维子空间使任何一个测试样本都可以向其作投影ω＝Ay，ω＝Ay即并获得低维向量ω。

4.根据权利要求3所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于基于主成分分析法提取关键信息参量的步骤如下：

C1、将采集到的设备历史状态量集合分为严重、异常、注意和正常四个集合，记为X₁，X₂，X₃，X₄；

每个集合的数据集X_i＝{x_i1，x_i2，…，x_in}，

其中：n表示抽取的样本个数，

x_ij表示数据集x_i中第j个训练样本；

C2、计算各个状态集数据状态量矩阵的正交相关矩阵，

对R_i进行奇异值分解，得到矩阵R_i的特征值和特征向量；

将特征值从大到小的顺序排列：

λ_i1≥λ_i2≥…≥λ_ik＞0

α_i1，α_i2，…，α_ik为对应的特征向量。

C3、确定主成分向量数量，

设有m个主成分能够表征设备状态，令

上式表示特征值λ_i1，λ_i2，…，λ_im累计贡献90％的置信区间，由此确定m个特征向量作为能够表征状态集的主成分向量α_i1，α_i2，…，α_ik；

C4、计算原始设备状态量矩阵在新的m维特征空间中的投影：

T_i＝A_iX_i＝[α_i1，α_i2，…，α_im]^T[x_i1，x_i2，…，x_in]

式中A_i＝[α_i1，α_i2，…，α_im]^T表示特征因子矩阵，α_i1，α_i2，…，α_im是λ_i1，λ_i2，…，λ_im对应的特征向量。

C5、对于待评价设备状态信息量y，计算其在各状态集特征空间中的投影：

ω_i＝A_iy

计算ω_i与所有该状态集信息量在m维特征空间中的归一化投影的距离，取其中的最小值所在的状态集作为该待评价设备的所属状态。

C6、根据上述导则对设备总体评价的规定，得到设备整体状态的计算公式为：

5.根据权利要求4所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述设备历史数据包括设备基础信息、设备在线监测信息、设备运行信息、定检信息和故障缺陷信息。

6.根据权利要求5所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述数据进行特征提取包括数据清理和数据集成；

所述数据清理为按照固定规则丢弃部分采集到的设备状态量数据；

数据集成是将不同来源、格式和特点性质的设备状态量在逻辑上统一起来，将其转换为适合挖掘的统一形式。

7.根据权利要求6所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述丢弃的部分采集到的设备状态量数据为在线监测信息不符合预定的数据格式、超出正常阈值范围和数据发生跳变。

8.根据权利要求6所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述设备状态量信息中包含n项信息量，将该信息转换为一个n维向量：[x₁，x₂，…，x_n]^T。

9.根据权利要求6所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于自动化检定智能巡检系统基于设备状态评价的差异化运维策略，采用如下步骤：

D1、设备重要度评估；

D2、健康度评价；

D3、管控级别；

D4、制定工作计划。

10.根据权利要求9所述的一种基于智能巡检系统的自动化检定设备状态评价方法，其特征在于所述步骤D4包括巡视周期制定和保养周期制定。

Images