CN111913443A

CN111913443A - 基于相似性的工业设备故障预警方法

Info

Publication number: CN111913443A
Application number: CN201910794933.5A
Authority: CN
Inventors: 不公告发明人
Original assignee: Nanjing Hongyan Xuntong Information Technology Co ltd
Current assignee: Nanjing Hongyan Xuntong Information Technology Co ltd
Priority date: 2019-08-24
Filing date: 2019-08-24
Publication date: 2020-11-10

Abstract

本发明提供一种工业设备的故障预警方法，涉及工业生产技术领域。该工业设备的故障预警方法为，服务器对设备正常运行的相关多个测点历史数据进行相似性分析，生成一个能代表正常运行状态的状态矩阵S，服务器实时采集设备运行数据，产生实时值矩阵R，通过矩阵S和实时值矩阵R做相似性计算,并优化计算结果，产生预测矩阵E，然后计算R和E之间的差值矩阵C，如果差值矩阵C的相关测点和测点组合超过阈值，称这些测点为异常点和异常点组合，如果异常点和异常点组合在滑动窗口周期内出现的比例超过阈值，则服务器判定工业设备将要出现故障并发出预警信号。本发明通过设置服务器和客户端，实时对工业设备运行数据进行分析，并判断是否将要出现故障，实现科学有效地自动监控和故障预警，有效保证工业设备的安全工作，进而提高企业的效益。

Description

基于相似性的工业设备故障预警方法

技术领域

本发明提供一种工业设备的故障预警方法，涉及工业生产技术领域，主要包括电力，石化，钢铁，煤炭流程生产行业，解决这些行业中重要生产设备(比如锅炉、发电机、引风机和蒸馏塔等)的故障预警的问题，有效保证工业设备的安全生产，进而提高企业的效益。

背景技术

工业设备故障预警方法中，大多集中在物理模型的方法，此方法是根据物理模型进行分析预测，具有较高的准确性，但是也遇到了瓶颈，即对于无法建立确定物理模型的复杂系统适用性问题。随着大数据技术和机器学习的发展，采用机器学习和大数据分析技术的故障预测成为重要的研究方向，通过对现有研究和应用梳理，多集中在聚类算法和神经网络。聚类算法通过过往历史故障数据训练，再和当前值做对比，显然对未知隐患预测能力不足。神经网络在工业设备故障预警方面存在许多的不足，因为其属于黑箱方法，无法明确解析其中的潜在关系，给应用和调优造成困难。基于此背景，本发明提供一种基于相似性的工业设备故障预警方法。此方法符合流程行业设备运行的特点，即通过设备正常运行时的特征值数据标定一个正常设备运行的区间，再根据设备运行的实时值，根据相似性生产预测值，然后计算预测值和实时值的差值，然后根据设备机理模型处理此差值，即如果相关测点和测点组合超过阈值，称这些测点为异常点，在滑动窗口区间异常点出现的百分比超过阈值，则服务器判定工业设备将要出现故障并发出预警信号。此方法融合相似性建模方法和设备故障模型，对流程行业的重资产设备做到实时故障预测，提高设备运行可靠性。

发明内容

本发明提供基于相似性计算的工业设备故障预警方法，其特征在于符合流程行业中设备运行特点。设置服务器采集实时生产数据，对实时数据做计算，达到实时故障预警的目的。其方法分为两个步骤，一个根据状态矩阵S和实时值矩阵R，进行相似性计算，优化计算结果，产生预测值矩阵E，进而产生差值矩阵C，第二个步骤是根据差值矩阵C，实时计算滑动窗口区间异常点和异常点组合的出现的比例是否超过阈值，以此来判断是否产生预警信息。下面将详细解释。

1.对于第一个步骤，主要包括训练数据矩阵P，特征值矩阵T，状态矩阵S，实时值矩阵R，预测值矩阵E，以及差值矩阵C。对每一个名字解释如下。训练数据矩阵P，是采集过去一段时间内设备运行的数据，把故障运行时的数据去掉，只保留正常运行时的数据，按照时序排列，得到训练数据矩阵P。对时间点t_i时的m个测点的数据表示如下 P(t_i)＝[M₁(t_i)，M₂(t_i)，M₃(t_i)，...，M_x(t_i)]^T。特征值矩阵T，从训练数据矩阵P中，按照故障模型抽取相关的测点，全部时间点的时序值而得到的特征值矩阵T。对时间点t_i时的x个测点的数据表示如下T(t_i)＝[X₁(t_i)，X₂(t_i)，X₃(t_i)，...，X_x(t_i)]^T。状态矩阵S，是对特征值矩阵 T中做相似计算，得到状态矩阵S，此矩阵代表了设备正常运行状态的一个空间，为一个x ×d的矩阵，其中x为模型中测点个数，d为包括的状态向量的个数。对时间点t_j时的x个测点的数据表示如下S(t_j)＝[X₁(t_j)，X₂(t_j)，X₃(t_j)，...，X_x(t_j)]^T。实时值矩阵R，是有采集设备实时运行值得x个测点组成的一个矩阵，表征当前设备的运行状态。对时间点t_k时的x个测点的数据表示如下 R(t_k)＝[X₁(t_k)，X₂(t_k)，X₃(t_k)，...，X_x(t_k)]^T。预测值矩阵E，根据状态矩阵S和实时值矩阵R，进行相似性计算，进而得出预测值矩阵E。对时间点t_k时的x’个测点的数据表示如下E(t_k)＝[X₁′(t_k)，X₂′(t_k)，X₃′(t_k)，...，X_x′(t_k)]^T。差值矩阵C，是实时值矩阵R和实时值矩阵E的差值，即C＝|R-E|，表征设备劣化程度，差值越大，表明劣化越严重。对时间点t_k时的x”个测点的数据表示如下 C(t_k)＝[X₁″(t_k)，X₂″(t_k)，X₃″(t_k)，...，X_x″(t_k)]^T。具体方法如下：1)收集设备运行历史数据，去掉故障运行期间的数据，生成训练数据矩阵P；2)从训练数据矩阵P 中，按照故障模型抽取相关测点的历史数据，生成特征值矩阵T；3)对特征值矩阵T做相似计算，抽取其中能代表设备正常运行的向量，得到状态矩阵S，具体方法是，首先对特征值矩阵T做切片处理，使用协方差计算的任何两个切片之间的空间距离，根据距离选取有代表性的多个切片数据组成状态矩阵S，其过程表示为

4)根据实时测点数据，生成实时值矩阵 R；5)对状态矩阵S和实时值矩阵R，做相似计算，具体方法是，实时值矩阵R和状态矩阵S中的每一个切片做协方差计算，得到相似系数矩阵N表示为 N＝[n₁，n₂，n₃，...，n_x]，然后对N做优化，即选取N中前10％的值形成N’，N’代表状态矩阵S中最相近的前10％的系数，此处能有效提高预测精度。根据N’，选取S中对应值状态成新的矩阵S’，通过点积计算，产生预测矩阵E，表示为E＝S′×N′； 6)通过计算矩阵R和实时值矩阵E做差值计算，得到差值矩阵C，表示为 C＝|R-E|。

2.对于第二步骤，包括差值矩阵C，滑动窗口差值矩阵W，差值阈值矩阵Q。差值矩阵C已经做过解释。滑动窗口差值矩阵W，即滑动窗口周期内所有差值矩阵C组成的矩阵，对时间点t_o时表示如下W(t_o)＝C^T。滑动窗口差值矩阵W，为故障预警提供数据支撑，代表的是在滑动窗口周期内，设备运行状况偏离正常状态的程度，表征的在过去的一定周期内设备故障演进的过程。差值阈值矩阵Q是根据设备机理模型建立的一个差值矩阵，包括正向差值、负向差值、最大值阈值、最小值阈值。具体方法如下：1)根据滑动窗口时间戳，以当前时间为基点，往前倒退，生成此时间戳下的差值矩阵W；2)比较W中测点值和预先设定的差值阈值矩阵Q，如果测点超过阈值，就把当前点异常点；3)按照故障模型设定的测点和测点组合，计算异常点和异常点组合出现在此滑动窗口周期内出现的比例； 4)判断比例是否超过设定的阈值，如果超过给出预警信息。

Claims

1.一种基于相似性的工业设备故障预警方法，用于对工业设备故障进行实时预警，其特征在于：对历史数据中的正常数据进行相似性计算，构建精准的状态矩阵,进而对实时值矩阵和状态矩阵做相似性计算，得到预测值矩阵，通过预测值矩阵和实时值矩阵差值运算得到差值矩阵，基于差值矩阵，在选取的时间窗口内得到滑动窗口差值矩阵，结合机理模型对设备设备故障进行预警。

2.根据权利要求1所述，其特征在于：对历史数据中的正常数据进行相似性计算，构建精准的状态矩阵，此状态矩阵代表正常运行的多维空间超球体。

3.根据权利要求1所述，其特征在于：在实时值矩阵和状态矩阵，做相似性计算，得出相似性系数矩阵，选取前10%系数，生成优化的系数矩阵，进而得到预测值矩阵。

4.根据权利要求1所述，其特征在于：根据滑动窗口差值矩阵，计算异常点和异常点组合出现的在此滑动窗口周期内出现的比例，若比例超过设定的阈值，给出预警信息。