CN112032034A - 海水泵健康状态评估方法、模型、装置及存储介质 - Google Patents
海水泵健康状态评估方法、模型、装置及存储介质 Download PDFInfo
- Publication number
- CN112032034A CN112032034A CN202010434505.4A CN202010434505A CN112032034A CN 112032034 A CN112032034 A CN 112032034A CN 202010434505 A CN202010434505 A CN 202010434505A CN 112032034 A CN112032034 A CN 112032034A
- Authority
- CN
- China
- Prior art keywords
- principal component
- equipment
- data
- seawater pump
- state
- 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
- 239000013535 sea water Substances 0.000 title claims abstract description 95
- 230000036541 health Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000513 principal component analysis Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000003862 health status Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009364 mariculture Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明实施例公开了一种海水泵健康状态评估方法、模型、装置及存储介质，其中，所述海水泵健康状态评估方法，包括离线阶段，在所述离线阶段利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；在线阶段，在在线阶段将海水泵运行时的监测数据进行主成分分解后，与定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。在本发明实施例中，有效避免了现有技术中海水泵的不同的监测参数和特征之间往往存在复杂的相关和耦合关系会给海水泵的设备状态的建模及后续健康指标的计算带来进一步的困难的缺陷。
Description
技术领域
本发明实施例涉及海水泵健康状态评估技术领域，尤指一种海水泵健康状态评估方法、模型、装置及存储介质。
背景技术
海水泵The sea water pump适用于海上平台的消防、设备散热，海水淡化，也可以作为临海地区地源热泵空调升温之用，一切海水提升之用，滨海广场喷泉景观，海水养殖等用途，该设备噪音低，效率高节约电能。一般而言，海水泵长期工作在额定功率下，因而只有一种正常运行状态。这种情况下，考虑设备正常运行工况下监测参数的波动，将正常工作状态定义为额定工况附近的一个凸区域。一般情况下，作为工业设备的海水泵的运行过程会设置多个状态监测参数，从这些监测参数中可进一步提取出多个与健康相关的特征，这使得海水泵的设备状态定义在由这些特征张成的较高维的空间中。而考虑到不同的监测参数和特征之间往往存在复杂的相关和耦合关系，可能给海水泵的设备状态的建模及后续健康指标的计算带来进一步的困难。
发明内容
本发明实施例提供了一种海水泵健康状态评估方法、模型、装置及存储介质，有效避免了现有技术中海水泵的不同的监测参数和特征之间往往存在复杂的相关和耦合关系会给海水泵的设备状态的建模及后续健康指标的计算带来进一步的困难的缺陷。
本发明实施例提供了一种海水泵健康状态评估方法，包括：
离线阶段，在所述离线阶段利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；
在线阶段，在所述在线阶段将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
本发明实施例还提供一种海水泵健康状态评估模型，包括：
离线模块，用于利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；
在线模块，用于将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
本发明实施例还提供一种海水泵健康状态评估装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述海水泵健康状态评估方法。
本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述海水泵健康状态评估方法。
本发明实施例通过引入PCA方法，一方面可在最大程度保留海水泵的监测数据中原有信息的前提下，解耦数据中复杂的相关关系，将高维数据转换为不同维度间相互独立的低维数据，从而简化对设备正常运行状态的定义。另一方面也可对数据中包含的部分噪声进行滤除，起到提高数据质量的作用。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明实施例的一种海水泵健康状态评估模型的结构图；
图2为本发明实施例的回归模型构建的流程示意图；
图3为本发明实施例的步骤101的历史监测数据的样例示意图；
图4为本发明实施例的步骤102的监测数据的样例示意图；
具体实施方式
下文中将结合附图对本发明的实施例进行详细说明。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提出一种海水泵健康状态评估方法，通过引入PCA方法，一方面可在最大程度保留海水泵的监测数据中原有信息的前提下，解耦数据中复杂的相关关系，将高维数据转换为不同维度间相互独立的低维数据，从而简化对设备正常运行状态的定义。另一方面也可对数据中包含的部分噪声进行滤除，起到提高数据质量的作用。
如图1所示，本发明实施例的海水泵健康状态评估方法，包括：
步骤101，离线阶段，在所述离线阶段利用海水泵的设备历史监测数据，基于主成分分析PCA方法完成设备正常运行状态的定义。
其中，所述离线阶段可在最大程度保留数据中原有信息的前提下，解耦数据中复杂的相关关系，将高维数据转换为不同维度间相互独立的低维数据，从而简化对设备正常运行状态的定义，也就是：
在一实施例中，所述利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义，包括：
步骤201，首先取一段设备正常工作状态下的历史数据，经预处理和特征提取后得到原始特征数据作为标定数据。
步骤202，将标定数据整合为如公式(1)所示的原始特征矩阵X：
公式(1)中M为数据样本的数量，n为特征维度，di＝[xi,1,xi,2,…,xi,n]T，i＝1,2,……,M为提取的n维特征数据组成的向量，i、M和n均为正整数。
步骤203，对原始特征矩阵X中的样本进行主成分分析。
在一实施例中，所述对原始特征矩阵X中的样本进行主成分分析，包括：
步骤301，首先将原始特征矩阵X标准化，即让原始特征矩阵X中的每一维特征数据减去其样本均值后除以其样本标准差得到标准化后的特征矩阵
然后用公式(2)计算出标准化后的特征矩阵的协方差阵C：
对协方差矩阵C进行特征值分解，将其特征值按从大到小的顺序排列得到特征值向量Λ＝[λ1,λ2,…,λn]T及对应的特征向量矩阵P＝[p1,p2,…,pn]T。
步骤302，根据PCA理论，每个特征向量pi代表样本数据中的一个主方向，相应特征值λi的大小则正比于该主方向上所解释的样本方差比例，则前k个主方向上的累计解释方差占比η(k)为公式(3)所示：
其中，k为正整数。
步骤303，为保留原始数据中尽量多的信息，选择截断数k使得其如公式(4)所示：
其中r为保留方差比例，须根据样本数据的如噪声水平等这样的具体情况确定，一般情况下可选为0.9或0.95，则按截断数k将特征向量矩阵截断得到PCA转换矩阵
如公式(5)所示：
步骤304，进而对原始特征矩阵X进行降维处理得到如公式(6)所示的主元矩阵Y：
其中，样本中每个n维的特征数据向量均转换成为一个k维的主元向量，且每个主元之间相互独立，可认为转换至主元空间后的样本数据服从协方差阵为对角阵的k维高斯分布。由此，利用标定数据样本的统计分布，可将设备的正常运行状态定义为k维主元空间中的一个边界模糊的椭球体。此外，由于一般情况下数据样本中的噪声偏向于分布在排序靠后的主方向(即解释方差比例较小的方向)上，采用主成分分析PCA方法对样本进行降维处理也有一定的降噪作用。
步骤102，在线阶段，在所述在线阶段将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
其中，在线阶段就是在海水泵设备在线运行过程中，通过比较由在线状态监测数据表征的设备当前运行状态与离线阶段定义的正常运行状态之间的差别，可对设备的健康状态进行评估。
在一实施例中，在所述在线阶段将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，包括：
首先对作为状态监测数据的海水泵运行时的监测数据进行特征提取得到当前的特征数据向量x，再使用公式(5)所示的转换矩阵将其转换至主元空间后，评估其主元向量与标定数据主元统计分布之间的偏离程度，其中，具体来说，这种偏离程度通过T2统计量和SPE统计量进行量化。
在一实施例中，所述T2统计量与SPE统计量均基于假设检验理论定义，其中T2统计量的定义为公式(7)所示：
其中S为以特征值(λ1,λ2,…,λk)为对角线元素的对角矩阵，T2统计量反映了当前作为海水泵设备状态的当前的特征数据向量x在主元空间中偏离标定的正常运行状态对应的主元统计分布中心的程度，在标定的统计分布为高斯分布的假设下，T2统计量服从F分布，其假设检验判定阈值Tα为公式(8)所示：
其中M为公式(1)中离线阶段进行模型训练采用的历史监测数据样本数目，k为由公式(4)得到的截断数，F表示F分布，α为显著性水平，一般取为0.9或0.95，当计算得到的T2统计量超过预设的判定阈值Tα时，可认为由当前监测数据给出的海水泵设备状态有较大的可能性偏离了所标定的海水泵设备正常状态统计分布，即海水泵设备的运行状态出现异常；
SPE统计量则基于PCA过程中因截断而引入的误差进行定义，其计算方式为公式(9)所示：
公式(9)中I为单位矩阵；
其中，当公式(4)中保留方差比例r选取为较大值时，一般情况下SPE统计量应当被限制在取值较小的范围内，当计算得到的SPE出现较大的值时，可认为标定数据的PCA分解模型对当前数据的适用性较差，从而推知海水泵设备当前的运行状态与标定的正常运行状态之间出现了显著的偏离。
在高斯分布假设下，通过假设检验可得到SPE统计量的判定阈值Qα为公式(10)所示：
其中α为显著性水平，
为标准高斯分布的α分位点，θl，l＝1,2,3和h0的定义分别为公式(11)和公式(12)所示：
在一实施例中，基于所述偏差来计算表征海水泵设备当前的健康状态水平的健康指标，包括：
由公式(7)和公式(9)计算得到的T2统计量和SPE统计量均为取值范围在[0,+∞)的数，而工业实践中通常希望能得到一个0到1之间的健康指标(Health Index，HI)，以便对海水泵设备的健康状态进行直观的观察和比较。为此，步骤401，采用sigmoid映射将T2统计量和SPE统计量映射至[0,1]区间内。
在一实施例中，所述采用sigmoid映射将T2统计量和SPE统计量映射至[0,1]区间内的一种常用的形式是，包括如公式(13)所示的logistic函数：
式中z＝[T2,SPE]T，w和b为模型参数，基于公式(8)和公式(10)给出的判定阈值确定；
一种确定模型参数的方式为：以判定阈值对应的zth为海水泵设备的健康状态分界线，其对应的健康指标HI取为0.5，再在健康区与非健康区分别取两个统计量水平β1zth和β2zth，其中β1<1，β2>1，将其对应的健康指标分别赋为0.9和0.1，从而基于以上3个基准点计算w与b的值。
其中，在实际应用中，上述3个基准点对应的健康指标取值可根据实际需求进行调整。
在存在海水泵设备故障数据的情况下，也可采用回归方法建立主成分分析PCA分解得到的主元到HI之间的映射关系，其建模流程如图2所示。
步骤402，进行模型训练，首先根据海水泵的如健康或故障状态这样那个的实际状态为数据赋予标签，对处于正常状态下的数据，将其标签置为1，故障状态下的标签则置为0，然后对海水泵的设备状态以主成分分析PCA方法分解得到的主元作为输入，给定的标签作为输出，训练回归模型，即得到海水泵的设备健康状态的评估模型。
在一实施例中，在回归模型的选择上，可采用公式(13)所示的logistic回归，其训练过程为最小化如公式(14)所示的损失函数J(w，b)：
式中N为样本数目，xi为第i个样本的PCA主元向量，yi为第i个样本的标签，hw,b(xi)为公式(13)所示的logistic函数，即
另一种选择是或者采用拟合能力更强的支持向量回归(Support VectorRegression，SVR)方式。SVR是一种基于核函数的非线性回归模型，比逻辑回归具有更强大的非线性映射能力，在主元与健康状态之间的相关关系较为复杂的情况下能取得比逻辑回归更好的拟合效果。支持向量回归的基本形式为如公式(15)所示：
公式(15)中，xi为训练数据点，i＝1,2,…,N，N为训练样本数；αi、αi *和b为模型参数，通过模型训练过程确定；k(xi,x)为核函数。SVR中核函数有多种选择，本发明实施例采用最为广泛采用的径向基函数如公式(16)所示：
式中，γ为核函数的模型参数。
所述回归模型中的参数同样通过数据拟合确定，拟合确定过程为求解如公式(17)所示的约束优化问题：
式中N为样本数目，xi为第i个样本的PCA主元向量，yi为第i个样本的标签，f(x)的定义如公式(15)所示，C为正则化参数，ξi和
为松弛变量，i为正整数。
对这一类型的约束优化问题通常采用拉格朗日法求解，其拉格朗日对偶函数为公式(18)所示：
式中α、
μ、
为拉格朗日乘数，其余参数的含义与公式(17)相同。
步骤403，回归模型训练完成后，海水泵在线运行过程中将状态监测数据转换为特征数据，再进行主成分分析PCA方法分解得到主元向量，输入该回归模型中，即可实时计算得到表征海水泵的设备当前健康状态水平的健康指标HI。
本发明实施例还提供一种海水泵健康状态评估模型，包括：
离线模块，用于利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；
在线模块，用于将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
本发明实施例还提供一种海水泵健康状态评估装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述海水泵健康状态评估方法。
其中，所述海水泵健康状态评估装置通常是计算机或者服务器。
本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述海水泵健康状态评估方法。
在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，ReadOnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明实施例通过引入PCA方法，一方面可在最大程度保留海水泵的监测数据中原有信息的前提下，解耦数据中复杂的相关关系，将高维数据转换为不同维度间相互独立的低维数据，从而简化对设备正常运行状态的定义。另一方面也可对数据中包含的部分噪声进行滤除，起到提高数据质量的作用。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号。
Claims (9)
1.一种海水泵健康状态评估方法，其特征在于，包括：
离线阶段，在所述离线阶段利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；
在线阶段，在所述在线阶段将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
2.根据权利要求1所述的海水泵健康状态评估方法，其特征在于，所述利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义，包括：
首先取一段设备正常工作状态下的历史数据，经预处理和特征提取后得到原始特征数据作为标定数据；
将标定数据整合为如公式(1)所示的原始特征矩阵X：
公式(1)中M为数据样本的数量，n为特征维度，di＝[xi,1,xi,2,…,xi,n]T，i＝1,2,……,M为提取的n维特征数据组成的向量，i、M和n均为正整数；
对原始特征矩阵X中的样本进行主成分分析。
3.根据权利要求2所述的海水泵健康状态评估方法，其特征在于，所述对原始特征矩阵X中的样本进行主成分分析，包括：
首先将原始特征矩阵X标准化，即让原始特征矩阵X中的每一维特征数据减去其样本均值后除以其样本标准差得到标准化后的特征矩阵
然后用公式(2)计算出标准化后的特征矩阵的协方差阵C：
对协方差矩阵C进行特征值分解，将其特征值按从大到小的顺序排列得到特征值向量Λ＝[λ1,λ2,…,λn]T及对应的特征向量矩阵P＝[p1,p2,…,pn]T；
步骤302，根据PCA理论，每个特征向量pi代表样本数据中的一个主方向，相应特征值λi的大小则正比于该主方向上所解释的样本方差比例，则前k个主方向上的累计解释方差占比η(k)为公式(3)所示：
其中，k为正整数；
选择截断数k使得其如公式(4)所示：
其中r为保留方差比例，则按截断数k将特征向量矩阵截断得到PCA转换矩阵
如公式(5)所示：
进而对原始特征矩阵X进行降维处理得到如公式(6)所示的主元矩阵Y：
4.根据权利要求1所述的海水泵健康状态评估方法，其特征在于，在所述在线阶段将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，包括：
首先对水泵运行时的监测数据进行特征提取得到当前的特征数据向量x，再使用公式(5)所示的转换矩阵将其转换至主元空间后，评估其主元向量与标定数据主元统计分布之间的偏离程度，偏离程度通过T2统计量和SPE统计量进行量化。
5.根据权利要求4所述的海水泵健康状态评估方法，其特征在于，所述T2统计量与SPE统计量均基于假设检验理论定义，其中T2统计量的定义为公式(7)所示：
其中S为以特征值(λ1,λ2,…,λk)为对角线元素的对角矩阵，T2统计量反映了当前的特征数据向量x在主元空间中偏离标定的正常运行状态对应的主元统计分布中心的程度，在标定的统计分布为高斯分布的假设下，T2统计量服从F分布，其假设检验判定阈值Tα为公式(8)所示：
其中α为显著性水平，一般取为0.9或0.95，当计算得到的T2统计量超过预设的判定阈值Tα时，可认为由当前监测数据给出的海水泵设备状态有较大的可能性偏离了所标定的海水泵设备正常状态统计分布，即海水泵设备的运行状态出现异常；
SPE统计量则基于PCA过程中因截断而引入的误差进行定义，其计算方式为公式(9)所示：
公式(9)中I为单位矩阵；
在高斯分布假设下，通过假设检验可得到SPE统计量的判定阈值Qα为公式(10)所示：
其中α为显著性水平，
为标准高斯分布的α分位点，
和h0的定义分别为公式(11)和公式(12)所示：
6.根据权利要求4所述的海水泵健康状态评估方法，其特征在于，基于所述偏差来计算表征海水泵设备当前的健康状态水平的健康指标，包括：
采用sigmoid映射将T2统计量和SPE统计量映射至[0,1]区间内；
所述采用sigmoid映射将T2统计量和SPE统计量映射至[0,1]区间内，包括如公式(13)所示的logistic函数：
式中z＝[T2,SPE]T，w和b为模型参数，基于公式(8)和公式(10)给出的判定阈值确定；
确定模型参数的方式为：以判定阈值对应的zth为海水泵设备的健康状态分界线，其对应的健康指标HI取为0.5，再在健康区与非健康区分别取两个统计量水平β1zth和β2zth，其中β1<1，β2>1，将其对应的健康指标分别赋为0.9和0.1，从而基于以上3个基准点计算w与b的值；
进行模型训练，首先根据海水泵的设备状态为数据赋予标签，对处于正常状态下的数据，将其标签置为1，故障状态下的标签则置为0，然后对海水泵的设备状态以主成分分析PCA方法分解得到的主元作为输入，给定的标签作为输出，训练回归模型，即得到海水泵的设备健康状态的评估模型；
在回归模型的选择上，采用公式(13)所示的logistic回归，其训练过程为最小化如公式(14)所示的损失函数J(w，b)：
或者采用支持向量回归方式；
所述回归模型中的参数同样通过数据拟合确定，拟合确定过程为求解如公式(17)所示的约束优化问题：
对约束优化问题通常采用拉格朗日法求解，其拉格朗日对偶函数为公式(18)所示：
回归模型训练完成后，海水泵在线运行过程中将状态监测数据转换为特征数据，再进行主成分分析PCA方法分解得到主元向量，输入该回归模型中，即可实时计算得到表征海水泵的设备当前健康状态水平的健康指标HI。
7.一种海水泵健康状态评估模型，其特征在于，包括：
离线模块，用于利用海水泵的设备历史数据，基于主成分分析PCA方法完成设备正常运行状态的定义；
在线模块，用于将海水泵运行时的监测数据进行主成分分解后，与所述定义的设备政策运行状态对比，量化所述主成分分解后的监测数据与所述定义的设备政策运行状态之间的偏差，并基于该偏差来计算表征海水泵设备当前的健康状态水平的健康指标。
8.一种海水泵健康状态评估装置，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1～7中任意一项的所述海水泵健康状态评估方法。
9.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1～7中任意一项的所述海水泵健康状态评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434505.4A CN112032034A (zh) | 2020-05-21 | 2020-05-21 | 海水泵健康状态评估方法、模型、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010434505.4A CN112032034A (zh) | 2020-05-21 | 2020-05-21 | 海水泵健康状态评估方法、模型、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112032034A true CN112032034A (zh) | 2020-12-04 |
Family
ID=73578872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010434505.4A Pending CN112032034A (zh) | 2020-05-21 | 2020-05-21 | 海水泵健康状态评估方法、模型、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112032034A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221441A (zh) * | 2020-12-24 | 2021-08-06 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
| CN113418700A (zh) * | 2021-06-23 | 2021-09-21 | 太原理工大学 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
| CN113435755A (zh) * | 2021-06-30 | 2021-09-24 | 华中科技大学 | 一种工况自适应水轮机组综合状态评估方法及系统 |
| CN113793076A (zh) * | 2021-05-14 | 2021-12-14 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
| CN117267149A (zh) * | 2023-11-17 | 2023-12-22 | 国网山西省电力公司电力科学研究院 | 一种大容量电力变压器油泵状态在线感知装置及评估方法 |
| CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105804981A (zh) * | 2016-05-04 | 2016-07-27 | 浙江尔格科技股份有限公司 | 动车组牵引变压器油泵远程故障监测和预警系统及其方法 |
| CN109034010A (zh) * | 2018-07-06 | 2018-12-18 | 北京天泽智云科技有限公司 | 一种自动门系统的润滑失效在线预测方法 |
| CN109030790A (zh) * | 2018-08-21 | 2018-12-18 | 华北电力大学（保定） | 一种电力变压器故障诊断方法和装置 |
-
2020
- 2020-05-21 CN CN202010434505.4A patent/CN112032034A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105804981A (zh) * | 2016-05-04 | 2016-07-27 | 浙江尔格科技股份有限公司 | 动车组牵引变压器油泵远程故障监测和预警系统及其方法 |
| CN109034010A (zh) * | 2018-07-06 | 2018-12-18 | 北京天泽智云科技有限公司 | 一种自动门系统的润滑失效在线预测方法 |
| CN109030790A (zh) * | 2018-08-21 | 2018-12-18 | 华北电力大学（保定） | 一种电力变压器故障诊断方法和装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221441A (zh) * | 2020-12-24 | 2021-08-06 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
| CN113793076A (zh) * | 2021-05-14 | 2021-12-14 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
| CN113793076B (zh) * | 2021-05-14 | 2022-08-30 | 西安交通大学 | 一种风险池动态监测方法、系统、设备和可读存储介质 |
| CN113418700A (zh) * | 2021-06-23 | 2021-09-21 | 太原理工大学 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
| CN113418700B (zh) * | 2021-06-23 | 2023-04-07 | 太原理工大学 | 一种智能传感器及矿用皮带机传动系统健康状态监测方法 |
| CN113435755A (zh) * | 2021-06-30 | 2021-09-24 | 华中科技大学 | 一种工况自适应水轮机组综合状态评估方法及系统 |
| CN113435755B (zh) * | 2021-06-30 | 2022-04-29 | 华中科技大学 | 一种工况自适应水轮机组综合状态评估方法及系统 |
| CN117267149A (zh) * | 2023-11-17 | 2023-12-22 | 国网山西省电力公司电力科学研究院 | 一种大容量电力变压器油泵状态在线感知装置及评估方法 |
| CN117267149B (zh) * | 2023-11-17 | 2024-01-23 | 国网山西省电力公司电力科学研究院 | 一种大容量电力变压器油泵状态在线感知装置及评估方法 |
| CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
| CN117668498B (zh) * | 2024-01-31 | 2024-04-26 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112032034A (zh) | 海水泵健康状态评估方法、模型、装置及存储介质 | |
| Song et al. | Wind turbine health state monitoring based on a Bayesian data-driven approach | |
| JP4762088B2 (ja) | プロセス異常診断装置 | |
| US8700550B1 (en) | Adaptive model training system and method | |
| CN108762228A (zh) | 一种基于分布式pca的多工况故障监测方法 | |
| CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
| CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CN112149909A (zh) | 船舶油耗预测方法、装置、计算机设备和存储介质 | |
| CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
| CN113095402A (zh) | 一种基于编码输入的生成对抗网络故障检测方法及系统 | |
| CN117273489A (zh) | 光伏状态评估方法及装置 | |
| CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
| CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
| CN118051858B (zh) | 基于异常用电数据的智能节电方法及系统 | |
| CN117992859B (zh) | 配备scada系统的机电装备早期故障预警与辨识方法及装置 | |
| CN116307281A (zh) | 一种基于时间序列生成对抗网络的企业经营异常预警方法 | |
| CN116910559A (zh) | 一种面向电网超算中心智能运维应用的指标异常检测方法 | |
| Brandsæter et al. | Cluster based anomaly detection with applications in the maritime industry | |
| Tian et al. | Statistical modeling and dependence analysis for tide level via multivariate extreme value distribution method | |
| CN116737681A (zh) | 一种实时异常日志检测方法、装置、计算机设备和存储介质 | |
| CN116522070A (zh) | 一种机械零部件无监督智能故障诊断方法及系统 | |
| CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
| CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
| CN114676593A (zh) | 一种纺织设备的异常检测方法及相关装置 | |
| CN115564702A (zh) | 模型训练方法、系统、设备、存储介质及缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |