CN112485018B - 基于机理数据融合的机械设备能耗异常检测方法 - Google Patents
基于机理数据融合的机械设备能耗异常检测方法 Download PDFInfo
- Publication number
- CN112485018B CN112485018B CN202011297084.1A CN202011297084A CN112485018B CN 112485018 B CN112485018 B CN 112485018B CN 202011297084 A CN202011297084 A CN 202011297084A CN 112485018 B CN112485018 B CN 112485018B
- Authority
- CN
- China
- Prior art keywords
- power
- voltage
- value
- mechanical equipment
- abnormal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于机理数据融合的机械设备能耗异常检测方法。本发明方法的具体步骤为:(1)生成待检测机械设备能耗数据集;(2)采用机理数据融合方法计算电压数据集中电压的检验值、计算电流数据集中电流的检验值;(3)采用动态时间规划算法计算功率数据集中功率的检验值;(4)分别计算待检测机械设备电压状态值与电流状态值(5)检测机械设备能耗是否异常。使本发明具有对通用机械设备能耗异常检测泛化能力强,且降低了对传感器种类及数量的要求,降低了数据采集的复杂度及分析成本的优点。
Description
技术领域
本发明属于机械技术领域,更进一步涉及机械检测技术领域中的一种基于机械机理数据融合的设备能耗异常检测方法。本发明可用于大型机械设备在生产过程中能耗异常状态检测。
背景技术
对于大型制造企业来说,设备能耗所造成的能源成本通常要占到企业生产成本的三分之一以上,节能需求愈来愈成为企业精细化、资源友好型生产制造转型的方向之一。设备耗电量检测显得尤为重要,其旨在针对设备运转过程中的耗电量进行检测,检测的结果往往反映了当前设备运转的状态。如若出现异常,则可以尽早发现并报警以避免设备宕机或损毁。但是当前生产设备的能耗异常检测模型大多只针对某一种特定设备或过程,而不同设备具有不同的运行原理及运行要求,模型的泛化性不足,不具有推广性;此外,数据分析过程需要采集大量不同类型的负责数据,如生产过程参数、设备运行参数、环境参数、人员操作参数等,目前环境下采集类别多且数量大的数据十分困难,采集成本高。
江海昌在其发表的论文“数据驱动的铝型材挤压机能耗异常检测模型研究及应用”(广东工业大学,硕士论文2017年)中公开了一种能耗异常检测方法。该方法根据铝型材挤压生产工艺过程,系统分析了挤压设备、挤压工艺流程和挤压过程能流,揭示了挤压周期的能耗特点及能耗影响因素,确定挤压机能耗异常类型,并提出一种基于GA-SVR的挤压机能耗点异常检测模型。利用关联度分析法获得挤压过程的主要能耗影响因素,通过概率分布,获取正常能耗的预测区间,从而判定实际挤压机能耗的观察值是否处于预测区间内,进而确定能耗点异常。该方法存在的不足之处是:该模型只针对挤压机这一种特定类型的机械设备检测,对于通用机械设备泛化能力较差。
合肥工业大学在其申请的专利文献“一种基于知识感知的设备异常状态综合判断及运维方法”(申请号:201911405494.0,公开号:CN111160652A)公开了一种设备异常状态判断方法。该方法使用一种高性能多类型传感器采集动态设备的负荷、能耗、环境和噪声等数据并输入相应的运行状态,训练得到第一模型,根据负荷和能耗数据判断设备的运行状态;将分析结果与故障类别和运行状态相互关联建立设备的运维知识库;通过模型分析,将数据处理为时序特征数据后与运维知识库中的数据进行匹配分析,实现故障预测和诊断。但是,该方法仍然存在的不足之处是:需要实时采集大量且复杂数据包括(负荷、能耗、环境和噪声等),对传感器的选型及采集能力提出较高要求。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出了一种机械设备能耗异常检测方法,旨在解决机械设备能耗异常检测只针对某一种特定类型的机械设备,对于通用机械设备泛化能力较差,且需要实时采集大量且复杂数据,对传感器的选型及采集能力提出较高要求的问题。
实现本发明目的的思路是,生成待检测机械设备能耗数据,采用机理数据融合方法,分别计算电压数据集中电压的检验值、电流数据集中电流的检验值,采用动态时间规划算法,计算功率数据集中功率的检验值;对电压、电流、功率检验值采用与方法检测机械设备能耗是否异常。
实现本发明目的的具体思路是:
(1)生成待检测机械设备能耗数据集:
(1a)自待检测的机械设备的运行时刻,每隔5s的数据采集时间间隔,采集5000秒的待检测设备的三相电压、三相电流数据,将采集的1000个电压、1000个电流数据组成该待检测机械设备的电压、电流数据集;
(1b)采用与步骤(1a)相同的方法,生成待检测机械设备的功率数据集;
(2)采用机理数据融合方法计算电压数据集中电压的检验值:
(2a)按照下式,计算标准T检验下电压的异常检验值:
其中,p1表示标准T检验下电压的异常检验值,Bool表示求布尔值操作,∑表示求和操作,k表示电压数据集中电压的序号,T(2)表示标准T检验取值自由度为2的分布函数,f(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw表示待检测机械设备的额定电压值;
(2b)计算电压数据集中每个电压与待检测设备额定电压之差的绝对值,将电压数据集中所有电压与待检测设备额定电压值之差的绝对值按由小到大排序,并求正值秩和Z+,负值秩和Z-;
(2c)按照下式,计算电压数据集中所有电压在单样本威尔科克森符号秩检验下的异常检验值:
p2=Bool((M(Bool(Z+>Z-),len(lv)-1))<0.05)
其中,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值,Bool表示求布尔值操作,M(·)表示求M界值表操作,len(·)表示求数组长度函数,lv表示电压数据集中所有电压;
(3)采用与步骤(2)相同方法,计算电流数据集中电流的检验值;
(4)采用动态时间规划算法计算功率数据集中功率的检验值:
(4a)分别将功率数据与异常数据按时间顺序排成一列,得到功率时间序列Q与异常时间序列C;
(4b)按照下式,计算功率时间序列每个功率与异常时间序列中每个功率的约束距离:
其中,g(qi,cj)表示求功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的约束距离,min{·}表示求最小值操作,g(·)表示求相邻功率约束距离的操作,qi-1表示功率时间序列Q中第qi-1个索引,cj-1表示异常时间序列C中第cj-1个索引,d(·)表示求计算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值;
(4c)利用累积距离公式,计算功率时间序列中每个功率与异常时间序列中每个功率的累积距离;
(4d)判断γ(qm,cn)>sig是否成立,若是,则将待检测机械设备功率检验值设置为1,否则,功率检验值设置为0,其中,γ(qm,cn)表示功率时间序列中最后一个功率qm与异常时间序列中最后一个功率cn的累积距离,sig表示功率异常阈值;
(5)分别计算待检测机械设备电压状态值与电流状态值;
(6)检测机械设备能耗是否异常:
将ov&oc&op为1的待检测机械设备判定为能耗异常,为0判定设备能耗正常,其中,op表示待检测机械设备功率状态值。
与现有技术相比,本发明具有以下优点:
第一,由于本发明使用机理数据融合方法计算电压数据集中电压的检验值、电流数据集中电流的检验值,克服了现有方法只针对挤压机这一种特定类型的机械设备检测,对于通用机械设备泛化能力较差的问题,使得本发明具有对通用机械设备能耗异常检测泛化能力强的优点。
第二,由于本发明在数据采集过程中采集的电压参数、电流参数、功率参数等数据较为通用且采集难度低,克服了现有技术中需要实时采集大量且复杂数据包括(负荷、能耗、环境和噪声等),对传感器的选型及采集能力提出较高要求的不足,使得本发明降低了对传感器种类及数量的要求,降低了数据采集的复杂度及分析成本。
附图说明
图1是本发明的流程图。
具体实施方式
参照图1,对本发明的具体实施步骤做进一步的详细描述。
步骤1,生成待检测机械设备能耗数据集。
第一步,自待检测的机械设备的运行时刻,每隔5s的数据采集时间间隔,采集5000秒的待检测设备的三相电压、三相电流数据,将采集的1000个电压、1000个电流数据组成该待检测机械设备的电压、电流数据集。
第二步,采用与本步骤第一步相同的方法,生成待检测机械设备的功率数据集。
步骤2,采用机理数据融合方法计算电压数据集中电压的检验值。
按照下式,计算标准T检验下电压的异常检验值:
其中,p1表示标准T检验下电压的异常检验值,Bool表示求布尔值操作,∑表示求和操作,k表示电压数据集中电压的序号,T(2)表示标准T检验取值自由度为2的分布函数,f(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw表示待检测机械设备的额定电压值。
计算电压数据集中每个电压与待检测设备额定电压之差的绝对值,将电压数据集中所有电压与待检测设备额定电压值之差的绝对值按由小到大排序,并求正值秩和Z+,负值秩和Z-。
按照下式,计算电压数据集中所有电压在单样本威尔科克森符号秩检验下的异常检验值:
p2=Bool((M(Bool(Z+>Z-),len(lv)-1))<0.05)
其中,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值,Bool表示求布尔值操作,M(·)表示求M界值表操作,len(·)表示求数组长度函数,lv表示电压数据集中所有电压。
步骤3,采用与步骤2相同方法,计算电流数据集中电流的检验值。
步骤4,采用动态时间规划算法计算功率数据集中功率的检验值。
分别将功率数据与异常数据按时间顺序排成一列,得到功率时间序列Q与异常时间序列C。
按照下式,计算功率时间序列每个功率与异常时间序列中每个功率的约束距离:
其中,g(qi,cj)表示求功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的约束距离,min{·}表示求最小值操作,g(·)表示求相邻功率约束距离的操作,qi-1表示功率时间序列Q中第qi-1个索引,cj-1表示异常时间序列C中第cj-1个索引,d(·)表示求计算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值。
利用累积距离公式,计算功率时间序列中每个功率与异常时间序列中每个功率的累积距离。
所述的累积距离公式如下:
其中,γ(qi,cj)表示功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的累积距离,d(qi,cj)表示功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的欧式距离,γ(·)表示两两相邻功率的累积距离。
判断γ(qm,cn)>sig是否成立,若是,则将待检测机械设备功率检验值设置为1,否则,功率检验值设置为0,其中,γ(qm,cn)表示功率时间序列中最后一个功率qm与异常时间序列中最后一个功率cn的累积距离,sig表示功率异常阈值。
所述的功率异常阈值sig是由如下方法得到的。
第1步,利用累积距离公式,计算零值时间序列中每个功率与异常时间序列中每个功率的累积距离。
第2步,将最后一个功率的累积距离表示为功率异常阈值sig。
步骤5,分别计算待检测机械设备电压状态值与电流状态值。
所述的计算待检测机械设备电压状态值是由下述公式计算得到的:
ov=p1&p2
其中,ov表示待检测机械设备电压的状态值,&表示与操作。
所述的计算待检测机械设备电流状态值是由下述公式计算得到的:
oc=t1&t2
其中,oc表示待检测机械设备电流的状态值,t1表示标准T检验下电流的异常检验值,t2表示电流在单样本威尔科克森符号秩检验下的异常检验值。
步骤6,检测机械设备能耗是否异常。
将ov&oc&op为1的待检测机械设备判定为能耗异常,为0判定设备能耗正常,其中,op表示待检测机械设备功率状态值。
Claims (5)
1.一种基于机理数据融合的机械设备能耗异常检测方法,其特征在于,采用机理数据融合方法,分别计算电压数据集中电压的检验值、电流数据集中电流的检验值,采用动态时间规划算法,计算功率数据集中功率的检验值;该方法的步骤包括如下:
(1)生成待检测机械设备能耗数据集:
(1a)自待检测的机械设备的运行时刻,每隔5s的数据采集时间间隔,采集5000秒的待检测设备的三相电压、三相电流数据,将采集的1000个电压、1000个电流数据组成待检测机械设备的电压、电流数据集;
(1b)采用与步骤(1a)相同的方法,生成待检测机械设备的功率数据集;
(2)采用机理数据融合方法计算电压数据集中电压的检验值:
(2a)按照下式,计算标准T检验下电压的异常检验值:
其中,p1表示标准T检验下电压的异常检验值,Bool表示求布尔值操作,∑表示求和操作,k表示电压数据集中电压的序号,T(2)表示标准T检验取值自由度为2的分布函数,f(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw表示待检测机械设备的额定电压值;
(2b)计算电压数据集中每个电压与待检测设备额定电压之差的绝对值,将电压数据集中所有电压与待检测设备额定电压值之差的绝对值按由小到大排序,并求正值秩和Z+,负值秩和Z-;
(2c)按照下式,计算电压数据集中所有电压在单样本威尔科克森符号秩检验下的异常检验值:
p2=Bool((M(Bool(Z+>Z-),len(lv)-1))<0.05)
其中,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值,Bool表示求布尔值操作,M(·)表示求M界值表操作,len(·)表示求数组长度函数,lv表示电压数据集中所有电压;
(3)采用与步骤(2)相同方法,计算电流数据集中电流的检验值;
(4)采用动态时间规划算法计算功率数据集中功率的检验值:
(4a)分别将功率数据与异常数据按时间顺序排成一列,得到功率时间序列Q与异常时间序列C;
(4b)按照下式,计算功率时间序列每个功率与异常时间序列中每个功率的约束距离:
其中,g(qi,cj)表示求功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的约束距离,min{·}表示求最小值操作,g(·)表示求相邻功率约束距离的操作,qi-1表示功率时间序列Q中第qi-1个索引,cj-1表示异常时间序列C中第cj-1个索引,d(·)表示求计算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值;
(4c)利用累积距离公式,计算功率时间序列中每个功率与异常时间序列中每个功率的累积距离;
(4d)判断γ(qm,cn)>sig是否成立,若是,则将待检测机械设备功率检验值设置为1,否则,功率检验值设置为0,其中,γ(qm,cn)表示功率时间序列中最后一个功率qm与异常时间序列中最后一个功率cn的累积距离,sig表示功率异常阈值;
(5)分别计算待检测机械设备电压状态值与电流状态值;
(6)检测机械设备能耗是否异常:
将ov&oc&op为1的待检测机械设备判定为能耗异常,为0判定设备能耗正常,其中,ov表示待检测机械设备电压的状态值,oc表示待检测机械设备电流的状态值,op表示待检测机械设备功率状态值。
3.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(4d)中所述的功率异常阈值sig是由如下方法得到的:
第一步,利用累积距离公式,计算零值时间序列中每个功率与异常时间序列中每个功率的累积距离,
第二步,将最后一个功率的累积距离表示为功率异常阈值sig。
4.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(5)中所述的计算待检测机械设备电压状态值是由下述公式计算得到的:
ov=p1&p2
其中,p1表示标准T检验下电压的异常检验值,&表示与操作,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值。
5.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(5)中所述的计算待检测机械设备电流状态值是由下述公式计算得到的:
oc=t1&t2
其中,t1表示标准T检验下电流的异常检验值,t2表示电流在单样本威尔科克森符号秩检验下的异常检验值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297084.1A CN112485018B (zh) | 2020-11-18 | 2020-11-18 | 基于机理数据融合的机械设备能耗异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297084.1A CN112485018B (zh) | 2020-11-18 | 2020-11-18 | 基于机理数据融合的机械设备能耗异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112485018A CN112485018A (zh) | 2021-03-12 |
CN112485018B true CN112485018B (zh) | 2021-09-10 |
Family
ID=74931533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011297084.1A Active CN112485018B (zh) | 2020-11-18 | 2020-11-18 | 基于机理数据融合的机械设备能耗异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112485018B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107478455A (zh) * | 2017-09-01 | 2017-12-15 | 电子科技大学 | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 |
CN109556876A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 一种区分燃气轮机燃烧故障和热通道设备故障的诊断方法 |
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
KR102066744B1 (ko) * | 2019-07-09 | 2020-02-11 | 주식회사 그랜드 | 영상분석을 이용하여 모터펌프의 고장예방진단이 가능한 원격감시제어 시스템 |
WO2020085889A1 (fr) * | 2018-10-24 | 2020-04-30 | Université Internationale de RABAT | Procédé et dispositif de détection et localisation instantanées des défauts dans les tuyaux de distribution |
CN211553257U (zh) * | 2016-05-19 | 2020-09-22 | Abb瑞士股份有限公司 | 用于工业机器的状态监测的状态监测装置及系统 |
-
2020
- 2020-11-18 CN CN202011297084.1A patent/CN112485018B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN211553257U (zh) * | 2016-05-19 | 2020-09-22 | Abb瑞士股份有限公司 | 用于工业机器的状态监测的状态监测装置及系统 |
CN107478455A (zh) * | 2017-09-01 | 2017-12-15 | 电子科技大学 | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 |
WO2020085889A1 (fr) * | 2018-10-24 | 2020-04-30 | Université Internationale de RABAT | Procédé et dispositif de détection et localisation instantanées des défauts dans les tuyaux de distribution |
CN109556876A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 一种区分燃气轮机燃烧故障和热通道设备故障的诊断方法 |
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
KR102066744B1 (ko) * | 2019-07-09 | 2020-02-11 | 주식회사 그랜드 | 영상분석을 이용하여 모터펌프의 고장예방진단이 가능한 원격감시제어 시스템 |
Non-Patent Citations (1)
Title |
---|
基于多源数据融合的恶劣气象下 10 kV 配变实时状态评估;时亚军 等;《高电压技术》;20200229;第46卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112485018A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN109396953B (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
WO2017191872A1 (ko) | 플랜트 이상 감지 방법 및 시스템 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
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 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN108981796B (zh) | 一种五位一体水力机械故障诊断方法 | |
CN104330675B (zh) | 基于多元时间序列的变电设备在线监测分析系统及其方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN103699514A (zh) | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN112485018B (zh) | 基于机理数据融合的机械设备能耗异常检测方法 | |
CN113157732A (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN110057588B (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 | |
CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 | |
CN115034094A (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN114358176A (zh) | 一种基于lof算法的风电站原始风电数据质量控制的方法 | |
CN108627242B (zh) | 基于盲源分离单边检测法的环冷机漏风率检测方法 | |
CN109946096B (zh) | 基于模型空间的高速列车风管故障诊断方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |