CN112580784A - 基于多输入多输出卷积神经网络的设备智能预警方法 - Google Patents

基于多输入多输出卷积神经网络的设备智能预警方法 Download PDF

Info

Publication number
CN112580784A
CN112580784A CN202011491711.5A CN202011491711A CN112580784A CN 112580784 A CN112580784 A CN 112580784A CN 202011491711 A CN202011491711 A CN 202011491711A CN 112580784 A CN112580784 A CN 112580784A
Authority
CN
China
Prior art keywords
data
equipment
neural network
early warning
training
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
Application number
CN202011491711.5A
Other languages
English (en)
Inventor
刘东举
张振宇
孟兆博
李�昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Power System Engineering And Research Institute Co ltd Of Cneec
Original Assignee
Harbin Power System Engineering And Research Institute Co ltd Of Cneec
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Power System Engineering And Research Institute Co ltd Of Cneec filed Critical Harbin Power System Engineering And Research Institute Co ltd Of Cneec
Priority to CN202011491711.5A priority Critical patent/CN112580784A/zh
Publication of CN112580784A publication Critical patent/CN112580784A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及一种基于多输入多输出卷积神经网络的设备智能预警方法。目前，在发电、化工等传统工业领域，运行人员通常通过监视控制系统中接入的设备各传感器信号来判断设备运行状态，但对单个传感器信号的监视不能及时发现设备的异常状态。一种基于多输入多输出卷积神经网络的设备智能预警方法，选取设备相关历史数据，并进行预处理；构建多输入多输出卷积神经网络；利用经预处理后的设备相关历史数据对多输入多输出卷积神经网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值；获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。本发明主要应用于设备故障预警领域。

Description

基于多输入多输出卷积神经网络的设备智能预警方法
技术领域
本发明涉及一种基于多输入多输出卷积神经网络的设备智能预警方法。
背景技术
目前，在发电、化工等传统工业领域，运行人员通常通过监视控制系统中接入的设备各传感器信号来判断设备运行状态，但对单个传感器信号的监视不能及时发现设备的异常状态。当设备处于劣化状态时，相关传感器信号并没有到达控制系统设置的报警阈值，如果运行人员没有发现，设备将长期处于劣化状态运转，直至控制系统对于传感器信号设置的报警出现，这时设备通常已经出现较大故障。
设备运行状态是通过各相关传感器信号共同反映出来的，所以有一定技术与经验积累的运行人员会同时监测与设备相关的多个传感器信号，在这些运行人员的认知中，会对各运行工况下该设备各传感器信号应处于的值有一定的概念，当某些信号偏离值太多时，即使未到达控制系统报警阈值，仍可判定该设备状态异常，并及时进行检修处理，避免出现更大的故障导致设备停运。但受限于以下因素：运行人员的技术与经验积累水平不一、运行人员的精力与注意力难以长期维持在较高水平、同时监视所有设备相关传感器信号趋势曲线是难以实现的、运行人员对于设备各传感器应处于值范围的认知是不精确的，导致常态下对设备的监测仍主要依靠于控制系统单一信号的报警。
随着机器学习、深度学习等人工智能技术的发展，如何利用计算机对设备各关联传感器信号进行分析，挖掘其内在联系，从而实时监测设备运行状态，实现设备故障智能预警，成为人工智能技术在工业领域应用的热点问题。目前这方面的应用主要以机器学习技术的运用为主要手段，如支持向量机算法、随机深林算法、XGBoost算法等，而机器学习算法在处理海量数据集时可能会出现效率低下、效果不理想，甚至训练不收敛等问题，所以利用上述算法在进行设备传感器信号内在联系分析时，必须对样本数据进行大规模压缩，造成数据资源的浪费，且任何数据压缩方式都会产生关联特征的丢失，进而对预测精度产生影响。其次，随着时间推移，设备运行各传感器信号之间的内在联系并不是一成不变的，需定期对预测模型进行更新，才能避免预测精度的下降，但传统机器学习算法对于增量学习问题的处理是十分困难的。另一方面，目前业界大部分设备故障预警应用，在利用机器学习算法对数据进行分析时，往往采用并行方式实现对多维特征的预测，即同时构建N（需预测特征个数）个多输入单输出预测模型，这种方式会导致模型训练参数、训练时间成倍增长，并且会使机器学习算法本就难以处理的增量学习问题变得更加复杂。
深度学习技术能够有效的对海量数据进行充分利用，随着深度的增加，在理论上能够获得更高的精确度，并且能够方便的进行增量学习。近年来，CPU、GPU的计算性能实现了大幅度提升，以卷积神经网络、循环神经网络为代表的深度学习技术得以突破计算瓶颈，获得了大规模应用，目前已广泛应用于图像处理、语音识别、智能驾驶等领域，应用效果十分理想。深度神经网络应用主要由互联网公司引领，这些公司面向用户日常生活的应用需求设计了大量应用场景，覆盖了用户生活的方方面面，但是对于工业领域的应用仍处于较低的水平。另一方面，受应用场景所限，目前深度神经网络主要应用于处理对单特征的分类问题，对于处理多特征回归预测问题的解决方案较少。
发明内容
本发明的目的是提供一种基于多输入多输出卷积神经网络的设备智能预警方法，主要在于克服机器学习技术对于海量数据分析的不足、以及其在增量学习方面的缺陷，通过一种基于多输入多输出卷积神经网络的设备智能预警方法，利用卷积神经网络处理数据预测回归问题，并通过对训练数据集和卷积神经网络的合理构造，实现了对海量数据的充分利用，且实现了一张网络同时对多特征进行预测回归，降低了训练参数数量，提升了训练速度和效率，预测回归精度得到了极大提升。
上述的目的通过以下的技术方案实现：
一种基于多输入多输出卷积神经网络的设备智能预警方法，其组成包括：包括如下几个步骤：
（1）选取设备相关历史数据，并进行预处理；
（2）构建多输入多输出卷积神经网络；
（3）利用经预处理后的设备相关历史数据对多输入多输出卷积神经网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值；
（4）获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。
所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，步骤（1）包括如下步骤：
步骤1.1：从实时数据库中抽取一段时间的历史数据，这些历史数据包括与设备相关的测点数据，以及能够反映整体工况的测点的数据；对上述数据进行筛选，确保所选数据为设备正常状态下的运行数据，并删除超限、无效数据；
步骤1.2：对步骤1.1 得到的数据进行变换、标准化，使数据满足多输入多输出卷积神经网络的输入输出维度要求，并消除数据量纲差异，最终得到训练数据集。
所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，步骤1.2具体过程为：
对于筛选后的m*n阶数据矩阵M（m：样本数量，n：测点个数，即特征数量），定位其中代表反映整体工况的特征（个数为1）的位置k，然后对矩阵M除k特征外的每一个特征进行处理，循环次数为n-1，第i次循环的特征处理过程具体为：
<1> 令
Figure 872109DEST_PATH_IMAGE001
，保存为
Figure 540988DEST_PATH_IMAGE002
，其中
Figure 596668DEST_PATH_IMAGE003
；
<2> 对
Figure 350998DEST_PATH_IMAGE004
数据进行标准化处理，消除各特征量纲，标准化处理后的矩阵保存为
Figure 353589DEST_PATH_IMAGE005
，标准化公式为：
Figure 939291DEST_PATH_IMAGE006
Figure 103556DEST_PATH_IMAGE007
将各特征均值、方差向量保存在数据结构
Figure 407498DEST_PATH_IMAGE008
中；
循环结束后构造出如下元组：
Figure 948201DEST_PATH_IMAGE009
将
Figure 326093DEST_PATH_IMAGE010
进行变换后得到训练数据矩阵：
Figure 989155DEST_PATH_IMAGE011
其中，m为筛选后数据样本数量，n为设备相关数据的特征数量；
然后，在将M中反映整体工况的特征数据删除，并按上述标准化公式进行标准化处理，消除各特征量纲，均值、方差保存在数据结构
Figure 452498DEST_PATH_IMAGE012
中，最终得到训练输出矩阵：
Figure 796891DEST_PATH_IMAGE013
。
所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，步骤（2）的具体过程为：
（1）构建一个卷积层，其输入为样本矩阵，卷积核个数为32，计算步长为1，padding为same，并采用relu函数激活；
（2）构建一个卷积层，其输入为第一个卷积层的输出，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；
（3）构建一个size为2的池化层，其输入为第二个卷积层的输出；
（4）构建一个全连接层，具有32个神经元，其输入为池化层的输出，采用relu函数激活；
（5）构建一个输出层，输出节点个数为n-1，n为设备相关数据的特征数量，保存该网络为
Figure 91607DEST_PATH_IMAGE014
。
所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，步骤（3）的具体过程为：
（1）将预处理后的数据集按特定比例拆分为训练集：
Figure 863253DEST_PATH_IMAGE015
、
Figure 876209DEST_PATH_IMAGE016
，验证集：
Figure 821031DEST_PATH_IMAGE017
、
Figure 173515DEST_PATH_IMAGE018
；
（2）按高斯分布随机初始化
Figure 116063DEST_PATH_IMAGE019
网络参数，设置损失函数为均方误差损失，设置初始学习率为0.001，并随训练轮次按指数下降，设置训练轮次为20轮，设置批量梯度下降的样本数量为2000；
（3）将训练集：
Figure 616315DEST_PATH_IMAGE020
、
Figure 302511DEST_PATH_IMAGE021
送入网络
Figure 571818DEST_PATH_IMAGE022
进行训练，得到预测模型
Figure 685268DEST_PATH_IMAGE023
;
（4）利用模型
Figure 672815DEST_PATH_IMAGE024
对验证集：
Figure 897123DEST_PATH_IMAGE025
进行数据预测，得到预测数据集：
Figure 224199DEST_PATH_IMAGE026
，将、
Figure 299429DEST_PATH_IMAGE027
按
Figure 711955DEST_PATH_IMAGE028
进行反归一化，并做差得到残差集：
Figure 802271DEST_PATH_IMAGE029
；
（5）取
Figure 983854DEST_PATH_IMAGE030
特定比例的置信区间边界和特定比例分位数中较大的值作为阈值上下限。
本发明的有益效果：
1.本发明在对数据进行预处理过程中，除进行正确数据筛选外，仅需采用标准化方法，消除各传感器信号之间的量纲差异，无需对数据进行压缩，最大限度的保留了数据的原始关联关系，在数据层面确保了预测模型的精度。
本发明将广泛用于图像识别的卷积神经网络，应用于工业领域进行回归预测分析，开拓了一种新的深度学习技术应用场景。
本发明通过对数据集的变换和对卷积神经网络的合理构造，实现了利用一张网络对多个特征同时进行数据预测回归，大规模缩减了训练数据的数量，提高了模型训练的效率。
本发明对训练集未囊括的设备运行正常状态数据和设备老化导致的新状态数据，能够在原有模型参数的基础上，方便的进行增量学习，确保模型预测精度保持在较高水平。
本发明实现了设备运行状态的高精度预测，数据训练过程中损失函数能够收敛于
Figure 501423DEST_PATH_IMAGE031
,各特征的预测残差均近似服从均值为0、方差极小的正态分布。
附图说明：
附图1是本发明实现设备智能预警的过程示意图；
附图2是某电厂机组省煤器设备多输入多输出卷积神经网络的结构示意图；
附图3是省煤器设备智能预警模型训练结果示意图；
附图4是省煤器设备智能预警模型对验证集预测的残差结果分析示意图；
附图5是正常状态下省煤器设备智能预警模型预测值跟随情况示意图；
附图6是异常状态下省煤器设备智能预警模型预测值跟随情况示意图；
附图7是样本训练过程示意图；
具体实施方式：
实施例1：
本发明包含四个主要过程，分别是设备相关历史数据的预处理过程、多输入多输出卷积神经网络构建过程、预警模型训练与残差阈值分析过程、利用预测模型实现设备状态实时监测过程。
基于多输入多输出卷积神经网络的设备智能预警方法，如图1所示，本发明包括如下步骤：
步骤1为选取设备相关历史数据，并进行预处理操作，本过程主要包括如下两个步骤：
步骤1.1：从实时数据库中抽取一段时间的历史数据，这些历史数据包括与设备相关的测点数据，以及能够反映整体工况的测点的数据；对上述数据进行筛选，确保所选数据为设备正常状态下的运行数据，并删除超限、无效数据；
步骤1.2：对步骤1.1 得到的数据进行变换、标准化，使数据满足多输入多输出卷积神经网络的输入输出维度要求，并消除数据量纲差异，最终得到训练数据集。
其中，对数据矩阵进行变换的依据是：
经过步骤1.1后，样本数据应为m×n阶矩阵：
Figure 135666DEST_PATH_IMAGE032
其中，m表示样本个数，n表示特征个数，k表示能够反映整体工况的特征的位置。
对于每一个样本，可以看做是一个
Figure 701777DEST_PATH_IMAGE033
像素的图片，为了同时对多个特征进行预测回归，对这个样本进行变换，进行
Figure 65762DEST_PATH_IMAGE034
次循环迭代，对除反映整体工况的特征外的其余特征求在其低维空间的投影，构造成为类似具有
Figure 691916DEST_PATH_IMAGE035
个通道的图片，如下所示：
Figure 813455DEST_PATH_IMAGE036
为了充分分析数据间的关联关系，对上述矩阵进行空间变换得到如下矩阵：
Figure 245574DEST_PATH_IMAGE037
以上为单个样本的数据构造，训练数据为m个上述构造的样本。
步骤1.2具体过程为：
对于筛选后的m*n阶数据矩阵M（m：样本数量，n：测点个数，即特征数量），定位其中代表反映整体工况的特征（个数为1）的位置k，然后对矩阵M除k特征外的每一个特征进行处理，循环次数为n-1。第i次循环的特征处理过程具体为：
<1> 令
Figure 401749DEST_PATH_IMAGE038
，保存为
Figure 261120DEST_PATH_IMAGE039
，其中
Figure 932273DEST_PATH_IMAGE040
；
<2> 对
Figure 840186DEST_PATH_IMAGE041
数据进行标准化处理，消除各特征量纲，标准化处理后的矩阵保存为
Figure 975501DEST_PATH_IMAGE042
，标准化公式为：
Figure 5774DEST_PATH_IMAGE043
将各特征均值、方差向量保存在数据结构
Figure 164223DEST_PATH_IMAGE044
中。
循环结束后构造出如下元组：
Figure 461DEST_PATH_IMAGE045
将
Figure 927966DEST_PATH_IMAGE046
进行变换后得到训练数据矩阵：
Figure 66823DEST_PATH_IMAGE047
其中，m为筛选后数据样本数量，n为设备相关数据的特征数量。
然后，在将M中反映整体工况的特征数据删除，并按上述标准化公式进行标准化处理，消除各特征量纲，均值、方差保存在数据结构
Figure 774885DEST_PATH_IMAGE048
中，最终得到训练输出矩阵：
Figure 358356DEST_PATH_IMAGE049
步骤2为构建多输入多输出卷积神经网络，本过程主要包括如下步骤：
（1）构建一个卷积层，其输入为矩阵M，卷积核个数为32，计算步长为1，padding为same，并采用relu函数激活；
（2）构建一个卷积层，其输入为第一个卷积层的输出，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；
（3）构建一个size为2的池化层，其输入为第二个卷积层的输出；
（4）构建一个全连接层，具有32个神经元，其输入为池化层的输出，采用relu函数激活；
（5）构建一个输出层，输出节点个数为n-1，n为设备相关数据的特征数量，保存该网络为
Figure 78050DEST_PATH_IMAGE050
。
步骤3是利用经预处理后的设备相关历史数据对多输入多输出卷积神经网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值。
具体过程为：
首先将预处理后的数据集按特定比例拆分为训练集：
Figure 512443DEST_PATH_IMAGE051
、
Figure 206336DEST_PATH_IMAGE052
，验证集：
Figure 259742DEST_PATH_IMAGE053
、
Figure 224156DEST_PATH_IMAGE054
；
按高斯分布随机初始化
Figure 767133DEST_PATH_IMAGE055
网络参数，设置损失函数为均方误差损失，设置初始学习率为0.001，并随训练轮次按指数下降，设置训练轮次为20轮，设置批量梯度下降的样本数量为2000；
<3> 将训练集：
Figure 467365DEST_PATH_IMAGE056
、
Figure 183517DEST_PATH_IMAGE057
送入网络
Figure 940121DEST_PATH_IMAGE055
进行训练，得到预测模型
Figure 44212DEST_PATH_IMAGE058
；
样本训练过程为（参照附图7）：
信息反向传播过程采用Adam优化算法，在第t此迭代过程中，用当前批量梯度下降算法计算
Figure 634069DEST_PATH_IMAGE059
，然后计算
Figure 29278DEST_PATH_IMAGE060
指数加权平均：
Figure 905967DEST_PATH_IMAGE061
然后用
Figure 728430DEST_PATH_IMAGE062
进行更新：
Figure 995463DEST_PATH_IMAGE063
之后计算修正：
Figure 256680DEST_PATH_IMAGE064
最后对权重进行更新：
Figure 925559DEST_PATH_IMAGE065
随着训练轮次的增加，学习率将按如下方式不断下降：
Figure 981239DEST_PATH_IMAGE066
<4> 利用模型
Figure 735569DEST_PATH_IMAGE067
对验证集：
Figure 534898DEST_PATH_IMAGE068
进行数据预测，得到预测数据集：
Figure 58283DEST_PATH_IMAGE069
，将、
Figure 381071DEST_PATH_IMAGE070
按
Figure 685014DEST_PATH_IMAGE071
进行反归一化，并做差得到残差集：
Figure 960137DEST_PATH_IMAGE072
；
<5> 取
Figure 665925DEST_PATH_IMAGE073
特定比例的置信区间边界和特定比例分位数中较大的值作为阈值上下限。
步骤4为获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。
实施例：
为进一步说明本发明的实施过程，本实施例以某电厂机组的省煤器为分析对象，作为电厂关键设备，省煤器本身传感器测点较少，难以直观反映省煤器的运行状态，一旦出现问题将直接导致机组负荷非正常下降甚至停机，通过本发明对省煤器及其影响测点进行建模，实时分析其运行状态，有助于提前发现异常状态，对保证机组平稳运行有着重要意义。
本发明对省煤器设备的基于多输入多输出卷积神经网络的设备智能预警方法主要步骤如下：
一、获取省煤器设备相关历史数据，并进行预处理
选定14个与省煤器模型相关的测点，包括省煤器出口温度、省煤器出口烟气压力、省煤器入口烟气压力、省煤器出入口烟气压差、省煤器出口烟温、空预器出口烟温等传感器测点，并包括了主蒸汽压力这一反映整体工况的测点信号。获取该14个测点从2018年10月至2019年10月的数据，进行上下限、正常值等数据筛选过程后，形成共计1082580个数据样本，每个样本是一个14维的向量。
将样本组织为
Figure 63408DEST_PATH_IMAGE074
矩阵，对除主蒸汽压力特征外的其余特征按列遍历，共进行13此迭代，每一次迭代将被迭代的特征列所在全部样本置为0，并按步骤1.2的方式对数据进行标准化，将各特征量纲缩放至-1~1之间，之后将本次迭代产生的新的
Figure 792330DEST_PATH_IMAGE074
矩阵存储至元组中。迭代完成后将长度为13的元组合并、变换，形成维度为
Figure 871145DEST_PATH_IMAGE075
的多维矩阵。
二、构建多输入多输出卷积神经网络
依据上述多维矩阵的维度，构建一张多输入多输出卷积神经网络，同时对省煤器设备除主蒸汽压力外的13个特征进行预测，构建的网络结构如图2所示。
三、预警模型训练和残差阈值分析
将上述多维矩阵按8:2比例拆分为训练集
Figure 431439DEST_PATH_IMAGE076
，验证集：
Figure 203086DEST_PATH_IMAGE077
。按高斯分布随机初始化网络参数，设置损失函数为均方误差损失，设置初始学习率为0.001，并随训练轮次按指数下降，设置训练轮次为20轮，设置批量梯度下降的样本数量为2000，设置学习率下降指数为0.96，并对训练过程设置回调函数，每一轮次训练完成时如果损失值连续3轮次下降幅度小于
Figure 216041DEST_PATH_IMAGE078
，则提前终止训练。
设置完成后开始训练网络参数，将训练集：
Figure 98547DEST_PATH_IMAGE079
送入网络进行训练，在本次对省煤器设备模型的训练过程中，基于tensorflow2框架对GPU计算的支持，单次训练时间仅为17秒左右，经过13轮训练后损失值收敛在
Figure 513347DEST_PATH_IMAGE080
附近，最终完成省煤器预测模型的训练，训练过程如图3所示。
利用省煤器预测模型对验证集：
Figure 455896DEST_PATH_IMAGE081
进行数据预测，得到预测数据集：
Figure 893830DEST_PATH_IMAGE082
，将
Figure 376764DEST_PATH_IMAGE083
进行反归一化，并做差得到残差集：
Figure 849334DEST_PATH_IMAGE084
。对各特征残差进行分析，均近似服从均值为0的正太分布，因此本次训练的模型预测效果达到了预期。取
Figure DEST_PATH_IMAGE085
特定比例的置信区间边界和特定比例分位数中较大的值作为阈值上下限。某特征残差密度分布、分位数情况如图4所示。
四、利用预测模型对省煤器设备状态实时监测
获取省煤器设备相关实时数据，利用预测模型计算预测值，并根据残差阈值判断设备运行状态。为了更好说明本发明的效果，本实施例利用省煤器智能预警模型中对省煤器设备在2019年10月24日至2019年11月30日中产生的数据进行预测。通过分析结果可以看出，在设备正常运转时，模型对于各特征的预测能够紧密跟随实际值，如图5所示。当设备出现异常时，预警模型的预测值与实际值会出现较大偏离，在2019年11月12日，省煤器左侧入口烟温预测值与实际值逐渐产生偏离，如图6所示，经检修发现，该设备出现了泄露故障。

Claims (5)

1.一种基于多输入多输出卷积神经网络的设备智能预警方法，其组成包括：其特征是，包括如下步骤：
（1）选取设备相关历史数据，并进行预处理；
（2）构建多输入多输出卷积神经网络；
（3）利用经预处理后的设备相关历史数据对多输入多输出卷积神经网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值；
（4）获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。
2.根据权利要求1所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，其特征是：步骤（1）包括如下步骤：
步骤1.1：从实时数据库中抽取一段时间的历史数据，这些历史数据包括与设备相关的测点数据，以及能够反映整体工况的测点的数据；对上述数据进行筛选，确保所选数据为设备正常状态下的运行数据，并删除超限、无效数据；
步骤1.2：对步骤1.1 得到的数据进行变换、标准化，使数据满足多输入多输出卷积神经网络的输入输出维度要求，并消除数据量纲差异，最终得到训练数据集。
3.根据权利要求1和2所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，其特征是：步骤1.2具体过程为：
对于筛选后的m*n阶数据矩阵M（m：样本数量，n：测点个数，即特征数量），定位其中代表反映整体工况的特征（个数为1）的位置k，然后对矩阵M除k特征外的每一个特征进行处理，循环次数为n-1，第i次循环的特征处理过程具体为：
<1> 令
Figure 584927DEST_PATH_IMAGE001
，保存为
Figure 564384DEST_PATH_IMAGE002
，其中
Figure 344121DEST_PATH_IMAGE003
；
<2> 对
Figure 303112DEST_PATH_IMAGE004
数据进行标准化处理，消除各特征量纲，标准化处理后的矩阵保存为
Figure 117485DEST_PATH_IMAGE005
，标准化公式为：
Figure 2264DEST_PATH_IMAGE006
Figure 269297DEST_PATH_IMAGE007
将各特征均值、方差向量保存在数据结构
Figure 468197DEST_PATH_IMAGE008
中；
循环结束后构造出如下元组：
Figure 199393DEST_PATH_IMAGE009
将
Figure 192757DEST_PATH_IMAGE010
进行变换后得到训练数据矩阵：
Figure 9403DEST_PATH_IMAGE011
其中，m为筛选后数据样本数量，n为设备相关数据的特征数量；
然后，在将M中反映整体工况的特征数据删除，并按上述标准化公式进行标准化处理，消除各特征量纲，均值、方差保存在数据结构
Figure 746415DEST_PATH_IMAGE012
中，最终得到训练输出矩阵：
Figure 833582DEST_PATH_IMAGE013
。
4.根据权利要求1所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，其特征是:步骤（2）的具体过程为：
（1）构建一个卷积层，其输入为样本矩阵，卷积核个数为32，计算步长为1，padding为same，并采用relu函数激活；
（2）构建一个卷积层，其输入为第一个卷积层的输出，卷积核个数为64，计算步长为1，padding为same，并采用relu函数激活；
（3）构建一个size为2的池化层，其输入为第二个卷积层的输出；
（4）构建一个全连接层，具有32个神经元，其输入为池化层的输出，采用relu函数激活；
（5）构建一个输出层，输出节点个数为n-1，n为设备相关数据的特征数量，保存该网络为
Figure 263426DEST_PATH_IMAGE014
。
5.根据权利要求1或2或3或4所述的一种基于多输入多输出卷积神经网络的设备智能预警方法，其特征是：步骤（3）的具体过程为：
（1）将预处理后的数据集按特定比例拆分为训练集：
Figure 567369DEST_PATH_IMAGE015
、
Figure 842492DEST_PATH_IMAGE016
，验证集：
Figure 485963DEST_PATH_IMAGE017
、
Figure 883446DEST_PATH_IMAGE018
；
（2）按高斯分布随机初始化
Figure 612368DEST_PATH_IMAGE019
网络参数，设置损失函数为均方误差损失，设置初始学习率为0.001，并随训练轮次按指数下降，设置训练轮次为20轮，设置批量梯度下降的样本数量为2000；
（3）将训练集：
Figure 753499DEST_PATH_IMAGE020
、
Figure 251477DEST_PATH_IMAGE021
送入网络
Figure 586905DEST_PATH_IMAGE022
进行训练，得到预测模型
Figure 537544DEST_PATH_IMAGE023
;
（4）利用模型
Figure 482366DEST_PATH_IMAGE024
对验证集：
Figure 834850DEST_PATH_IMAGE025
进行数据预测，得到预测数据集：
Figure 777398DEST_PATH_IMAGE026
，将、
Figure 277650DEST_PATH_IMAGE027
按
Figure 698267DEST_PATH_IMAGE028
进行反归一化，并做差得到残差集：
Figure 233153DEST_PATH_IMAGE029
；
（5）取
Figure 346603DEST_PATH_IMAGE030
特定比例的置信区间边界和特定比例分位数中较大的值作为阈值上下限。
CN202011491711.5A 2020-12-16 2020-12-16 基于多输入多输出卷积神经网络的设备智能预警方法 Pending CN112580784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491711.5A CN112580784A (zh) 2020-12-16 2020-12-16 基于多输入多输出卷积神经网络的设备智能预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491711.5A CN112580784A (zh) 2020-12-16 2020-12-16 基于多输入多输出卷积神经网络的设备智能预警方法

Publications (1)

Publication Number Publication Date
CN112580784A true CN112580784A (zh) 2021-03-30

Family

ID=75135668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491711.5A Pending CN112580784A (zh) 2020-12-16 2020-12-16 基于多输入多输出卷积神经网络的设备智能预警方法

Country Status (1)

Country Link
CN (1) CN112580784A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469246A (zh) * 2021-06-30 2021-10-01 四川省分析测试服务中心 一种基于神经网络的仪器运行状态分析方法及系统
CN113805548A (zh) * 2021-09-18 2021-12-17 深圳市玄羽科技有限公司 一种机械加工智能控制系统、方法及计算机可读介质
CN114066089A (zh) * 2021-11-25 2022-02-18 中国工商银行股份有限公司 批量作业运行耗时区间确定方法及装置
CN114861880A (zh) * 2022-05-06 2022-08-05 清华大学 基于空洞卷积神经网络的工业设备故障预测方法及装置
CN115618273A (zh) * 2022-09-15 2023-01-17 哈尔滨工业大学 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统
CN116662307A (zh) * 2023-07-25 2023-08-29 苏州盈天地资讯科技有限公司 一种基于多源数据融合的智能预警方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN109492956A (zh) * 2019-01-08 2019-03-19 北京国电智深控制技术有限公司 一种火力发电机组的运行参数预警方法和装置
KR20190078705A (ko) * 2017-12-14 2019-07-05 (주)넷케이티아이 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법
CN110889448A (zh) * 2019-11-26 2020-03-17 北京华医共享医疗科技有限公司 一种基于卷积神经网络的心电分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
KR20190078705A (ko) * 2017-12-14 2019-07-05 (주)넷케이티아이 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법
CN109492956A (zh) * 2019-01-08 2019-03-19 北京国电智深控制技术有限公司 一种火力发电机组的运行参数预警方法和装置
CN110889448A (zh) * 2019-11-26 2020-03-17 北京华医共享医疗科技有限公司 一种基于卷积神经网络的心电分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王宏安 等: "基于深度学习的漏磁检测缺陷识别方法", 《石油机械》, 10 May 2020 (2020-05-10), pages 127 - 132 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469246A (zh) * 2021-06-30 2021-10-01 四川省分析测试服务中心 一种基于神经网络的仪器运行状态分析方法及系统
CN113805548A (zh) * 2021-09-18 2021-12-17 深圳市玄羽科技有限公司 一种机械加工智能控制系统、方法及计算机可读介质
CN114066089A (zh) * 2021-11-25 2022-02-18 中国工商银行股份有限公司 批量作业运行耗时区间确定方法及装置
CN114861880A (zh) * 2022-05-06 2022-08-05 清华大学 基于空洞卷积神经网络的工业设备故障预测方法及装置
CN114861880B (zh) * 2022-05-06 2024-04-12 清华大学 基于空洞卷积神经网络的工业设备故障预测方法及装置
CN115618273A (zh) * 2022-09-15 2023-01-17 哈尔滨工业大学 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统
CN116662307A (zh) * 2023-07-25 2023-08-29 苏州盈天地资讯科技有限公司 一种基于多源数据融合的智能预警方法、系统及设备

Similar Documents

Publication Publication Date Title
CN112580784A (zh) 基于多输入多输出卷积神经网络的设备智能预警方法
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN112580798A (zh) 基于多输入多输出ResNet的设备智能预警方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN109784692B (zh) 一种基于深度学习的快速安全约束经济调度方法
US11860608B2 (en) Industrial equipment operation, maintenance and optimization method and system based on complex network model
US11144683B2 (en) Real-time adaptation of system high fidelity model in feature space
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
CN118364286A (zh) 一种基于小波分解和多头外部注意力机制的轻量级云服务器负载预测方法
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
CN116702839A (zh) 一种基于卷积神经网络的模型训练方法及应用系统
CN117216640A (zh) 一种电力时序数据异常检测方法
Wu et al. Custom machine learning architectures: towards realtime anomaly detection for flight testing
US11531907B2 (en) Automated control of a manufacturing process
CN115712874A (zh) 基于时间序列特征的热能动力系统故障诊断方法及装置
US20240103920A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
CN110739030B (zh) 一种乙烯生产过程小样本的软测量方法
Teslyuk et al. Synthesis of Neurocontroller for Intellectualization Tasks of Process Control Systems
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法
CN118171502B (zh) 基于Transformer聚丙烯腈原丝工艺仿真方法
CN118228735B (zh) 水务数据采集方法及系统
CN118821021A (zh) 一种基于深度学习的电力骨干通信网络故障预测方法及系统

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