CN112633331A - 一种基于自编码器的火电厂辅机健康状态评估方法 - Google Patents
一种基于自编码器的火电厂辅机健康状态评估方法 Download PDFInfo
- Publication number
- CN112633331A CN112633331A CN202011439021.5A CN202011439021A CN112633331A CN 112633331 A CN112633331 A CN 112633331A CN 202011439021 A CN202011439021 A CN 202011439021A CN 112633331 A CN112633331 A CN 112633331A
- Authority
- CN
- China
- Prior art keywords
- self
- layer
- encoder
- power plant
- thermal power
- 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
- 230000036541 health Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000002569 neuron Anatomy 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000012847 principal component analysis method Methods 0.000 abstract description 7
- 239000002002 slurry Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 238000010220 Pearson correlation analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。
Description
技术领域
本发明涉及测量建模技术领域，特别是一种基于自编码器的火电厂辅机健康状态评估方 法。
背景技术
火电厂系统极为复杂，锅炉、汽轮机等主机设备可靠性较高，导致机组非计划性停机的 往往是辅机设备。辅机设备往往是火电厂设备检测的薄弱环节，辅机健康状态评估缺乏有效 的监测手段，保证辅机设备安全运行，对辅机实施健康状态评估和提高机组运行安全性和经 济型有着重要的现实意义。因而，保证火电厂辅机设备安全稳定运行，需要在辅机健康状态 评估上进行更加深入的研究。
自编码器是一种较为复杂的建模技术，可以针对数据包含的非线性关系进行建模，确保 深层有效信息挖掘和重构的最大化。传统的火电厂辅机设备建模是通过监测温度、振动等单 一参数，针对单一参数根据经验设置阈值，当监测参数超过所设阈值，相关辅机设备就会报 警等待检修。自编码器能够挖掘不同信号间的相关性，根据不同信号间的内在联系进行建模， 避免单一信号的异常波动造成监测系统对辅机设备运行状态的误判。
发明内容
本发明提供了一种基于自编码器的火电厂辅机健康状态评估方法，可以实时在线监测和 评估火电厂辅机运行健康状态，能满足工程应用的需要。
本发明采用的技术方案如下：
一种基于自编码器的火电厂辅机健康状态评估方法，包括以下步骤：
第一步：通过Pearson相关系数的关联性分析对辅机多维历史特征进行筛选；
第二步：通过主成分分析计算筛选后的所述多维历史特征，并根据累计方差贡献率，计 算出主成分分析主元数目K；
第三步：根据所述主成分分析主元数目K构建自编码模型，根据自编码模型重构数据与 原始数据的误差限，实现对火电厂辅机运行状态进行实时健康状态评估。
所述第三步中，根据第二步中得出的主成分分析主元数目K，确定自编码模型隐藏层个 数为K，构建自编码模型，其具体方法为：
(1)L-1层与L层神经网络之间的模型权重为WL，其数学表达式为：
式中：
为L-1层神经元j到L层神经元i的连接权重，其中NL-1为L-1层神经元数目， NL为L层神经元数目，i＝1，2，...，NL，j＝1，2，...NL-1；
(2)L-1层与L层神经网络之间的模型偏置为bL，其数学表达式为：
式中：
为L层神经元i的连接偏置，其中NL为L层神经元数目，i＝1，2，...，NL；
(3)确定N层神经元参数ZL的数学表达式为：
ZL＝σ(WL*ZL-1+bL)
式中：WL为L-1层与L层神经网络之间的模型权重，ZL-1为N-1层神经元参数，bL为L层神经元的连接偏置，σ为激活函数；
(4)确定自编码器隐藏层神经元数目为主成分分析满足95％累计方差贡献率的主元数目 K；
(5)输入筛除特征后的历史数据，构建自编码模型；所述自编码模型是一种无监督学习 方法，包括编码阶段和解码阶段，编码阶段通过逐层减少神经网络神经元个数，实现对有效 信息的低维压缩，解码阶段通过逐层增加神经元个数，以实现对输入信息的重构，且结构对 称，所述编码阶段和所述解码阶段的隐层数量一致。目的就是希望解码器重构的信号能够与 输入编码器的信号误差尽量接近，以使自编码器能够对输入信号实现重构。
所述第三步中，根据所述自编码模型重构数据与输入数据之间需要确定误差限，特征异 常误差限及报警误差限确定规则为：
其中：εi为历史数据第i特征重构偏差最大值，
为第i特征异常误差限，
为第i特征报警 误差限。
所述第三步中，计算实时输入数据与重构数据间的差值与误差限的比较，所有特征重构 误差均小于对应异常误差限，设备评估为健康状态；存在特征重构误差大于对应异常误差线， 不存在特征重构误差大于对应报警误差限，设备评估为异常状态；存在特征重构误差大于对 应报警误差限，设备评估为报警状态，由此实现对火电厂辅机健康状态的评估。
所述第一步中，Pearson相关系数的关联性分析的是计算多元历史数据中所有变量的样 本均值，然后通过样本均值计算所有样本的样本方差，最后计算所有历史数据两两特征之间 的协方差，最终计算出两两特征间的Pearson相关系数，删除与特征Pearson相关系数均小 于设定值的特征。
所述设定值为0.7。
所述第二步中，主成分分析通过对多维历史特征进行分析，计算出能刻画全部变量特性 的少数线性组合的主成分，计算出超过95％累计方差贡献率的主成分分析主元数目K。
本发明的有益效果如下：
本发明能针对故障数据缺乏、部分辅机机组振动数据不足的健康状态建立异常检测模型； 对于火电厂辅机机组运行状态实时评估准确、效果较好。具有计算速度快、实时性好的特点。
本发明基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分 析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主 成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后， 将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的 累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据 误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时 性高的特点，能有效地应用于火电厂辅机健康状态评估。
本发明采用的自编码器是一种典型的无监督学习方法，能够根据大量无标签数据建模， 挖掘数据深层信息，适合于数据量大的场合。自编码器隐层采用主成分分析方法保留95％累 计方差贡献率的主元个数，能够保证挖掘到不少于主成分分析方法的深层信息，又避免只能 挖掘主成分分析方法降维得到的线性成分造成有效信息的丢失。
附图说明
图1是应用本发明进行评估的实施例中#7炉循环泵C轴承温度数据。
图2是应用本发明进行评估实施例中某台设备Pearson相关性分析结果。
图3是应用本发明进行评估的实施例中主成分分析后重构的两列特征。
图4是应用本发明进行评估的实施例中模型训练过程中的迭代误差。
图5是应用本发明进行评估的实施例中#7C浆液循环泵温度原始数据及重构结果。
图6是应用本发明进行评估的实施例中#7C浆液循环泵温度重构误差。
图7是应用本发明进行评估的实施例中#7C浆液循环泵轴承温度评估结果。
图8是应用本发明进行评估的实施例中#7C浆液循环泵正常状态下温度重构结果与误差。
图9是应用本发明进行评估的实施例中#7A引风机评估结果统计。
图10是应用本发明进行评估的实施例中#7C浆液循环泵评估结果统计。
图11是本发明的流程图。
图12是本发明自编码器示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图11所示，本实施例的一种基于自编码器的火电厂辅机健康状态评估方法，包括以下 流程：
第一步：通过Pearson相关系数的关联性分析对辅机多维历史特征进行筛选；
Pearson相关系数的关联性分析的是计算多元历史数据中所有变量的样本均值，然后通 过样本均值计算所有样本的样本方差，最后计算所有历史数据两两特征之间的协方差，最终 计算出两两特征间的Pearson相关系数，删除与特征Pearson相关系数均小于设定值的特征， 具体地，设定值为0.7，其构造样本特征均值的数学表达式为：
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，E(Xi)代表样本第i个特征的样 本均值。
通过上式特征数据样本特征均值的计算，计算样本特征的标准差，样本特征标准差的数 学表达式为：
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，E(Xi)代表样本第i个特征的样 本均值，E(Xi 2)代表样本第i个特征的样本平方均值，
代表样本第i个特征的标准差。
根据上述计算获得的历史数据特征的样本特征均值和样本特征标准差，计算两两特征之 间的协方差，样本特征协方差的数据表达式如下：
cov(Xi，Xj)＝E((Xi-E(Xi))(Xj-E(Xj)))＝E(Xi*Xj)-E(Xi)*E(Xj)， i，j＝1，2，..，N
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，Xj代表样本第j个特征的特征 值，E(Xi)代表样本第i个特征的样本均值，E(Xj)代表样本第j个特征的样本均值，cov(Xi，Xj)代 表样本第i个特征和样本第j个特征间的样本协方差。
根据上述计算获得的历史数据特征的样本特征标准差和样本特征协方差，计算两两特征 之间的Pearson相关系数，Pearson相关系数的数学表达式为：
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，Xj代表样本第j个特征的特征 值，
代表样本第i个特征的标准差，
代表样本第j个特征的标准差，
代表样本第i个特 征和样本第j个特征的Pearson相关系数。
第二步：主成分分析通过对多维历史特征进行分析，计算出能刻画全部变量特性的少数 线性组合的主成分，计算出超过95％累计方差贡献率的主成分个数K，其具体计算流程为：
(1)计算所有样本特征的特征均值、特征标准差和特征协方差，其数学表达式为：
其中：N代表样本特征数，Xi代表样本第i个特征的特征值，E(Xi)代表样本第i个特征的样 本均值。
(2)通过上述特征数据样本特征均值的计算，计算样本特征的标准差，样本特征标准差 的数学表达式为：
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，E(Xi)代表样本第i个特征的样 本均值，E(Xi 2)代表样本第i个特征的样本平方均值，
代表样本第i个特征的标准差。
(3)根据上述计算获得的历史数据特征的样本特征均值和样本特征标准差，计算两两特 征之间的协方差，样本特征协方差的数学表达式为：
cov(Xi，Xj)＝E((Xi-E(Xi))(Xj-E(Xj)))＝E(Xi*Xj)-E(Xi)*E(Xj)， i，j＝1，2，..，N
式中：N代表样本特征数，Xi代表样本第i个特征的特征值，Xj代表样本第j个特征的特征 值，E(Xi)代表样本第i个特征的样本均值，E(Xj)代表样本第j个特征的样本均值，cov(Xi，Xj)代 表样本第i个特征和样本第j个特征间的样本协方差。
(4)根据上述计算获得的历史数据的样本协方差，获得样本协方差阵C，样本协方差阵 的数学表达式为：
式中：N代表样本特征数，cov(Xi，Xj)代表样本第i个特征和样本第j个特征间的样本协方 差，i，j＝1，2，...，N，C代表样本协方差阵。
(5)根据上述计算获得的样本协方差阵，计算样本协方差阵的特征值及归一化的特征向 量，根据特征值从大到小排序，将特征值记为λ1，λ2，...，λN，对应的归一化后的特征向量记为 c1，c2，...，cN。
(6)根据特征值大小排序获得的特征值，计算使得累计方差贡献率τ达到95％的最小主 成分个数K，计算前k累计方差贡献率的数学表达式为：
式中：N代表样本特征数，λi代表第i个特征值，λj代表第j个特征值，τk代表前k累计方差 贡献率。
第三步：根据主成分分析计算得到的满足95％累计方差贡献率的主元个数K，确定自编 码模型隐藏层个数为K，构建自编码模型，其具体方法为：
(1)L-1层与L层神经网络之间的模型权重为WL，其数学表达式为：
式中：
为L-1层神经元j到L层神经元i的连接权重，其中NL-1为L-1层神经元数目， NL为L层神经元数目，i＝1，2，...，NL，j＝1，2，...NL-1；
(2)L-1层与L层神经网络之间的模型偏置为bL，其数学表达式为：
式中：
为L层神经元i的连接偏置，其中NL为L层神经元数目，i＝1，2，...，NL；
(3)确定N层神经元参数ZL的数学表达式为：
ZL＝σ(WL*ZL-1+bL)
式中：WL为L-1层与L层神经网络之间的模型权重，ZL-1为N-1层神经元参数，bL为L层神经元的连接偏置，σ为激活函数；
(4)确定自编码器隐藏层神经元数目为主成分分析满足95％累计方差贡献率的主元个数 K；
(5)输入筛除特征后的历史数据，构建自编码模型。自编码器是一种无监督学习方法， 包括编码阶段和解码阶段，且结构对称，一般编码阶段和解码阶段的隐层数量一致，目的就 是希望解码器重构的信号能够与输入编码器的信号误差尽量接近，以使自编码器能够对网络 信号实现重构。自编码建模网络结构如图12所示。自编码器是一种较为复杂的建模技术，可 以针对数据包含的非线性关系进行建模，确保深层有效信息挖掘和重构的最大化。
根据历史数据构建的自编码模型重构数据与输入数据之间需要确定误差限，特征异常误 差限及报警误差限确定规则为：
式中：εi为历史数据第i特征重构偏差最大值，
为第i特征异常误差限，
为第i特征报警 误差限。
计算实时输入数据与重构数据间的差值与误差限的比较，所有特征重构误差均小于对应 异常误差限，设备评估为健康状态；存在特征重构误差大于对应异常误差线，不存在特征重 构误差大于对应报警误差限，设备评估为异常状态；存在特征重构误差大于对应报警误差限， 设备评估为报警状态，由此实现对火电厂辅机健康状态的评估。
最后，通过数据对本模型进行训练、验证和评估。
本实施例的自编码模型训练具体实验过程如下：
实验训练及测试数据为某电厂辅机轴承温度、轴承振动、电机电流等设备运行参数，包 含监测数据的设备为一次风机、送风机、浆液循环泵等共12台辅机设备，数据时间为2018 年1月至2019年1月，图1为其中一台浆液循环泵2018年1月至2019年1月运行时监测轴承温度。
通过对每台辅机设备的多个特征参数单独进行Pearson相关性分析，剔除与其它特征参 数Pearson相关系数均小于设定值0.7的参数，保留其余特征。
图2为某台设备进行Pearson相关性分析的结果，其中“3AI0：73221101.PNT”特征与其 余特征参数相关性均小于0.7，表明其与其余特征参数关联性较差，故将该特征剔除。
每台设备经过Pearson相关性分析后，保留的特征参数再进行主成分分析，计算输入数 据的协方差矩阵及对应特征值和特征变量，通过特征值计算使得累计方差贡献率达到95％的 最小主元个数K。图3为主成分分析后重构的两列特征，其能保证重构数据仍然保留原数据特 征值95％以上的方差。
训练与测试数据主要为轴承温度、轴承振动、电机电流等设备运行参数。为便于模型的 评估，取2018年1月份的数据为训练集训练得到各设备健康状态下的自编码网络，然后以 2018年1至2019年1月的数据为测试集验证模型的准确性与有效性。图4给出了模型训练 过程中误差均方根的变化曲线。由图4可知，随着迭代次数的增加，模型的误差均方根不断 降低并趋于零，即自编码模型能较准确的重构出训练样本。
通过对2018年1月份的数据进行自编码建模，计算得出所有自编码参数重构的参数经验 阈值。根据参数类别将其统一为振动烈度、温度和电流，参数经验阈值、参数异常阈值和参 数报警阈值选取如表1所示。其中参数经验阈值为训练数据重构最大误差，参数异常阈值等 于参数经验阈值，参数报警阈值选取为参数经验阈值的1.5倍。
表1
本实施例的故障数据分析结果如下：
#7C浆液循环泵于2018年10月10日发现电机非驱动端轴承温度异常升高，停机检查后 发现电机非驱动端轴承保持架断裂。图5给出了电机线圈温度和电机非驱动端轴承温度的模 型重构结果。由图5可知，轴承温度于10月10日11时15分左右开始上升，于11时28分上升至120℃左右后该机组停机检查。图6给出了电机线圈温度和电机非驱动端温度的重构误差。本研究建立的自编码模型根据状态参数的重构误差评估设备的实时状态与其健康状态 的偏离程度，由图6可知，设备健康状态下，线圈温度和轴承温度的重构误差相对较小；轴 承发生故障后，由于数据间的相互关系发生变化，设备健康状态下建立的参数重构模型在故 障状态下误差相对较大，因此轴承温度的实测值与模型重构值存在一定的差异。
根据表1中的参数异常/报警阈值，图7给出了#7C浆液循环泵轴承温度的评估结果。由 图7可知，自编码模型于11时18分发出“异常”，11时21分发出“报警”，即该模型能有效识别出设备健康状态的变化并及时发出预警信息。
图7中结果还表明，设备健康状态下，即轴承尚未发生故障时，自编码模型也多次发出 异常/报警信息；由图6中结果可知，轴承温度的重构误差也明显大于电机线圈温度。为进一 步说明该问题，图8给出了10月3日(#7C浆液泵尚为发现异常)电机线圈温度和电机非驱 动端轴承温度的重构结果。由图8可知，线圈温度与轴承温度均在短时间内发生了较大的变 化，结合电机电流及设备的运行特性分析，该工况为浆液循环泵的启动工况。由于设备在启 动过程中状态参数尚未达到正常运行时的稳定值，因此该工况下模型的重构误差也相对较大。
本实施例的设备状态评估结果如下：
表2给出了各机组2018年状态评估异常/报警次数统计，图9-图10给出了各设备状态 评估异常/报警的变化趋势。统计结果表明，浆液循环泵的状态异常与报警次数相对较多；结 合设备的运行特性可知，浆液循环泵在运行过程中启停较频繁，这在一定程度上会加速设备 关键零部件如滚动轴承的退化。因此，自编码模型对设备状态评估的异常/报警次数也在一定 程度上反映了设备的退化趋势与退化状态。
表2
Claims (7)
1.一种基于自编码器的火电厂辅机健康状态评估方法，其特征在于，包括以下步骤：
第一步：通过Pearson相关系数的关联性分析对辅机多维历史特征进行筛选；
第二步：通过主成分分析计算筛选后的所述多维历史特征，并根据累计方差贡献率，计算出主成分分析主元数目K；
第三步：根据所述主成分分析主元数目K构建自编码模型，根据自编码模型重构数据与原始数据的误差限，实现对火电厂辅机运行状态进行实时健康状态评估。
2.根据权利要求1所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第三步中，根据第二步中得出的主成分分析主元数目K，确定自编码模型隐藏层个数为K，构建自编码模型，其具体方法为：
(1)L-1层与L层神经网络之间的模型权重为WL，其数学表达式为：
式中：
为L-1层神经元j到L层神经元i的连接权重，其中NL-1为L-1层神经元数目，NL为L层神经元数目，i＝1，2，...，NL，j＝1，2，...NL-1；
(2)L-1层与L层神经网络之间的模型偏置为bL，其数学表达式为：
式中：
为L层神经元i的连接偏置，其中NL为L层神经元数目，i＝1，2，...，NL；
(3)确定N层神经元参数ZL的数学表达式为：
ZL＝σ(WL*ZL-1+bL)
式中：WL为L-1层与L层神经网络之间的模型权重，ZL-1为N-1层神经元参数，bL为L层神经元的连接偏置，σ为激活函数；
(4)确定自编码器隐藏层神经元数目为主成分分析满足95％累计方差贡献率的主元数目K；
(5)输入筛除特征后的历史数据，构建自编码模型；所述自编码模型包括编码阶段和解码阶段，编码阶段通过逐层减少神经网络神经元个数，实现对有效信息的低维压缩，解码阶段通过逐层增加神经元个数，以实现对输入信息的重构，且结构对称，所述编码阶段和所述解码阶段的隐层数量一致。
3.根据权利要求2所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第三步中，根据所述自编码模型重构数据与输入数据之间需要确定误差限，特征异常误差限及报警误差限确定规则为：
其中：εi为历史数据第i特征重构偏差最大值，
为第i特征异常误差限，
为第i特征报警误差限。
4.根据权利要求3所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第三步中，计算实时输入数据与重构数据间的差值与误差限的比较，所有特征重构误差均小于对应异常误差限，设备评估为健康状态；存在特征重构误差大于对应异常误差线，不存在特征重构误差大于对应报警误差限，设备评估为异常状态；存在特征重构误差大于对应报警误差限，设备评估为报警状态，由此实现对火电厂辅机健康状态的评估。
5.根据权利要求1所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第一步中，Pearson相关系数的关联性分析的是计算多元历史数据中所有变量的样本均值，然后通过样本均值计算所有样本的样本方差，最后计算所有历史数据两两特征之间的协方差，最终计算出两两特征间的Pearson相关系数，删除与特征Pearson相关系数均小于设定值的特征。
6.根据权利要求5所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第二步中，主成分分析通过对多维历史特征进行分析，计算出能刻画全部变量特性的少数线性组合的主成分，计算出超过95％累计方差贡献率的主成分分析主元数目K。
7.根据权利要求5所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述设定值为0.7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439021.5A CN112633331A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439021.5A CN112633331A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633331A true CN112633331A (zh) | 2021-04-09 |
Family
ID=75309121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011439021.5A Pending CN112633331A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自编码器的火电厂辅机健康状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633331A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114167730A (zh) * | 2021-12-09 | 2022-03-11 | 哈电发电设备国家工程研究中心有限公司 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
| CN115046764A (zh) * | 2022-05-05 | 2022-09-13 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN110263767A (zh) * | 2019-07-12 | 2019-09-20 | 南京工业大学 | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 |
| CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
-
2020
- 2020-12-07 CN CN202011439021.5A patent/CN112633331A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN110263767A (zh) * | 2019-07-12 | 2019-09-20 | 南京工业大学 | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 |
| CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 薛嫣等: "基于熵特征和堆叠稀疏自编码器的滚动轴承故障诊断方法", 《工业控制计算机》, 25 October 2020 (2020-10-25), pages 44 - 46 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114167730A (zh) * | 2021-12-09 | 2022-03-11 | 哈电发电设备国家工程研究中心有限公司 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
| CN114167730B (zh) * | 2021-12-09 | 2024-05-03 | 哈电发电设备国家工程研究中心有限公司 | 一种火电机组送风机整体健康状态评价方法、计算机及存储介质 |
| CN115046764A (zh) * | 2022-05-05 | 2022-09-13 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
| CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
| CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
| CN112633331A (zh) | 一种基于自编码器的火电厂辅机健康状态评估方法 | |
| CN113657622B (zh) | 电力设备多维状态数据融合方法、装置、终端及存储介质 | |
| CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
| CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN115730191A (zh) | 一种基于注意力机制的磨煤机故障预警方法 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| Yan et al. | Investigations on generalized Hjorth's parameters for machine performance degradation assessment | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| Loboda et al. | Polynomials and neural networks for gas turbine monitoring: a comparative study | |
| Nadir et al. | Diagnosis of defects by principal component analysis of a gas turbine | |
| CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
| CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| Kim et al. | Anomaly Detection of an Air Compressor from Time-series Measurement Data | |
| CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
| Muhammad et al. | Fault diagnostic model for rotating machinery based on principal component analysis and neural network | |
| Bachir et al. | Application of principal component analysis approach in gas turbine defect diagnosis |
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 |