CN112731890A - 一种电厂设备故障的检测方法和装置 - Google Patents
一种电厂设备故障的检测方法和装置 Download PDFInfo
- Publication number
- CN112731890A CN112731890A CN202110070884.8A CN202110070884A CN112731890A CN 112731890 A CN112731890 A CN 112731890A CN 202110070884 A CN202110070884 A CN 202110070884A CN 112731890 A CN112731890 A CN 112731890A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- preset
- determining
- coupling
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 115
- 238000010168 coupling process Methods 0.000 claims abstract description 115
- 238000005859 coupling reaction Methods 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 239000010687 lubricating oil Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电厂设备故障的检测方法及装置,所述方法包括:基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;基于Apr i or i算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;根据所述关联规则生成故障预测模型;将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果,从而准确的对电厂远源关联性故障进行检测,提高了电厂设备的可靠性。
Description
技术领域
本申请涉及电厂检测领域,更具体地,涉及一种电厂设备故障的检测方法和装置。
背景技术
传统的电厂设备故障主要依靠人工巡检来发现,检修普遍采用计划性检修和定期预防性检修,无法对系统设备故障进行预测。随着计算机技术和网络技术的发展,现代电厂已经基本实现了电站状态信息化和控制自动化,系统设备的故障可由DCS系统进行报警并及时对故障设备进行切换,并通过数据库技术对设备的相关数据进行记录保存,虽然仍无法对故障进行提前预测,但随着数据的积累,逐渐形成了海量的、多样化的机组状态信息数据,可以多维、全面地反映机组或设备状态。
近几年,随着数据挖掘技术、大数据技术和人工智能技术的发展应用,逐渐形成了一些基于电厂单一设备对象或孤立系统运行数据的设备故障预测方法。当前电厂存在多系统多参量耦合情况,包括多种远源参量,因此会存在一些远源关联性故障,如轴冷器结垢后轴冷水温度高引起引风机润滑油温高导致引风机轴承温度高故障跳闸,仅从单从一方面对设备进行故障诊断与状态评估已无法满足现代化智慧电厂的要求。
因此,如何准确的对电厂远源关联性故障进行检测,提高电厂设备的可靠性,是目前有待解决的技术问题。
发明内容
本发明公开了一种电厂设备故障的检测方法,用于解决现有技术中无法准确的对电厂远源关联性故障进行检测的技术问题,所述方法包括:
基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;
基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;
根据所述关联规则生成故障预测模型;
将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果;
其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。
一些实施例中,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则,具体为:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
一些实施例中,根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度,具体为:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
一些实施例中,根据所述频繁项集列表确定所述关联规则,具体为:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
一些实施例中,所述故障预测模型为LSTM模型,根据所述关联规则生成故障预测模型,具体为:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
相应的,本发明还公开了一种电厂设备故障的检测装置,所述装置包括:
获取模块,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;
分析模块,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;
生成模块,根据所述关联规则生成故障预测模型;
处理模块,将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果;
其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。
一些实施例中,所述分析模块具体用于:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
一些实施例中,所述分析模块具体还用于:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
一些实施例中,所述分析模块具体还用于:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
一些实施例中,所述故障预测模型为LSTM模型,所生成模块具体用于:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
与现有技术对比,本发明具备以下有益效果:
本发明公开了一种电厂设备故障的检测方法及装置,所述方法包括,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;根据所述关联规则生成故障预测模型;将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果,其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系,从而准确的对电厂远源关联性故障进行检测,提高了电厂设备的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种电厂设备故障的检测方法的流程示意图;
图2示出了本发明另一实施例提出的一种电厂设备故障的检测方法的流程示意图;
图3示出了本发明实施例中远源故障建模及预测原理图;
图4示出了本发明另一实施例提出的一种LSTM模型结构图;
图5示出了本发明实施例提出的一种电厂设备故障的检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
如图1所示本发明实施例提出的一种电厂设备故障的检测方法的流程示意图,所述方法包括:
S101,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据。
本步骤中,OPC(OLE for Process Control,应用于过程控制的OLE)协议,即OPC通信协议,是为了解决应用软件与各种设备驱动程序的通信而产生的一项工业技术规范和标准,OLE(ObjeCt Linking and Embedding,对象连接与嵌入),简称OLE技术,它可以把文字、声音、图像、表格、应用程序等组合在一起。根据OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据,该预设数据库可以根据实际情况进行设置,可选的,该预设数据库可以是电厂历史数据库或SIS(Supervisory Information System,厂级监控信息系统)数据库。其中,该故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,该预设时长可以根据需要进行设置,例如可以设置预设时长为12小时。该预设设备和该预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。可选的,该预设设备和预设参量包括:通过DCS系统和SIS系统分析得到的与故障设备有直接关联的设备和参量、与故障设备有间接耦合的设备和参量、与故障设备有耦合可能的设备及参量。
可选的,故障数据为个数为N的数据集A:
A={A1,A2,A3,…,An}
A1~An分别为其中某次故障的预设时长多维参量数据矩阵:
耦合数据为M个耦合设备或参量的个数为N的数据集B:
S102,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则。
本步骤中,在获得故障数据和耦合数据后,根据Apriori(关联规则算法)算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则。
为了准确的确定关联规则,在一些实施例中,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则,具体为:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
具体的,先根据故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录的关系确定各所述耦合数据记录的支持度,然后将支持度大于预设支持度的耦合数据记录保留,并生成包括多个频繁项集的频繁项集列表,该预设支持度可以通过实验获得,最后根据该频繁项集列表确定故障数据和耦合数据的关联规则。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则的方式均属于本申请的保护范围。
为了准确确定各所述耦合数据记录的支持度,在一些实施例中,根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度,具体为:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
具体的,根据依次抽取的各个故障数据记录确定多个当前故障数据记录,然后根据Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数,即确定每一个当前故障数据记录分别与各个耦合数据记录的相关系数,该Person相关系数是在两组数据协方差的基础上除以了两个变量的标准差,得到一个介于-1和1之间的值,结果越接近-1或者1,说明关联性越强,将绝对值大于预设值的相关系数作为目标相关系数,该预设值可以根据需要进行设置,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。例如当有5条耦合数据记录对应的相关系数为目标相关系数,则将该耦合数据记录的支持度为5。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度的方式均属于本申请的保护范围,可选的,可以根据样本熵来确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数,该样本熵是一种新的时间序列复杂性的度量方法。
为了准确的确定关联规则,在一些实施例中,根据所述频繁项集列表确定所述关联规则,具体为:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
具体的,在得到频繁项集后,先确定该频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度,然后确定频繁项集中故障数据记录出现时的第二支持度,根据该第一支持度与该第二支持度的比值确定可信度,根据所述可信度大于预设可信度值的频繁项集确定故障数据和耦合数据的关联规则,该预设可信度值可以根据需要进行设置,该预设可信度值的大小决定了最终关联规则的多少。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据所述频繁项集列表确定所述关联规则的方式均属于本申请的保护范围。
S103,根据所述关联规则生成故障预测模型。
本步骤中,在得到故障数据和耦合数据的关联规则后,根据该关联规则生成故障预测模型。
为了准确生成故障预测模型,在一些实施例中,所述故障预测模型为LSTM模型,根据所述关联规则生成故障预测模型,具体为:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
具体的,先根据关联规则涉及的机组参量合成远源故障特征向量,该远源故障特征向量具体可以为所述关联规则涉及的前后设备参数组成的滑窗矩阵函数,然后根据该远源故障特征向量生成所述故障预测模型。该故障预测模型为LSTM(Long Short-TermMemory,长短期记忆网络)模型,LSTM网络中的神经元cell的结构包括细胞状态Ct、遗忘门ft、输入门it和输出门ot,在整个循环周期内定义和维护一个内部记忆单元状态,即细胞状态Ct;通过遗忘门ft、输入门it和输出门ot三个门结构对细胞状态更新,神经元Cell中每个时刻不同门gate的计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中ft、it、ot、Ct、分别表示遗忘门、输入门、输出门、记忆细胞的输出、输入的候选状态,Wf、Wi、WC、Wo分别表示对应的权值矩阵bf、bi、bC、bo分别表示对应的偏置因子,σ、tanh分别表示sigmoid和双曲正切激活函数。
可选的,在网络不断训练的过程中采用的时间反向传播算法,首先按照输入的时间序列,不断计算每个时刻的误差,计算完成后将该误差项传向上一层,对比每层神经元的输出和真实标签,重新更新每个权重的梯度。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据所述关联规则生成故障预测模型的方式均属于本申请的保护范围。
S104,将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果。
本步骤中,将上述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入上述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果。
本发明公开了一种电厂设备故障的检测方法,所述方法包括,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;根据所述关联规则生成故障预测模型;将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果,其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系,从而准确的对电厂远源关联性故障进行检测,提高了电厂设备的可靠性。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
如图3所示为本发明实施例中远源故障建模及预测原理图,本实施例提出了的一种电厂设备故障的检测方法,如图2所示,所述方法包括:
S201,基于OPC协议获取故障设备故障时刻前预设时长内的故障数据。
具体的,根据OPC协议从预设数据库中获取故障设备故障时刻前预设时长到故障时刻的故障数据,以轴冷器结垢轴冷水温度高引起引风机润滑油温高导致引风机轴承温度高故障跳闸的实例来说明,基于OPC协议从SIS历史数据库中提取引风机故障前预设时长内(12小时内)的电流、转速、振动、轴承温度等在内的多维数据,形成故障数据集A。
S202,基于OPC协议获取故障设备故障时刻前预设时长内的耦合数据。
具体的,根据OPC协议从预设数据库中获取故障设备故障时刻前预设时长到故障时刻的耦合数据,该耦合数据是与故障设备存在耦合可能的设备和参量的运行数据。基于DCS系统和SIS系统,分析得到与引风机有直接关联的设备和参量,如炉膛负压、引风机转速、引风机电流、振动、总风量、引风机出入口压力等;得到与引风机有间接耦合的设备和参量,如空预器差压、排烟温度、环境温度、润滑油温、总煤量等;得到与引风机有耦合可能的设备及参量,如轴冷水温度、轴冷水压力、吸收塔差压等;基于OPC协议从SIS历史数据库中提取上述存在耦合关系和耦合可能的设备和参量的多维数据,如引风机转速、引风机电流、排烟温度、润滑油温、润滑油压力;轴冷器的出口压力和温度等,形成耦合数据集B。
S203,通过Apriori算法对故障数据和耦合数据进行关联关系分析,获得远源故障频繁项集和关联规则。
具体的,在获得故障数据A和耦合数据B后,通过Apriori算法对故障数据和耦合数据进行关联关系分析,获得远源故障频繁项集和关联规则。例如在具体实例中,先抽取引风机故障数据集A中的引风机轴承温度数据,对耦合数据集B中的每条数据记录进行逐一抽取,抽取后采用Person相关系数检测其与引风机电流数据的相关性,Person相关系数是在两组数据协方差的基础上除以了两个变量的标准差,得到一个介于-1和1之间的值,结果越接近-1或者1,说明关联性越强,具体公式如下:
如果结果的绝对值大于预设值,则记为相关,增加该条数据的计数值,记为该条数据的支持度,最终选取所有数据支持度大于预设值的数据记录构成频繁项集列表T,频繁项集列表T的具体生成方法如下:
对故障数据的数据集A中的每条数据记录Trans;
对耦合数据的数据集B中的每条数据记录Tar:
检测一下Tar和Trans的相关性,可选的,具体方法可用Person相关系数或样本熵等方法进行:
如果存在相关性,则增加Tar的计数值,并记为支持度;
对每个耦合数据中的记录:如果其支持度不低于预设支持度,则保留该相关性记录;返回所有频繁项集列表。
当保留记录的集合中项个数大于0时,构建一个有k项组成的候选项集列表;检查每条记录以确认每个项集都是频繁的;保留频繁项集并构建k+1项组成的候选项集列表……(直至过滤完成)。
对故障数据集A中的其他参数数据进行上述相同的操作,返回对应的频繁项集列表;
进一步计算其可信度C,即引风机轴承温度波动和某参数波动同时出现的支持度计数除以引风机轴承温度波动的支持度计数,当可信度C大于某一预设可信度值C’时,即记录为关联规则。C’的大小决定了最终关联规则的多少。
对于每一条故障数据记录P和耦合数据记录Q,若其远源相关性成立,则可记录为P→Q或Q→P的关联规则;通过前述支持度进行量化处理,记为可信度C:
C=Support(P|Q)/Support(P)
式中,Support为支持度,Support(P|Q)表示故障数据记录P和耦合数据记录Q同时出现的支持度计数,Support(P)表示的故障数据记录P的支持度计数。
通过上述算法运算后,可以得到一条远源故障关联规则,即轴冷器结垢导致轴冷水温度、润滑油温参数的变化进而引起引风机轴承温度高。
S204,根据关联规则涉及的机组参量合成设备故障特征向量并构建故障预测模型。
具体的,在得到故障数据和耦合数据的关联规则后,根据该关联规则涉及的机组参量合成设备故障特征向量并构建故障预测模型。可选的,该故障预测模型为LSTM模型,在具体实例中LSTM具体模型如图4所示,该模型在t时刻的输入为m(m为关键轴冷器点个数)维的输入数据xt,输出为引风机轴承温度误差预测值yt,数学表达式为:
LSTM层隐藏单元中的遗忘门f、输入门i、g、输出门o实现公式如下:
ft=σg(Wfxt+Rfht-1+bf)
it=σg(Wixt+Riht-1+bi)
gt=σc(Wgxt+Rght-1+bg)
ot=σg(Woxt+Roht-1+bo)
当前时刻的LSTM层隐藏单元状态Ct、输出信息ht以及由ht转化得到的引风机轴承温度预测误差yt计算公式如下:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙σc(ct)
yt=Wtht
式中,Wt为ht的权值矩阵,Wf、Wi、Wg、Wo为xt的权值矩阵,Rf、Ri、Rg、Ro为ht-1的权值矩阵,bf、bi、bg、bo为偏置因子,σg和σc为激活函数,分别是sigmoid函数和tanh函数。
S205,将关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果。
具体的,将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果。
本发明公开了一种电厂设备故障的检测方法,所述方法包括:基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;根据所述关联规则生成故障预测模型;将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果,从而准确的对电厂远源关联性故障进行检测,提高了电厂设备的可靠性。同时,本发明方法通过使用Apriori算法可有效地对火电厂现有设备和系统中的潜在关联关系进行有效识别,建立远源设备故障参数的关联规则,同时通过使用LSTM的输入门限,遗忘门限和输出门限,使得预测模型拥有动态的自循环的权重,从而使故障预测时不同时刻下的积分尺度可以动态改变,有效地避免了梯度消失或者梯度膨胀的问题,提高远源设备状态及故障预测的精确度。
为了达到以上技术目的,本申请实施例还提出一种电厂设备故障的检测装置,如图5所示,所述装置包括:
获取模块401,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;
分析模块402,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;
生成模块403,根据所述关联规则生成故障预测模型;
处理模块404,将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果;
其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。
在本申请的具体应用场景中,所述分析模块402具体用于:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
在本申请的具体应用场景中,所述分析模块402具体还用于:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
在本申请的具体应用场景中,所述分析模块402具体还用于:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
在本申请的具体应用场景中,所述故障预测模型为LSTM模型,所生成模块403具体用于:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电厂设备故障的检测方法,其特征在于,所述方法包括:
基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;
基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;
根据所述关联规则生成故障预测模型;
将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果;
其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。
2.如权利要求1所述的方法,其特征在于,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则,具体为:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
3.如权利要求2所述的方法,其特征在于,根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度,具体为:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
4.如权利要求2所述的方法,其特征在于,根据所述频繁项集列表确定所述关联规则,具体为:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
5.如权利要求1所述的方法,其特征在于,所述故障预测模型为LSTM模型,根据所述关联规则生成故障预测模型,具体为:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
6.一种电厂设备故障的检测装置,其特征在于,所述装置包括:
获取模块,基于OPC协议从预设数据库中获取待检测故障的故障数据和耦合数据;
分析模块,基于Apriori算法对所述故障数据和所述耦合数据进行关联关系分析,并确定关联规则;
生成模块,根据所述关联规则生成故障预测模型;
处理模块,将所述关联规则中与所述待检测故障对应的关联设备和关联参量的实时数据输入所述故障预测模型,以使所述故障预测模型输出对所述待检测故障的检测结果;
其中,所述故障数据为自所述待检测故障发生的时刻前预设时长内发生所述待检测故障的故障设备的运行数据集,所述耦合数据为所述预设时长内预设设备和预设参量的运行数据集,所述预设设备和所述预设参量是根据所述故障设备的控制逻辑确定的,所述预设设备和所述预设参量与所述故障设备存在耦合关系。
7.如权利要求6所述的装置,其特征在于,所述分析模块具体用于:
根据所述故障数据中每条故障数据记录与所述耦合数据中每条耦合数据记录确定各所述耦合数据记录的支持度;
根据所述支持度大于预设支持度的耦合数据记录生成包括多个频繁项集的频繁项集列表;
根据所述频繁项集列表确定所述关联规则。
8.如权利要求7所述的装置,其特征在于,所述分析模块具体还用于:
基于依次抽取各所述故障数据记录确定多个当前故障数据记录;
基于Person相关系数确定所述当前故障数据记录分别与各所述耦合数据记录的相关系数;
将绝对值大于预设值的相关系数作为目标相关系数,并根据与所述目标相关系数对应的耦合数据记录的计数值确定所述支持度。
9.如权利要求7所述的装置,其特征在于,所述分析模块具体还用于:
确定所述频繁项集中故障数据记录与耦合数据记录同时出现时的第一支持度和所述频繁项集中故障数据记录出现时的第二支持度;
根据所述第一支持度与所述第二支持度的比值确定可信度;
根据所述可信度大于预设可信度值的频繁项集确定所述关联规则。
10.如权利要求6所述的装置,其特征在于,所述故障预测模型为LSTM模型,所生成模块具体用于:
根据所述关联规则涉及的机组参量合成远源故障特征向量;
根据所述远源故障特征向量生成所述故障预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070884.8A CN112731890A (zh) | 2021-01-19 | 2021-01-19 | 一种电厂设备故障的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110070884.8A CN112731890A (zh) | 2021-01-19 | 2021-01-19 | 一种电厂设备故障的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731890A true CN112731890A (zh) | 2021-04-30 |
Family
ID=75592518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110070884.8A Pending CN112731890A (zh) | 2021-01-19 | 2021-01-19 | 一种电厂设备故障的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731890A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433917A (zh) * | 2021-08-11 | 2021-09-24 | 内蒙古京隆发电有限责任公司 | 一种用于发电厂的dcs控制系统及控制方法 |
CN117092933A (zh) * | 2023-07-26 | 2023-11-21 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117667495A (zh) * | 2023-12-29 | 2024-03-08 | 湖北华中电力科技开发有限责任公司 | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080806A1 (en) * | 2003-10-08 | 2005-04-14 | Doganata Yurdaer N. | Method and system for associating events |
CN101655857A (zh) * | 2009-09-18 | 2010-02-24 | 西安建筑科技大学 | 基于关联规则挖掘技术挖掘建设法规领域数据的方法 |
CN104267711A (zh) * | 2014-11-03 | 2015-01-07 | 四川烟草工业有限责任公司 | 烟草物流系统运行状态监测及故障诊断方法 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109409668A (zh) * | 2018-09-21 | 2019-03-01 | 华中科技大学 | 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 |
CN110474799A (zh) * | 2019-07-31 | 2019-11-19 | 中国联合网络通信集团有限公司 | 故障定位方法及装置 |
-
2021
- 2021-01-19 CN CN202110070884.8A patent/CN112731890A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080806A1 (en) * | 2003-10-08 | 2005-04-14 | Doganata Yurdaer N. | Method and system for associating events |
CN101655857A (zh) * | 2009-09-18 | 2010-02-24 | 西安建筑科技大学 | 基于关联规则挖掘技术挖掘建设法规领域数据的方法 |
CN104267711A (zh) * | 2014-11-03 | 2015-01-07 | 四川烟草工业有限责任公司 | 烟草物流系统运行状态监测及故障诊断方法 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109409668A (zh) * | 2018-09-21 | 2019-03-01 | 华中科技大学 | 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 |
CN110474799A (zh) * | 2019-07-31 | 2019-11-19 | 中国联合网络通信集团有限公司 | 故障定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
潘磊;: "基于并行Apriori算法的电网日志故障挖掘系统", 软件导刊, no. 09, 15 September 2020 (2020-09-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433917A (zh) * | 2021-08-11 | 2021-09-24 | 内蒙古京隆发电有限责任公司 | 一种用于发电厂的dcs控制系统及控制方法 |
CN117092933A (zh) * | 2023-07-26 | 2023-11-21 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117092933B (zh) * | 2023-07-26 | 2024-04-16 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117667495A (zh) * | 2023-12-29 | 2024-03-08 | 湖北华中电力科技开发有限责任公司 | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 |
CN117667495B (zh) * | 2023-12-29 | 2024-07-05 | 湖北华中电力科技开发有限责任公司 | 一种关联规则与深度学习集成的应用系统故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Adversarial domain-invariant generalization: A generic domain-regressive framework for bearing fault diagnosis under unseen conditions | |
Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
CN105548764B (zh) | 一种电力设备故障诊断方法 | |
CN112731890A (zh) | 一种电厂设备故障的检测方法和装置 | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
WO2017094267A1 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN105574284B (zh) | 一种基于趋势特征点的电力设备故障诊断方法 | |
Jiang et al. | Abnormality monitoring in the blast furnace ironmaking process based on stacked dynamic target-driven denoising autoencoders | |
Ling et al. | Fault prediction method for nuclear power machinery based on Bayesian PPCA recurrent neural network model | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
Chen et al. | Gated adaptive hierarchical attention unit neural networks for the life prediction of servo motors | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
Zheng et al. | Semi-supervised multivariate time series anomaly detection for wind turbines using generator SCADA data | |
Fu et al. | Broad auto-encoder for machinery intelligent fault diagnosis with incremental fault samples and fault modes | |
Sun et al. | Data-driven modeling and analysis based on complex network for multimode recognition of industrial processes | |
Liu et al. | Bayesian long short-term memory model for fault early warning of nuclear power turbine | |
Liu et al. | Model fusion and multiscale feature learning for fault diagnosis of industrial processes | |
Chen et al. | Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network | |
CN117786507B (zh) | 全局和局部特征耦合指导的滚动轴承未知故障检测方法 | |
Huang et al. | A transferable capsule network for decoupling compound fault of machinery | |
CN117930815A (zh) | 一种基于云平台的风电机组远程故障诊断方法及系统 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
Zhong et al. | A Data-Driven Method for Remaining Useful Life Prediction of Rolling Bearings Under Different Working Conditions | |
Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network |
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 |