CN112801426A - 一种基于关联参数挖掘的工业过程故障融合预测方法 - Google Patents
一种基于关联参数挖掘的工业过程故障融合预测方法 Download PDFInfo
- Publication number
- CN112801426A CN112801426A CN202110364925.4A CN202110364925A CN112801426A CN 112801426 A CN112801426 A CN 112801426A CN 202110364925 A CN202110364925 A CN 202110364925A CN 112801426 A CN112801426 A CN 112801426A
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- index
- fault
- prediction
- 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.)
- Granted
Links
Images
Classifications
-
- 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"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于关联参数挖掘的工业过程故障融合预测方法,包括步骤:基于关联规则挖掘算法对工业过程运行参数进行关联性挖掘;利用训练样本提取关联参数的参数特征,基于参数特征和故障时间构造训练集;利用训练集构造BP神经网络模型,作为基于关联参数的故障时间预测模型。本发明的有益效果是:构建了多参数多模型融合预测模型,将关联规则引入参数选取中,挖掘参数关联性进而筛选出用以建模的运行参数;进一步针对不同参数构建了不同预测模型,进一步将关联规则挖掘结果引入模型融合中实现预测模型的融合,从而获得了覆盖状态信息全面且具有强鲁棒性的故障时间预测模型。对于工程上的故障预测和健康管理有重大应用价值。
Description
技术领域
本发明属于可靠性维护工程技术领域,涉及一种基于关联参数挖掘的工业过程故障融合预测方法。
背景技术
随着工业系统的日益复杂以及传感器技术的不断发展,对于工业过程的监测多是基于多维传感器的,单个传感器的信息通常无法全面表达工业过程的运行状态。另外,复杂系统的故障模式同样也是复杂多样,单个运行参数难以覆盖所有的故障模式,为实现准确的故障时间预测,必须提取足量传感器信息进行建模。然而,若过多参数参与建模,对于计算资源将会提出非常高的要求,更重要的是,部分无关参数的引入将会对建模准确性带来副作用。因此,挖掘参数关联性,选取合适的参数进行建模至关重要。
另一方面,目前大多预测模型仍是采用单模型的方式,有时会出现模型泛化能力差而导致预测准确性难以保证的问题,在此情况下,构建融合模型分摊风险是解决途径之一。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于关联参数挖掘的工业过程故障融合预测方法。
这种基于关联参数挖掘的工业过程故障融合预测方法,包括以下步骤:
步骤1、基于时序数据的关联规则挖掘算法对工业过程运行参数进行关联性挖掘,基于时序数据的关联规则挖掘算法的输入是指标参数和运行参数,输出是指标参数与关联参数之间的支持度(关联程度),记录指标参数与关联参数之间的支持度;然后挑选出与指标参数与关联参数之间的支持度较高的运行参数作为关联参数;
步骤4、基于指数平滑算法,构建指标参数的故障时间预测模型;
步骤5、通过步骤1得到的指标参数与关联参数之间的支持度,对步骤3构造的基于关联参数的故障时间预测模型和步骤4构造的指标参数的故障时间预测模型分配权值,实现模型融合预测,得到故障时间的预测结果;
步骤5.2、将基于关联参数的故障时间预测模型与指标参数的故障时间预测模型进行融合,得到融合预测结果为:
作为优选,步骤1具体包括如下步骤:
步骤1.2、基于时序数据的关联规则挖掘算法挖掘运行参数与指标参数的关联性,筛选出关联参数;记筛选出的关联参数时间序列为,为筛选出的关联参数数量,为序列长度,,为关联参数的测量值;并将关联参数与指标参数之间关联规则的支持度记为;其中指标参数为作为指标的运行参数,关联参数为与指标参数相关联的运行参数。
作为优选,步骤2具体包括如下步骤:
步骤2.1、通过不重叠滑动窗口的方式提取关联参数的状态特征和趋势特征:
作为优选,步骤1中基于时序数据的关联规则挖掘算法为Apriori关联规则挖掘算法。
作为优选,步骤4中指数平滑算法为Holt指数平滑算法。
本发明的有益效果是:本发明构建了多参数多模型融合预测模型,将关联规则引入参数选取中,挖掘参数关联性进而筛选出用以建模的运行参数;进一步针对不同参数构建了不同预测模型,进一步将关联规则挖掘结果引入模型融合中实现预测模型的融合,从而获得了覆盖状态信息全面且具有强鲁棒性的故障时间预测模型。对于工程上的故障预测和健康管理有重大应用价值。
附图说明
图1为故障融合预测方法流程图;
图2为实施例中故障融合预测结果图;
图3为单参数预测结果图;
图4为本发明实施例的预测方法与单参数预测方法误差对比图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明解决了现有工业过程故障预测领域鲜有提取关联参数进行多模型融合预测的问题;本发明针对工业过程的大量运行参数,提出一种基于关联参数挖掘的工业过程故障融合预测方法来挖掘关联参数,提取出了用以建模的工业过程运行参数;对于故障预测问题,本发明利用多参数多模型实现工业过程的故障时间预测,提出一种多参数融合预测方法,分别针对关联参数和指标参数构建了基于支持向量回归和基于指数平滑的故障时间预测算法,并基于挖掘得到的关联规则进行融合预测,得到工业过程故障时间的预测结果。
作为一种实施例,通过基于某燃煤电厂汽轮机真空下降触发跳机故障的真实案例来来具体阐述基于关联参数挖掘的工业过程故障融合预测方法的操作步骤以及效果。
该汽轮机运行的初始工况为负荷250MW、凝汽器真空93kPa,以凝汽器真空值作为指标参数,当真空值下降至81kPa时,该汽轮机发生跳机故障。
如图1所示,基于关联参数挖掘的工业过程故障融合预测方法具体执行过程如下:
步骤1、基于时序数据的关联规则挖掘算法对工业过程运行参数进行关联性挖掘,确定指标参数和关联参数,并记录指标参数与关联参数之间的支持度。本步骤具体通过如下子步骤实现:
步骤1.1、基于业务知识或专家经验,确定指标参数为汽轮机真空值,记为,为序列长度,;在本实施例中,使用多条真实案例中凝汽器真空从93kPa下降至81kPa的数据,采样频率为1秒,在本实施测试例中,=2876;
步骤1.2、基于时序数据的关联规则挖掘算法挖掘运行参数与指标参数的关联性,筛选出关联参数,记筛选出的关联参数时间序列为,为筛选出的关联参数数量,为序列长度,;并将关联参数与指标参数之间关联规则的支持度记为。设置支持度阈值为0.6,挖掘得到的关联参数以及对应的支持度如下表1所示,可见与指标参数凝汽器真空相关联的参数为发电机有功功率,热井出口凝结水温度,循环水出口温度,循环水进口压力,循环水出口压力,即5。
表1 支持度权重分配表
步骤2、利用训练样本提取关联参数的状态和趋势特征(即参数特征),基于参数特征和故障时间构造训练集。本步骤具体通过如下子步骤实现:
步骤2.1、通过不重叠滑动窗口的方式提取关联参数的参数特征,具体过程如下:
步骤3、利用训练集构造BP神经网络模型,形成基于关联参数的故障时间预测模型。本步骤具体通过如下子步骤实现:
步骤4:基于指数平滑算法,构建指标参数的故障时间预测模型。本步骤具体通过如下子步骤实现:
步骤5、通过步骤1所记录的支持度对步骤3和步骤4的预测模型分配权值,实现模型融合预测,得到故障时间的预测结果。本步骤具体通过如下子步骤实现:
步骤5.2、将步骤3与步骤4两个预测模型进行融合,得到融合预测结果为:
其中即为第个滑动窗口处的故障时间预测结果,,。故障融合预测结果如图2所示,图中给出了各时间窗口下的故障时间预测结果与真实故障时间的对比,可见两条线的拟合度非常高,即本发明所提的融合预测方法达到了良好的预测效果。
为说明本发明所提出方法的优势,将本方法与仅使用指标参数进行预测的单参数预测模型进行对比。图3展示了仅使用指标参数进行预测的结果图(窗口ID用对应时间替换),即使用步骤4所述的指数平滑算法对指标参数进行预测,图4展示了本方法与指标参数单参数预测方法的预测误差对比图,可见本方法的预测误差明显低于单参数的预测方法。
Claims (5)
1.一种基于关联参数挖掘的工业过程故障融合预测方法,其特征在于,包括以下步骤:
步骤1、基于时序数据的关联规则挖掘算法对运行参数进行关联性挖掘,基于时序数据的关联规则挖掘算法的输入是指标参数和运行参数,输出是指标参数与关联参数之间的支持度,记录指标参数与关联参数之间的支持度;然后挑选出与指标参数与关联参数之间的支持度较高的运行参数作为关联参数;
步骤4、基于指数平滑算法,构建指标参数的故障时间预测模型;
步骤5、通过步骤1得到的指标参数与关联参数之间的支持度,对步骤3构造的基于关联参数的故障时间预测模型和步骤4构造的指标参数的故障时间预测模型分配权值,实现模型融合预测,得到故障时间的预测结果;
步骤5.2、将基于关联参数的故障时间预测模型与指标参数的故障时间预测模型进行融合,得到融合预测结果为:
3.根据权利要求1所述基于关联参数挖掘的工业过程故障融合预测方法,其特征在于,步骤2具体包括如下步骤:
步骤2.1、通过不重叠滑动窗口的方式提取关联参数的状态特征和趋势特征:
4.根据权利要求1所述基于关联参数挖掘的工业过程故障融合预测方法,其特征在于:步骤1中基于时序数据的关联规则挖掘算法为Apriori关联规则挖掘算法。
5.根据权利要求1所述基于关联参数挖掘的工业过程故障融合预测方法,其特征在于:步骤4中指数平滑算法为Holt指数平滑算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364925.4A CN112801426B (zh) | 2021-04-06 | 2021-04-06 | 一种基于关联参数挖掘的工业过程故障融合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364925.4A CN112801426B (zh) | 2021-04-06 | 2021-04-06 | 一种基于关联参数挖掘的工业过程故障融合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801426A true CN112801426A (zh) | 2021-05-14 |
CN112801426B CN112801426B (zh) | 2021-06-22 |
Family
ID=75816298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364925.4A Active CN112801426B (zh) | 2021-04-06 | 2021-04-06 | 一种基于关联参数挖掘的工业过程故障融合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801426B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705809A (zh) * | 2021-09-07 | 2021-11-26 | 北京航空航天大学 | 一种数据预测模型训练方法、工业指标预测方法和装置 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274898A1 (en) * | 2012-04-11 | 2013-10-17 | General Electric Company | Turbine fault prediction |
CN106294076A (zh) * | 2016-08-24 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种服务器关联故障预测方法及其系统 |
CN107704610A (zh) * | 2017-10-18 | 2018-02-16 | 国网上海市电力公司 | 一种配电网运行数据事件关联分析系统及分析方法 |
CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 |
CN112583640A (zh) * | 2020-12-02 | 2021-03-30 | 厦门渊亭信息科技有限公司 | 一种基于知识图谱的服务故障检测方法及装置 |
-
2021
- 2021-04-06 CN CN202110364925.4A patent/CN112801426B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274898A1 (en) * | 2012-04-11 | 2013-10-17 | General Electric Company | Turbine fault prediction |
CN106294076A (zh) * | 2016-08-24 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种服务器关联故障预测方法及其系统 |
CN107704610A (zh) * | 2017-10-18 | 2018-02-16 | 国网上海市电力公司 | 一种配电网运行数据事件关联分析系统及分析方法 |
CN110008565A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 一种基于运行参数关联性分析的工业过程异常工况预测方法 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 |
CN112583640A (zh) * | 2020-12-02 | 2021-03-30 | 厦门渊亭信息科技有限公司 | 一种基于知识图谱的服务故障检测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705809A (zh) * | 2021-09-07 | 2021-11-26 | 北京航空航天大学 | 一种数据预测模型训练方法、工业指标预测方法和装置 |
CN113705809B (zh) * | 2021-09-07 | 2024-03-19 | 北京航空航天大学 | 一种数据预测模型训练方法、工业指标预测方法和装置 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112801426B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN112801426B (zh) | 一种基于关联参数挖掘的工业过程故障融合预测方法 | |
US20110010318A1 (en) | System and method for empirical ensemble- based virtual sensing | |
Xu et al. | Distributed plant-wide process monitoring based on PCA with minimal redundancy maximal relevance | |
CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
Shen et al. | Weighted nonlinear dynamic system for deep extraction of nonlinear dynamic latent variables and industrial application | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
Wang et al. | Decentralized plant-wide monitoring based on mutual information-Louvain decomposition and support vector data description diagnosis | |
Zhu et al. | A coupled model for dam foundation seepage behavior monitoring and forecasting based on variational mode decomposition and improved temporal convolutional network | |
Mercante et al. | Virtual flow predictor using deep neural networks | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN116821695B (zh) | 一种半监督神经网络软测量建模方法 | |
CN117313015A (zh) | 一种基于时序和多变量的时间序列异常检测方法及系统 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
Liu et al. | Structured sequential Gaussian graphical models for monitoring time-varying process | |
Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods | |
CN115496104A (zh) | 一种空压机母管压力预测方法、装置、电子设备 | |
CN114357667A (zh) | 一种基于resid递归结构识别的发动机起动状态故障检测方法 | |
Camps Echevarría et al. | A proposal to fault diagnosis in industrial systems using bio-inspired strategies | |
Wang et al. | Multimode complex process monitoring using double‐level local information based local outlier factor method | |
Pitarch et al. | D2. 1 Report on dynamic data reconciliation of large scale processes | |
He et al. | A Novel Soft Sensor Model Based on Stacking Ensemble Learning Framework |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220817 Address after: Room 307, No. 32, Gaoji Street, Xihu District, Hangzhou City, Zhejiang Province, 310002 Patentee after: Zhejiang Zheneng Digital Technology Co., Ltd. Patentee after: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd. Address before: 5 / F, building 1, No. 2159-1, yuhangtang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd. |