CN113008583A - 一种旋转机械状态监测和异常自动报警的方法及装置 - Google Patents
一种旋转机械状态监测和异常自动报警的方法及装置 Download PDFInfo
- Publication number
- CN113008583A CN113008583A CN202011244630.5A CN202011244630A CN113008583A CN 113008583 A CN113008583 A CN 113008583A CN 202011244630 A CN202011244630 A CN 202011244630A CN 113008583 A CN113008583 A CN 113008583A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- oakr
- monitoring
- sensor data
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种旋转机械状态监测和异常自动报警的方法及装置,方法包括:获取原始数据,通过数据接口获取机组运行参数的传感器数据;对传感器数据进行预处理,依次包括频谱特征值提取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪;使用训练存储的PPCA参数对预处理后的传感器数据进行降维分析;建立OAKR模型,包括模型训练、模型测试和模型预测;通过检查OAKR模型输出与实际PPCA主成分数据之间的均方误差MSE,来动态判断设备是否出现异常,产生异常警报。本发明建立优化的OAKR相似性模型,结合移动窗口可调阈值的实时监测均方误差变化的报警策略,实现大型旋转机组的实时状态智能监测和异常报警。
Description
技术领域
本发明属于工业设备监测技术领域,尤其涉及一种旋转机械状态监测和异 常自动报警的方法及装置。
背景技术
燃气轮机、汽轮机、压缩机等大型旋转机械是能源、油气、化工、国防等 国计民生和安全稳定的重要工业装备。这些装备的核心部件一旦发生故障,会 引起非计划停机,甚至导致人身安全事故,造成巨大的维修费用和经济损失。
为了确保大型旋转机械长期安全稳定运行,减少非正常停机,降低维修成 本,发展旋转装备状态监测和故障诊断技术成为一种重要而且有效的方法,状 态监测的目的就是实时掌握机组运行状态,在其发生故障之前做出自动预警, 方便维修人员采取相应的措施对其进行维护,避免发生不可逆的事故。而现有 技术还欠缺这类监测方案。
发明内容
有鉴于此,本发明实施例提供了一种旋转机械状态监测和异常自动报警的 方法及装置,以解决现有技术中缺少状态监测和故障诊断的方案,不能实时掌 握机组运行状态的问题。
本发明实施例的第一方面提供了一种旋转机械状态监测和异常自动报警的 方法,包括以下步骤:
获取原始数据,通过数据接口获取机组运行参数的传感器数据,并通信传 输存储在本地或云服务器上;
对传感器数据进行预处理,依次包括频谱特征值提取、缺失值处理、离群 值处理、数据标准化、小波包贝叶斯阈值去噪;
使用训练存储的PPCA参数对预处理后的传感器数据进行降维分析,得到 主成分数据;
建立OAKR模型,所述OAKR模型包括模型训练、模型测试和模型预测;
通过检查OAKR模型输出与实际PPCA主成分数据之间的均方误差MSE, 来动态判断设备是否出现异常,产生异常警报。
进一步的,所述频谱特征值提取、缺失值处理、离群值处理、数据标准化、 小波包贝叶斯阈值去噪具体为:
频谱特征值提取,将得到的传感器数据经过快速傅里叶变换,提取时间序 列不同的频谱特征值;
缺失值处理,采用向上填充和向下填充的方法来处理传感器数据中的空缺 值或无穷值;
离群值处理,根据机组运行的速度,对停机重启时的数据点进行自动剔除;
数据标准化,对传感器数据中多变量数据进行标准化处理,通过去均值和 方差归一化方法,对传感器数据进行线性变换,使传感器数据的均值为0、方 差为1;
小波包贝叶斯阈值去噪,对采集的传感器数据中低频和高频信号的噪声进 行去除。
进一步的,所述使用训练存储的PPCA参数对预处理后的传感器数据进行 降维分析,得到主成分数据,具体为:对传感器数据进行传统PCA主成分分析, 选取降维后累计方差贡献率至少95%的主成分构件数量,然后再进行概率主成 分分析降维,提取不相关的主成分特征。
进一步的,所述建立OAKR模型的方法为:
第一步、计算监测向量θ和每一个记忆向量Θi之间的距离,得到一个nm×1 的距离向量d,采用最常用的欧式距离计算方法:
第二步、通过得到的距离矩阵d和高斯核函数来计算权重w,w也是一个 nm×1的矩阵:
式中,h是核函数带宽,带宽h决定了核函数的平滑程度;
第三步、通过模型训练时最小化均方误差(MSE)值,得到核密度带宽h 最佳值,并更新权重w;
进一步的,所述模型训练具体为:由PPCA得到的主成分构件用于OAKR 模型训练,选取机组健康运行状态下主成分85%的数据,按照均匀采样的方法, 选取前70%数据形成记忆矩阵,后15%数据通过单纯形法优化模型核函数带宽。
进一步的,所述模型测试具体为:选取机组健康运行状态下后15%的主成 分数据,按照均匀采样的方法对模型选取测试数据进行模型的测试,使用均方 误差MSE、确定系数R-square作为模型测试的指标。
进一步的,所述模型预测具体为:给定某段机组新运行的时间序列,对数 据进行清洗并进行去均值和方差归一化处理后,使用训练存储的PPCA参数对 新数据进行降维分析,得到主成分数据,在把PPCA主成分数据输入训练的 OAKR模型,得到系统健康状态的反应估计。
本发明实施例的第二方面提供了一种旋转机械状态监测和异常自动报警的 装置,包括:
原始数据获取模块,用于通过数据接口获取机组运行参数的传感器数据, 并通信传输存储在本地或云服务器上;
数据预处理模块,用于对传感器数据进行预处理,依次包括频谱特征值提 取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪;
主成分数据提取模块,用于使用训练存储的PPCA参数对预处理后的传感 器数据进行降维分析,得到主成分数据;
OAKR模型建立模块,用于建立OAKR模型,所述OAKR模型包括模型 训练、模型测试和模型预测;
异常报警模块,用于通过检查OAKR模型输出与实际PPCA主成分数据之 间的均方误差MSE,来动态判断设备是否出现异常,产生异常警报。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及 存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行 所述计算机程序时实现上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可 读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方 法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
1、本发明结合了小波包贝叶斯阈值去噪技术、概率主成分分析技术、自联 想核回归建模技术,发展了大型旋转机械的通用监测方法。
2、本发明在建立OAKR模型时采用单纯形法自动优化了核函数带宽。
3、本发明提出基于移动窗口的均方误差实时报警策略来对机组运行状态进 行监测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技 术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 仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它的附图。
图1是本发明实施例提供的一种旋转机械状态监测和异常自动报警的方法 流程图;
图2是本发明实施例提供的一种旋转机械状态监测和异常自动报警的系统 原理图;
图3是本发明实施例提供的旋转机械状态监测和异常自动报警的装置/终端 设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术 之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当 清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中, 省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节 妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
实施例1
如图1所示,本实施例提供了一种旋转机械状态监测和异常自动报警的方 法,包括以下步骤:
第一步、获取原始数据,通过数据接口获取机组运行参数的传感器数据, 并通信传输存储在本地或云服务器上;对于旋转机组,振动变量是监测其运行 状态的关键参数,主要收集的数据是机组的振动数据。
对传感器数据进行预处理,依次包括频谱特征值提取、缺失值处理、离群 值处理、数据标准化、小波包贝叶斯阈值去噪,其中:
频谱特征值提取,将得到的传感器数据经过快速傅里叶变换,提取时间序 列不同的频谱特征值,这些特征数值用于后续的数据分析、OAKR方法建模和 机组故障报警分析;
缺失值处理,从机组运行中收集的数据,会因为传感器故障、数据传输、 数据存储等很多不可预测的因素,导致数据存在很多空缺值,因此要对数据中 可能存在的缺失值进行自动处理。数据缺失值最常用处理方法是将含有缺失值 的时间序列直接删除,从而得到一个完备的信息表,这种方法简单易行,在被 删除含缺失值的对象在初始数据集中的占比非常小的情况下非常有效。本实施 例使用相邻时间点上的数据来补齐缺失的时间序列数据,采用某个数据值去补 齐缺失值,这种方法以最可能的值来填补缺失值,尽可能多的保留原始数据信 息。相邻时间点上的数据是比较接近的,对原始数据造成的影响也比较小,本 实施例采用向上填充和向下填充的方法来处理传感器数据中的空缺值或无穷 值。
离群值处理,除了数据缺失问题,传感器异常、数据传输、数据存储以及 机器启停等因素也会导致数据异常。比如停机或重启会导致收集到的数据跟机 器稳定运行时的不一样。本发明根据机器运行的速度,对停机重启时的数据点 进行自动剔除。
数据标准化,由于不同的变量有不同的量纲和数量级,在设备运行异常监 测中,数据值大的变量会起到决定性作用,导致监测误报。本发明对多变量数 据进行标准化处理,通过去均值和方差归一化方法,对原始数据进行线性变换, 使数据的均值为0,方差为1,这样消除不同变量之间的量纲影响。
小波包贝叶斯阈值去噪,本实施例采用小波包贝叶斯去噪方法对分析数据 进行去噪音,可以同时对采集的原始数据中低频和高频信号的噪声进行去除, 平衡了去噪不足和过度去噪的问题,减少噪音导致的监测误报,并提高监测的 准确率。
第二步、使用训练存储的PPCA(Probabilistic Principal Component Analysis,即概率主成分分析)参数对预处理后的传感器数据进行降维分析,得到主成分 数据。针对去完噪音具有相关性的高维变量数据,本实施例首先对数据进行传 统PCA主成分分析,选取降维后累计方差贡献率至少95%的主成分构件数量, 然后再进行概率主成分分析降维,提取不相关的主成分特征。这样进一步减少 数据中可能存在的噪音,以便提高OAKR方法监测预警的准确性,减少误报率。 注意,训练得到的PPCA参数需要保存,用于对新数据的OAKR模型预测。
第三步、建立OAKR模型,优化的自联想核回归方法(Optimized Auto-associativeKernel Regression)是一种基于相似性建模的非参数模型技术, 它使用检测向量与记忆向量的相似度来推断模型的响应,模型训练简单,适用 于多变量的设备运行监测和故障报警。
从设备多维监测数据中经过PPCA特征提取的主构件系列,把用于创建相 似性模型的样本记忆向量储存在一个矩阵Θ中,其中Θi,j是第j个主成分变量的 第i个向量值。对于nm个记忆向量,p个变量的记忆矩阵可以用矩阵Θ表示为:
监测向量可以用1×p的矩阵θ表示为:
θ=[θ1 θ2 … θp] (2)
本发明的OAKR模型建立方法由三步组成:
第一步,计算监测向量θ和每一个记忆向量Θi之间的距离,得到一个nm×1 的距离向量d。本发明采用最常用的欧式距离计算方法:
第二步,通过得到的距离矩阵d和高斯核函数来计算权重w,w也是一个 mm×1的矩阵:
式中,h是核函数带宽,带宽h决定了核函数的平滑程度;小的带宽可以 体现更多细节但常常导致尾部欠平滑;相反,大的带宽常丢失细节,导致变化 剧烈部分过平滑。因此,公式(4)中核函数带宽的选择,将直接影响相似性模 型方法对设备运行异常监测报警的准确度。如果使用不恰当带宽,训练得到的 模型经常产生大量的假警报,或不能监测到重要的故障。
第三步、通过新的数据和优化方法,得到核密度带宽h最佳值,并更新权 重w。本发明发展了一种带宽的自动优化方法,通过模型训练时最小化均方误 差(MSE)值,得到最合适的带宽,形成优化的自联想核回归方法(Optimized Auto-associative kernelregression,OAKR)。
记忆向量Θi的选取应尽可能的包含机组所有的正常运行状态,从而是每一 个正常运行下的监测向量都能在记忆向量Θi中找到类似向量,而从得出有效的 预测值。
OAKR模型包括以下处理进程:
1)模型训练:由PPCA得到的主成分构件用于OAKR模型训练。本研究选 取机组健康运行状态下主成分85%的数据,按照均匀采样的方法,选取前70% 数据形成记忆矩阵,后15%数据通过单纯形法优化模型核函数带宽。
2)模型测试:选取机组健康运行状态下后15%的主成分数据,按照均匀采 样的方法对模型选取测试数据进行模型的测试,使用均方误差(MSE)、确定系 数(R-square)作为模型测试的指标。
3)模型预测:给定某段机组新运行的时间序列,应用第2-5步对数据进行 清洗,并进行去均值和方差归一化处理后,使用训练存储的PPCA参数对新数 据进行降维分析,得到主成分数据,在把PPCA主成分数据输入训练的OAKR 模型,得到系统健康状态的反应估计。
第四步、通过检查OAKR模型输出与实际PPCA主成分数据之间的均方误 差MSE,来动态判断设备是否出现异常,产生异常警报。在时间序列上采用移 动窗口策略,通过检查OAKR模型输出与实际PPCA主成分之间的均方误差 (MSE),来动态判断设备是否出现异常。基于所使用数据的频率,移动窗口的 宽度通常选用过去1分钟,1小时或1天数据点。当连续5个窗口内的均方误 差(MSE)发生明显变化,并超过预先设定的阈值时,就判定机组已发生故障, 产生异常警报。本发明以模型测试阶段使用健康数据的值作为故障报警的阈值其中k是由具体工况确定的阈值系数。
实施例2
如图2所示,本实施例提供了一种旋转机械状态监测和异常自动报警的装 置,包括:
原始数据获取模块101,用于通过数据接口获取机组运行参数的传感器数 据,并通信传输存储在本地或云服务器上;对于旋转机组,振动变量是监测其 运行状态的关键参数,主要收集的数据是机组的振动数据。
数据预处理模块102,用于对传感器数据进行预处理,依次包括频谱特征 值提取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪;其 中:
频谱特征值提取,将得到的传感器数据经过快速傅里叶变换,提取时间序 列不同的频谱特征值,这些特征数值用于后续的数据分析、OAKR方法建模和 机组故障报警分析;
缺失值处理,从机组运行中收集的数据,会因为传感器故障、数据传输、 数据存储等很多不可预测的因素,导致数据存在很多空缺值,因此要对数据中 可能存在的缺失值进行自动处理。数据缺失值最常用处理方法是将含有缺失值 的时间序列直接删除,从而得到一个完备的信息表,这种方法简单易行,在被 删除含缺失值的对象在初始数据集中的占比非常小的情况下非常有效。本实施 例使用相邻时间点上的数据来补齐缺失的时间序列数据,采用某个数据值去补 齐缺失值,这种方法以最可能的值来填补缺失值,尽可能多的保留原始数据信 息。相邻时间点上的数据是比较接近的,对原始数据造成的影响也比较小,本 实施例采用向上填充和向下填充的方法来处理传感器数据中的空缺值或无穷 值。
离群值处理,除了数据缺失问题,传感器异常、数据传输、数据存储以及 机器启停等因素也会导致数据异常。比如停机或重启会导致收集到的数据跟机 器稳定运行时的不一样。本发明根据机器运行的速度,对停机重启时的数据点 进行自动剔除。
数据标准化,由于不同的变量有不同的量纲和数量级,在设备运行异常监 测中,数据值大的变量会起到决定性作用,导致监测误报。本发明对多变量数 据进行标准化处理,通过去均值和方差归一化方法,对原始数据进行线性变换, 使数据的均值为0,方差为1,这样消除不同变量之间的量纲影响。
小波包贝叶斯阈值去噪,本实施例采用小波包贝叶斯去噪方法对分析数据 进行去噪音,可以同时对采集的原始数据中低频和高频信号的噪声进行去除, 平衡了去噪不足和过度去噪的问题,减少噪音导致的监测误报,并提高监测的 准确率。
主成分数据提取模块103,用于使用训练存储的PPCA参数对预处理后的 传感器数据进行降维分析,得到主成分数据。针对去完噪音具有相关性的高维 变量数据,本实施例首先对数据进行传统PCA主成分分析,选取降维后累计方 差贡献率至少95%的主成分构件数量,然后再进行概率主成分分析降维,提取 不相关的主成分特征。这样进一步减少数据中可能存在的噪音,以便提高OAKR 方法监测预警的准确性,减少误报率。注意,训练得到的PPCA参数需要保存, 用于对新数据的OAKR模型预测。
OAKR模型建立模块104,本实施例的OAKR模型建立方法由三步组成:
第一步,计算监测向量θ和每一个记忆向量Θi之间的距离,得到一个nm×1 的距离向量d。本发明采用最常用的欧式距离计算方法:
第二步,通过得到的距离矩阵d和高斯核函数来计算权重w,w也是一个 nm×1的矩阵:
式中,h是核函数带宽,带宽h决定了核函数的平滑程度;小的带宽可以 体现更多细节但常常导致尾部欠平滑;相反,大的带宽常丢失细节,导致变化 剧烈部分过平滑。因此,公式(4)中核函数带宽的选择,将直接影响相似性模 型方法对设备运行异常监测报警的准确度。如果使用不恰当带宽,训练得到的 模型经常产生大量的假警报,或不能监测到重要的故障。
第三步、通过新的数据和优化方法,得到核密度带宽h最佳值,并更新权 重w。本发明发展了一种带宽的自动优化方法,通过模型训练时最小化均方误 差(MSE)值,得到最合适的带宽,形成优化的自联想核回归方法(Optimized Auto-associative kernelregression,OAKR)。
记忆向量Θi的选取应尽可能的包含机组所有的正常运行状态,从而是每一 个正常运行下的监测向量都能在记忆向量Θi中找到类似向量,而从得出有效的 预测值。
OAKR模型包括以下三个子模块:
1)模型训练子模块:由PPCA得到的主成分构件用于OAKR模型训练。本 研究选取机组健康运行状态下主成分85%的数据,按照均匀采样的方法,选取 前70%数据形成记忆矩阵,后15%数据通过单纯形法优化模型核函数带宽。
2)模型测试子模块:选取机组健康运行状态下后15%的主成分数据,按照 均匀采样的方法对模型选取测试数据进行模型的测试,使用均方误差(MSE)、 确定系数(R-square)作为模型测试的指标。
3)模型预测子模块:给定某段机组新运行的时间序列,应用第2-5步对数 据进行清洗,并进行去均值和方差归一化处理后,使用训练存储的PPCA参数 对新数据进行降维分析,得到主成分数据,在把PPCA主成分数据输入训练的 OAKR模型,得到系统健康状态的反应估计。
异常报警模块105,用于通过检查OAKR模型输出与实际PPCA主成分数 据之间的均方误差MSE,来动态判断设备是否出现异常,产生异常警报。在时 间序列上采用移动窗口策略,通过检查OAKR模型输出与实际PPCA主成分之 间的均方误差(MSE),来动态判断设备是否出现异常。基于所使用数据的频率, 移动窗口的宽度通常选用过去1分钟,1小时或1天数据点。当连续5个窗口 内的均方误差(MSE)发生明显变化,并超过预先设定的阈值时,就判定机组已 发生故障,产生异常警报。本发明以模型测试阶段使用健康数据的值作为故障报警的阈值其中k是由具体工况确定的阈值系数。
综上,本发明针对大型旋转机组的多变量振动数据,发展无缝结合贝叶斯 小波包去噪和概率主成分分析特征提取的OAKR通用监测预警方法。提出基于 小波包贝叶斯假设试验的高等信号分析时间-频率多尺度去噪方法,处理异常数 据,发展概率主成分分析(Probabilistic principal component analysis,PPCA)方 法处理多变量数据的相关性和不确定性。建立优化的OAKR相似性模型,结合 移动窗口可调阈值的实时监测均方误差变化的报警策略,实现大型旋转机组的 实时状态智能监测和异常报警。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后, 各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施 过程构成任何限定。
图3是本发明一实施例提供的旋转机械状态监测和异常自动报警的装置/ 终端设备的示意图。如图3所示,该实施例的旋转机械状态监测和异常自动报 警的装置/终端设备6包括:处理器60、存储器61以及存储在存储器61中并可 在处理器60上运行的计算机程序62,例如旋转机械状态监测和异常自动报警 的程序。处理器60执行计算机程序62时实现上述各个旋转机械状态监测和异 常自动报警的方法实施例中的步骤,例如图1所示的步骤101至104。或者, 处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能, 例如图2所示模块51至54的功能。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,所述一个 或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完 成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机 程序指令段,该指令段用于描述所述计算机程序62在所述旋转机械状态监测和 异常自动报警的装置/终端设备6中的执行过程。例如,所述计算机程序62可 以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块), 各模块具体功能如下:
所述旋转机械状态监测和异常自动报警的装置/终端设备6可以是桌上型计 算机、笔记本、掌上电脑及云端服务器等计算设备。所述旋转机械状态监测和 异常自动报警的装置/终端设备可包括,但不仅限于,处理器60、存储器61。 本领域技术人员可以理解,图3仅仅是旋转机械状态监测和异常自动报警的装 置/终端设备6的示例,并不构成对旋转机械状态监测和异常自动报警的装置/ 终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件, 或者不同的部件,例如所述旋转机械状态监测和异常自动报警的装置/终端设备 还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可 以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用 集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或 者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。
所述存储器61可以是所述旋转机械状态监测和异常自动报警的装置/终端 设备6的内部存储单元,例如旋转机械状态监测和异常自动报警的装置/终端设 备6的硬盘或内存。所述存储器61也可以是所述旋转机械状态监测和异常自动 报警的装置/终端设备6的外部存储设备,例如所述旋转机械状态监测和异常自 动报警的装置/终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步 地,所述存储器61还可以既包括所述旋转机械状态监测和异常自动报警的装置 /终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所 述计算机程序以及所述旋转机械状态监测和异常自动报警的装置/终端设备所 需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要 输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上 述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上 述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不 同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功 能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在, 也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬 件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模 块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上 述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程, 在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详 述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示 例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法, 可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示 意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现 时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一 个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间 的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或 通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为 单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中, 也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的 形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解, 本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指 令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中, 该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中, 所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、 对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括: 能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机 存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软 件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根 据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照 前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种旋转机械状态监测和异常自动报警的方法,其特征在于,包括以下步骤:
获取原始数据,通过数据接口获取机组运行参数的传感器数据,并通信传输存储在本地或云服务器上;
对传感器数据进行预处理,依次包括频谱特征值提取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪;
使用训练存储的PPCA参数对预处理后的传感器数据进行降维分析,得到主成分数据;
建立OAKR模型,所述OAKR模型包括模型训练、模型测试和模型预测;
通过检查OAKR模型输出与实际PPCA主成分数据之间的均方误差MSE,来动态判断设备是否出现异常,产生异常警报。
2.如权利要求1所述的旋转机械状态监测和异常自动报警的方法,其特征在于,所述频谱特征值提取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪具体为:
频谱特征值提取,将得到的传感器数据经过快速傅里叶变换,提取时间序列不同的频谱特征值;
缺失值处理,采用向上填充和向下填充的方法来处理传感器数据中的空缺值或无穷值;
离群值处理,根据机组运行的速度,对停机重启时的数据点进行自动剔除;
数据标准化,对传感器数据中多变量数据进行标准化处理,通过去均值和方差归一化方法,对传感器数据进行线性变换,使传感器数据的均值为0、方差为1;
小波包贝叶斯阈值去噪,对采集的传感器数据中低频和高频信号的噪声进行去除。
3.如权利要求1所述的旋转机械状态监测和异常自动报警的方法,其特征在于,所述使用训练存储的PPCA参数对预处理后的传感器数据进行降维分析,得到主成分数据,具体为:对传感器数据进行主成分分析,选取降维后累计方差贡献率至少95%的主成分构件数量,然后再进行概率主成分分析降维,提取不相关的主成分特征。
5.如权利要求1所述的旋转机械状态监测和异常自动报警的方法,其特征在于,所述模型训练具体为:由PPCA得到的主成分构件用于OAKR模型训练,选取机组健康运行状态下主成分85%的数据,按照均匀采样的方法,选取前70%数据形成记忆矩阵,后15%数据通过单纯形法优化模型核函数带宽。
6.如权利要求1所述的旋转机械状态监测和异常自动报警的方法,其特征在于,所述模型测试具体为:选取机组健康运行状态下后15%的主成分数据,按照均匀采样的方法对模型选取测试数据进行模型的测试,使用均方误差MSE、确定系数R-square作为模型测试的指标。
7.如权利要求1所述的旋转机械状态监测和异常自动报警的方法,其特征在于,所述模型预测具体为:给定某段机组新运行的时间序列,对数据进行清洗并进行去均值和方差归一化处理后,使用训练存储的PPCA参数对新数据进行降维分析,得到主成分数据,在把PPCA主成分数据输入训练的OAKR模型,得到系统健康状态的反应估计。
8.一种旋转机械状态监测和异常自动报警的装置,其特征在于,包括:
原始数据获取模块,用于通过数据接口获取机组运行参数的传感器数据,并通信传输存储在本地或云服务器上;
数据预处理模块,用于对传感器数据进行预处理,依次包括频谱特征值提取、缺失值处理、离群值处理、数据标准化、小波包贝叶斯阈值去噪;
主成分数据提取模块,用于使用训练存储的PPCA参数对预处理后的传感器数据进行降维分析,得到主成分数据;
OAKR模型建立模块,用于建立OAKR模型,所述OAKR模型包括模型训练、模型测试和模型预测;
异常报警模块,用于通过检查OAKR模型输出与实际PPCA主成分数据之间的均方误差MSE,来动态判断设备是否出现异常,产生异常警报。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244630.5A CN113008583B (zh) | 2020-11-10 | 2020-11-10 | 一种旋转机械状态监测和异常自动报警的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011244630.5A CN113008583B (zh) | 2020-11-10 | 2020-11-10 | 一种旋转机械状态监测和异常自动报警的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113008583A true CN113008583A (zh) | 2021-06-22 |
CN113008583B CN113008583B (zh) | 2022-03-29 |
Family
ID=76382981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011244630.5A Active CN113008583B (zh) | 2020-11-10 | 2020-11-10 | 一种旋转机械状态监测和异常自动报警的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113008583B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486473A (zh) * | 2021-07-27 | 2021-10-08 | 上海电气风电集团股份有限公司 | 风力发电机组的状态监测方法及其系统及计算机可读存储介质 |
CN114114995A (zh) * | 2021-11-04 | 2022-03-01 | 中通服咨询设计研究院有限公司 | 一种用于数据中心空调系统的调优系统 |
CN114676593A (zh) * | 2022-04-18 | 2022-06-28 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN114825636A (zh) * | 2022-05-26 | 2022-07-29 | 深圳博浩远科技有限公司 | 一种光伏逆变器健康状态监控与告警系统及方法 |
CN116383754A (zh) * | 2023-06-05 | 2023-07-04 | 丹纳威奥贯通道系统(青岛)有限公司 | 一种机车车辆配件生产在线监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107656236A (zh) * | 2017-08-18 | 2018-02-02 | 天津大学 | 基于支持向量数据描述海洋环境下声信号优化方法 |
US20190163719A1 (en) * | 2017-11-29 | 2019-05-30 | Oracle International Corporation | Bivariate optimization technique for tuning sprt parameters to facilitate prognostic surveillance of sensor data from power plants |
CN111563685A (zh) * | 2020-05-09 | 2020-08-21 | 国网江苏省电力有限公司 | 一种基于自联想核回归算法的发电设备状态预警方法 |
-
2020
- 2020-11-10 CN CN202011244630.5A patent/CN113008583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107656236A (zh) * | 2017-08-18 | 2018-02-02 | 天津大学 | 基于支持向量数据描述海洋环境下声信号优化方法 |
US20190163719A1 (en) * | 2017-11-29 | 2019-05-30 | Oracle International Corporation | Bivariate optimization technique for tuning sprt parameters to facilitate prognostic surveillance of sensor data from power plants |
CN111563685A (zh) * | 2020-05-09 | 2020-08-21 | 国网江苏省电力有限公司 | 一种基于自联想核回归算法的发电设备状态预警方法 |
Non-Patent Citations (2)
Title |
---|
J.LING ET AL.: "Fault prediction method for nuclear power machinery based on Bayesian PPCA recurrent neural network model", 《NUCL SCI TECH》 * |
刘双白等: "基于加权AAKR算法的发电设备状态预警技术研究", 《热能动力工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486473A (zh) * | 2021-07-27 | 2021-10-08 | 上海电气风电集团股份有限公司 | 风力发电机组的状态监测方法及其系统及计算机可读存储介质 |
CN114114995A (zh) * | 2021-11-04 | 2022-03-01 | 中通服咨询设计研究院有限公司 | 一种用于数据中心空调系统的调优系统 |
CN114676593A (zh) * | 2022-04-18 | 2022-06-28 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN114676593B (zh) * | 2022-04-18 | 2023-05-23 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN114825636A (zh) * | 2022-05-26 | 2022-07-29 | 深圳博浩远科技有限公司 | 一种光伏逆变器健康状态监控与告警系统及方法 |
CN116383754A (zh) * | 2023-06-05 | 2023-07-04 | 丹纳威奥贯通道系统(青岛)有限公司 | 一种机车车辆配件生产在线监测系统及方法 |
CN116383754B (zh) * | 2023-06-05 | 2023-08-18 | 丹纳威奥贯通道系统(青岛)有限公司 | 一种机车车辆配件生产在线监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113008583B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113008583B (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
CN111262722A (zh) | 一种用于工业控制系统网络的安全监测方法 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN110261080B (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
WO2019239542A1 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
CN113657700A (zh) | 一种基于大数据的矿山安全生产实时监测方法和系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN117076869A (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN116107847A (zh) | 多元时间序列数据异常检测方法、装置、设备及存储介质 | |
CN115587009A (zh) | 一种云平台时序数据异常检测方法、系统、设备和介质 | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
US20230058974A1 (en) | Vulnerability-driven cyberattack protection system and method for industrial assets | |
CN113033673B (zh) | 电机工况异常检测模型的训练方法及系统 | |
CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 |
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 |