CN113221441A - 一种电厂设备健康评估的方法及装置 - Google Patents

一种电厂设备健康评估的方法及装置 Download PDF

Info

Publication number
CN113221441A
CN113221441A CN202110386981.8A CN202110386981A CN113221441A CN 113221441 A CN113221441 A CN 113221441A CN 202110386981 A CN202110386981 A CN 202110386981A CN 113221441 A CN113221441 A CN 113221441A
Authority
CN
China
Prior art keywords
parameter
parameters
deviation
value
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
Application number
CN202110386981.8A
Other languages
English (en)
Other versions
CN113221441B (zh
Inventor
赵俊
王立峰
安佰京
李海斌
潘爱兵
侯玉亭
刘洪涛
孙永华
杨明亮
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.)
Shandong Luruan Digital Technology Co Ltd
Original Assignee
Shandong Luneng Software Technology Co Ltd
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 Shandong Luneng Software Technology Co Ltd filed Critical Shandong Luneng Software Technology Co Ltd
Publication of CN113221441A publication Critical patent/CN113221441A/zh
Application granted granted Critical
Publication of CN113221441B publication Critical patent/CN113221441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/23—Clustering 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
    • G06N3/08—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明公开了一种电厂设备健康评估的方法及装置，包括：从P I数据库中获取设备参数的实时运行数据；加载训练阶段中的BP神经网络回归模型，计算实时运行数据各个参数的残差值；根据实时运行数据的参数残差大小按照变权公式调整参数权重，获取参数的变权重；按照偏差分值公式、偏差严重等级公式、偏差紧迫性公式计算各个参数的偏差分值、偏差严重等级、偏差紧迫性指标，并与训练阶段中的同类设备同类参数均值进行对比计算各个参数的同类横向对比指标；各个参数偏差严重等级、偏差紧迫性、同类横向对比指标跟参数变权重进行累乘，实现对参数权重再次调整，以便对实时运行数据进行工况类型识别，代入训练阶段确定的该工况下的归一化映射关系得到归一化数值，作为工况运行等级数值。

Description

一种电厂设备健康评估的方法及装置
技术领域
本发明涉及设备健康评价领域，特别涉及一种电厂设备健康评估的方法及装置。
背景技术
随着当代化工业技术的快速发展，电厂设备规模越来越庞大且精密，现有电厂设备在线实时监测系统已经不能再适应当下密集电厂设备在线监控任务的需要，电厂设备遇到的安全可靠性不断下降及使用性能不断衰退等问题严重影响了电力企业的生产效益。因此，电厂设备安全性、稳定性、可靠性及运行效率等关键能力所确保的核心竞争力显得尤为重要，电厂设备健康管理技术越来越受到重视。
针对电厂设备的健康评价问题，国内外在相关技术方面开展了研究工作，部分理论研究已经进入了实际的工程应用阶段。文献《基于健康指数的设备运行状态评价与预测》[J].合肥工业大学学报，2015年10月，第38卷第10期，张彦如等人通过以特征参数作为失效凭据，构建设备多参数运行状态评价模型，在模型运用过程中依据参数偏离理想值的程度进行参数变权，使得计算分数能反映设备真实状态。该方法依托于设备的参数权重和参数偏差来评价该设备的运行状态，因而设备的参数权重和参数偏差真实性和有效性会对设备综合运行状态的有效评价产生直接影响。文献《基于运行工况辨识的风电机组健康状态实时评价方法》[J].中国电机工程学报，2013年4月15日，第33卷第11期，董玉亮等人考虑设备工况的多样性，采用工况辨识法实时识别运行工况。在运行工况子空间，建立基于高斯混合模型(GMM)多状态特征融合的健康状态评价模型，计算健康衰退指数(HDI)进行设备健康状态评价。该方法没有考虑对于相同工况下存在优良中差的区别机制，同时Kmeans聚类进行工况划分的缺乏合理性评价。
发明内容
针对于已有设备健康评价技术对设备综合评价指标考虑不够充分及无法有效量化设备健康程度差异的突出问题，本发明提供了一种电厂设备健康评估的方法及装置。
根据本发明实施例提供的一种电厂设备健康评估的方法，包括：
获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；
利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；
根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；
利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
根据本发明实施例提供的一种电厂设备健康评估的装置，包括：
第一计算模块，用于获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；
第二计算模块，用于利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；
第三计算模块，用于根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；
评估模块，用于利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
根据本发明实施例提供的方案，通过融合多项评价指标，从全局出发构建设备对象的综合性健康评价体系。本发明通过对设备直接参数的健康权重、严重等级、发展紧迫性、同类参数对比差异性、工况运行等级等多个影响因素综合分析，实现对设备健康度的全方位考量，提升设备健康评价的客观性与准确性。传统设备健康评价技术常用的各个参数分值乘以对应权重的所得总体分数具有片面性的弊端，而在实际运行中使用本发明可以实现对目标设备对象精确评价，为设备运行指导提供有益帮助。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的电厂设备的健康评价模型训练阶段流程图。
图2是本发明实施例提供的电厂设备健康评价模型运行阶段流程图；
图3是本发明实施例提供的根据参数偏差频次分布确定偏差阈值的示意图；
图4是本发明实施例提供的1号机组磨煤机A设备的动态分离器减速机输出轴承温度回归模型评估效果图；
图5是本发明实施例提供的1号机组磨煤机A设备异常时的设备健康评价效果图；
图6是本发明实施例提供的一种电厂设备健康评估的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明基于BP神经网络回归模型实现多维参数偏离的计算，再整合偏差严重等级、偏差紧迫性、同类参数横向对比3个因素实现多维参数动态权重的计算，并通过多参数偏差分值与工况运行等级数值的计算实现设备健康评价的功能。该方法主要包括设备健康评价模型构建和设备健康评价模型运行两个过程。
图6是本发明实施例提供的一种电厂设备健康评估的方法流程图，如图6所示，包括：
步骤S601：获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；
步骤S602：利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；
步骤S603：根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；
步骤S604：利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
其中，所述利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值包括：利用预置的BP神经网络回归模型和所述目标设备参数的实时运行数据，计算各个参数的残差值；根据预先计算的每类工况下同类设备同类参数的参数均值和所述目标设备参数的实时运行数据，计算各个参数的同类横向对比指标；通过对所述目标设备参数的实时运行数据进行工况类型识别处理，得到工况运行等级数值。
其中，所述利用预置的BP神经网络回归模型和所述目标设备参数的实时运行数据，计算各个参数的残差值包括：将所述目标设备参数的实时运行数据进行数据归一化处理，得到归一化后的实时运行数据；根据预置的BP神经网络回归模型和所述归一化后的实时运行数据，得到各个参数的评估数据；根据所述目标设备参数的实时运行数据和所述各个参数的评估数据，计算各个参数的残差值。
其中，所述预先计算的每类工况下同类设备同类参数的参数均值包括：根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据；通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值。
其中，所述根据预先计算的每类工况下同类设备同类参数的参数均值和所述目标设备参数的实时运行数据，计算各个参数的同类横向对比指标包括：根据所述目标设备参数的实时运行数据的工况参数，确定与所述工况参数对应的工况类型；根据所确定的工况类型和预先计算的每类工况下同类设备同类参数的参数均值，确定在所述工况类型下同类设备同类参数的参数均值；利用所述在所述工况类型下同类设备同类参数的参数均值，计算各个参数的同类横向对比指标。
其中，所述根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值包括：
pscorei＝(cr+Isl_i)*(cr+URi)*(cr+Isc_i)*w变2_i*scorei
Figure BDA0003015465740000031
其中，cr为基准值，Isc_i为第i个参数的同类横向对比指标数值，Isl_i为第i个参数的偏差严重等级指标数值，URi为第i个参数的偏差紧迫性指标数值，w变2_i为第i个参数的变权重，scorei为第i个参数的偏差分数，pscorei为第i个参数的偏离程度分值，n为总列数，totalScore为参数偏离程度分值。
其中，所述通过对所述目标设备参数的实时运行数据进行工况类型识别处理，得到工况运行等级数值包括：
Figure BDA0003015465740000041
其中，RL为实时工况运行等级数值，Vmax为工况下的目标参数的历史最大值，Vmin为该工况下的目标参数的历史最大值，Vi为当前运行数据的目标参数数值。
其中，所述利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值包括：
deviceScore＝RL*totalScore
其中，totalScore为参数偏离程度分值，RL为实时工况运行等级数值。
本发明实施例还提供了一种电厂设备健康评估的装置，包括：第一计算模块，用于获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；第二计算模块，用于利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；第三计算模块，用于根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；评估模块，用于利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
图1是本发明实施例提供的电厂设备的健康评价模型训练阶段流程图，如图1所示，包括：
步骤1：从PI数据库中获取目标设备相关参数指定时间段的全部数据，根据启停条件判断的参数数值来识别并剔除全部数据中的停机数据，处理后的数据作为历史数据；
步骤2：依据故障异常筛选规则从历史数据中剔除本设备工单中记录的故障事件对应时间段的数据，同时采用箱线图法识别剩余数据中的离群、异常数据，处理过后的最终数据作为训练数据；
步骤3：通过互信息算法计算训练数据各个参数的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重；
步骤4：使用训练数据构建4层的BP神经网络回归模型，全部参数既作为回归模型的输入，也作为回归模型的输出，中间搭建2层隐含层。使用BP神经网络回归模型计算历史数据的评估值，历史数据减历史评估值得到历史残差数据。使用BP神经网络回归模型计算训练数据的评估值，训练数据减训练评估值得到训练残差数据，得到训练残差数据；
步骤5：使用历史残差数据及训练残差数据绝对值，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值；
步骤6：通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值；
步骤7：使用概率分布相似性聚类算法对历史数据进行工况划分，根据数据的相似性自适应得到多个工况分类，并计算不同工况下同类设备同类参数的参数均值；
步骤8：设定目标参数的特性有越大越优、越小越优、越趋近于某个值越优3个。在同工况下，计算目标参数的最大值和最小值，用于运行阶段的目标参数数值的归一化处理。
图2为本发明电厂设备健康评价模型的测试流程图，整个设备健康评价运行过程主要包括以下6个步骤：
步骤1：从PI数据库中获取设备参数的实时运行数据；
步骤2：加载训练阶段步骤4中的BP神经网络回归模型，计算实时运行数据各个参数的残差值；
步骤3：根据实时运行数据的参数残差大小按照变权公式调整参数权重，获取参数的变权重；
步骤4：按照偏差分值公式、偏差严重等级公式、偏差紧迫性公式计算各个参数的偏差分值、偏差严重等级、偏差紧迫性指标，并与训练阶段步骤7中的同类设备同类参数均值进行对比计算各个参数的同类横向对比指标。
步骤5：各个参数偏差严重等级、偏差紧迫性、同类横向对比指标跟参数变权重进行累乘，实现对参数权重再次调整，各个参数的偏差分值乘以对应的参数权重作累加值即为参数偏离程度分值。
步骤6：对实时运行数据进行工况类型识别，代入训练阶段步骤8确定的该工况下的归一化映射关系得到归一化数值，作为工况运行等级数值。将参数偏离程度分值与工况运行等级做乘积作为设备健康评价分数。
工况，是指在一种条件下的设备工作状态。比如发动机在燃料消耗率最低时的运行状态称″经济工况″；在负荷超过额定值时的运行状态称″超载工况″。在本发明中，工况指的是使用发电负荷等外因参数进行数值范围划分的不同设备数据状态。
本发明实施例整个建模过程主要包括以下步骤：
步骤1：从PI数据库中获取目标设备相关参数的指定时间段的全部数据，根据判断启停条件的参数，识别并剔除全部数据中的停机数据，处理后的数据作为历史数据。
这里以南方某电厂1号机组磨煤机A设备为例，首先选取能直接反映磨煤机A运行状态的磨煤机电流、磨煤机电动机轴承温度、磨煤机出力等119个相关参数；依据上述信息从该电厂PI数据库中读取1号机组磨煤机A设备的2017年～2019年2年历史数据，同时也要获取1号机组的另外5台磨煤机(磨煤机B、磨煤机C、磨煤机D、磨煤机E、磨煤机F)的相同参数相同时间范围的历史数据集合。利用磨煤机电流大于10安培的磨煤机设备启动条件对6份历史数据集合进行停机数据过滤；
假设参数数分别为n的6台磨煤机全部数据的数据条数为m1，历史数据的数据条数为m2，在j时刻的全部参数数据可看作一个n维列向量，表示为：
u(tj)＝[uj1，uj2，uj3，...，ujn]
ujn为某台磨煤机第j时刻运行数据，磨煤机ABCDEF全部数据文件分别保存为m1×n的矩阵格式，具体形式如下：
Figure BDA0003015465740000061
Fa1为磨煤机A的全部数据，Ff1为磨煤机F的全部数据。磨煤机ABCDEF历史数据文件保存为m2×n的矩阵格式，具体形式如下：
Figure BDA0003015465740000062
Fa2为磨煤机A的历史数据，Ff2为磨煤机F的历史数据，按照上述方法，所有数据的存储形式：样本数据的行表示这个样本数据矩阵的样本时间，列表示这个样本数据的参数。由于历史数据是经过全部数据的数据清洗得到的，故m2小于m1。
步骤2：从历史数据中依据故障异常筛选规则剔除本设备工单中记录的故障事件对应时间段数据，同时采用箱线图法识别剩余数据中每个参数的离群数据、异常数据，处理过后的最终数据作为训练数据；
以1号机组磨煤机A设备举例，利用磨煤机出口风粉混合物温度大于100摄氏度、磨煤机动态分离器轴承温度大于107摄氏度等筛选规则从1号机组磨煤机A设备历史数据获取该设备全部的故障数据、异常数据的起止时间信息；依据这些时间信息从历史数据中剔除故障、异常起止时间得到训练数据Ta。
计算每个参数的数据四分位距iqr、上四分位数prctile75及下四分位数prctile25，则该参数的上限阈值为：threupper＝prctile75+3*iqr，该参数的下限阈值为：
threlower＝prctile25-3*iqr
每个参数的数据按照上限阈值threupper下限阈值threlower判断并剔除该参数存在的异常数据。
磨煤机A训练数据文件Ta保存为m3×n的矩阵格式，具体形式如下：
Figure BDA0003015465740000071
m2是历史数据的行数；m3是训练数据的行数；历史数据经过数据筛选得到训练数据，故m3应该是小于m2。
其中，uij表示磨煤机A训练数据文件Ta第i时刻第j测点的数值。
步骤3：通过互信息算法计算训练数据各个参数的信息熵和条件熵，两者的差值即为互信息特征，归一化之后的互信息特征作为参数常权重；
以计算磨煤机A的参数常权重为例，输入矩阵为训练数据Ta，首先计算参数两两之间的信息熵H，计算公式为：
Figure BDA0003015465740000072
其中，P(i)为参数i的概率，H(i)为信息熵。
在已知参数j的条件下，参数i的条件熵H(i|j)计算公式为：
Figure BDA0003015465740000073
互信息I(i，j)为参数i的信息熵H(i)跟参数i的条件熵H(i|j)的差值，具体公式如下：
I(i，j)＝H(i)-H(i|j)＝I(j，i)
使用互信息算法可对训练数据Ta可以计算一个n×n的互信息矩阵FMI，如下所示：
Figure BDA0003015465740000081
其中，FMI为互信息矩阵，I(i，j)为参数i与参数j的互信息特征。
.对FMI矩阵计算每行数值的均值，
Figure BDA0003015465740000082
其中，Rel(i)表示第i行全部互信息特征的均值。
最终得到一维向量Rel，该向量的归一化数值可作为磨煤机A每个参数的常权重W原。
Figure BDA0003015465740000083
其中，Rel(i)表示互信息矩阵中每行互信息特征的均值。
步骤4：使用训练数据构建4层的BP神经网络回归模型，全部参数既作为回归模型的输入，也作为回归模型的输出，中间搭建2层隐含层。使用BP神经网络回归模型计算历史数据的评估值，历史数据减历史评估值得到历史残差数据。使用BP神经网络回归模型计算训练数据的评估值，训练数据减训练评估值得到训练残差数据，得到训练残差数据。
以1号机组磨煤机A为例，首先对其建立由一个输入层、两个隐藏层、一个输出层组成的BP神经网络，其各层节点数为[n，20，20，n]。输入层与输出层的神经元数n为1号机组磨煤机A训练数据Ta的参数个数。
首先，对训练数据Ta进行数据归一化处理，得到归一化数据矩阵Ta_norm。按照下面公式对训练数据Ta进行数据映射到[0，1]区间
Figure BDA0003015465740000084
其中，Ta_norm[i，j]为时间i参数j的归一化数值，Ta[i，j]为时间i参数j的训练数值，Ta_max_j为参数j上最大值，Ta_min_j为参数j上的最小值。
然后，使用训练数据Ta对BP神经网络进行网络参数的训练，训练数据的全部参数既作为BP神经网络的输入节点也作为网络的输出节点。BP神经网络各层激活函数均选择非线性函数sigmod函数
Figure BDA0003015465740000091
各层神经元连接权值和阈值通过全部数据不断的迭代优化，获取使得网络损失函数数值最小的网络参数作为最终结果。
BP神经网络训练具体过程如下：
第1步，数据信号由输入层输入经过隐含层向输出层逐层传播，在这过程中要经过神经元之间的权值与神经元中激活函数的计算，最终才能从输出层输出神经网络的计算值。
以隐藏层或输出层的某个节点j为例，则节点j的输入Sj为上一层i个神经元的加权累计输出值，即：Sj＝∑iwijyi
其中wij为i到j的各个权值，yi为i的输出值。
假设节点j的阈值为θj，那么节点j的实际输入为：uj＝∑iwijyi-θj同时节点j的输出为yi＝f(uj)＝f(Sj-θj)，其中f(uj)激活函数sigmod函数。
第2步，网络进行误差反向传播，首先计算输出层的输出与网络期望输出的误差，比较误差与网络设定的学习精度的大小，如果误差大于学习精度，则计算误差对神经网络中的权值与阈值求偏导数，根据梯度下降法调整神经元之间的权值与阈值。
这2个过程通过不断地循环运行，直到迭代次数大于设定的最大迭代次数或者误差小于设定的学习精度等终止条件，则BP神经网络训练成功。
将训练数据Ta_norm代入BP神经网络模型中进行训练后得到训练评估数据Tfore，训练数据Ta与训练评估数据Tfore的差值作为训练数据的残差数据Rta。将历史数据Fa2代入BP神经网络模型中进行训练后得到历史评估数据Fa2_fore，历史数据Fa2与历史评估数据Fa2_fore的差值作为历史数据的残差数据Rfa。
步骤5：对训练残差数据进行绝对值处理，通过概率密度分布的置信度挖掘参数评分分数分别为30、50、60对应的参数残差阈值。
参数评分分数60对应的参数残差阈值挖掘方法为：将训练残差数据矩阵Rta首先进行绝对值处理，然后训练残差数据矩阵Rta每个参数的残差数值最大值作为参数60分值对应的阈值，最终得到60分的阈值向量Tr60。
参数评分分数50、30对应的参数残差阈值挖掘方法为：首先将历史残差数据矩阵Rfa进行绝对值处理，然后从历史残差数据矩阵Rfa中，每个参数剔除小于Tr60对应参数60分阈值的数据得到剩余残差数据矩阵Rra。将Rra进行绝对值处理，然后将使用频次分布统计法计算Rra的各个数值区间的区间中心数值n以及频数m，按照下述公式将频数m转化为累积概率密度曲线f(j)，这样就可以得到该参数残差各个数值区间中心数值n与累积概率密度f的对应关系数组NF，使用线性插值的方法，如图3所示，本发明可以计算出置信度60％对应的残差数值作为分数50对应的阈值，置信度90％对应的残差数值作为分数30对应的阈值。
Figure BDA0003015465740000101
其中，mi为第i个数值区间的频数，f(j)为前j个数值区间的累积概率密度。
步骤6：通过累积概率密度分布构建参数残差绝对值与参数分数的非线性回归关系，用于获取参数偏离程度分值。
本发明对[60，100]、[50，60]、[30，50]、[0，30]四个分数区间分别计算参数残差绝对值与参数分数的对应关系。
以参数i的分数区间[60，100]计算为例，从训练残差数据矩阵Rta抽取参数i数值Rtai，然后对Rtai计算其累积概率密度函数f(i)。再通过公式：
Scorei＝Scorehigh-ΔScore*f(i)
其中，ΔScore为所在分数区间分差，Scorehigh为所在分数区间的最高分数。即可得到数值分数与数值区间中心数值概率对应关系数组SFi。
本发明利用该参数的分数与残差累积概率密度对应关系数组SFi跟残差区间中心数值与残差累积概率密度的对应关系数组NFi的对应关系，获得参数残差区间中心数值与参数分数的非线性回归关系数组NSi。利用该非线性回归关系数组NSi，可用于将参数残差数值直接转化为参数分数。
步骤7：使用概率分布相似性聚类算法对历史数据进行工况划分，根据数据的相似性自适应得到多个工况分类，并计算不同工况下同类设备同类参数的参数均值。下面以1号机组磨煤机设备为例：
1)对1号机组的6台磨煤机ABCDEF设备历史数据矩阵Fa2、Fb2、Fc2、Fd2、Fe2、Ff2进行数据合并得历史数据合并矩阵Ftotal；
2)提取历史数据合并矩阵Ftotal当中的工况识别参数给煤机煤量进行合并数据WPi；
3)对工况识别参数给煤机煤量数据WPi进行箱线图算法判断，将数据分成3种：
a)位于箱线图以内的数据DATAin；
位于箱线图以内的数据DATAin利用概率分布相似性聚类算法进行聚类分析，概率分布相似性聚类算法实现步骤如下：首先计算DATAin的核密度曲线kf；用差值法找到曲线的波谷和波峰，核密度曲线kf全部数值进行两两作差，差值数值k由正变负作为曲线的波峰点，斜率数值k由负变正作为曲线的波谷点，作为数值分割点；间隔距离小于总体数值范围2％的相邻数值分割点需要进行合并，相邻数值分割点之间求均值作为新的分割点；最后数值分割点之间的数据占比大于10％需要进行以5％的2次分割，最后得到的分割点综合起来作为分割点集合。
b)位于箱线图上端以外的数DATAupper；
箱线图上端以外DATAupper利用等数值间隔的方式进行聚类分析；
c)位于箱线图下端以外的数据DATAlower；
箱线图下端以外DATAlower利用等数值间隔的方式进行聚类分析；
4)对工况识别参数数据WPi的所有数据进行工况类型标注。
5)根据每个工况识别参数的工况类型分类情况，对历史数据矩阵Ftotal每条数据进行工况分类，确定每类工况的工况识别参数数据WP的上下限WPmax与WPmin，并计算每个工况下全部参数的均值向量MV＝[mv1，mv2，...，mvi，...，mvn]，其中mvi表示该工况下的第i个参数的均值：
步骤8：设定目标参数的特性有越大越优、越小越优、越趋近于某个值越优3种情况。在同工况下，计算目标参数的最大值和最小值，用于运行阶段的目标参数数值的归一化处理。
以1号机组磨煤机A为例，将磨煤机单耗指标设置为设备的目标参数，单耗越小则代表磨煤机性能越佳，在将磨煤机历史数据矩阵Fa2通过步骤7得到x个工况矩阵后，每个工况下的目标参数数值为V，分别获取其单耗最小的数据，得到x个最小值Vmin与x个最大值Vmax，在工况i的情况下，该工况的每条数据按照下述公式做数据归一化处理，将磨煤机单耗指标最大值最小值分别缩放为0和1。
Figure BDA0003015465740000111
对于目标参数的特性为越大越优的情况下，数据归一化处理公式为：
Figure BDA0003015465740000121
对于目标参数的特性为越趋近于某个值越优的情况下，数据归一化处理公式为：
Figure BDA0003015465740000122
其中，V为该工况下的目标参数数值，Vmax为该工况下的目标参数的最大值，Vmin为该工况下的目标参数的最小值，kding为该工况下的目标参数最优值。图2为本发明运行模型的流程图，下面以1号机组磨煤机A设备为例具体阐述整个设备健康评价模型的运行过程，主要包括以下步骤：
步骤1：从PI数据库中获取设备参数的实时运行数据
从PI数据库中获取1号机组磨煤机A在2020年3月2日03时至2020年3月3日03时的数据集合，假设t时刻的数据为Fat，Fat为一个1×n的数据向量，n为总列数。Fat＝[Fa1t，Fa2t，...，Fait，...，Fant]。其中Fait表示磨煤机A在第t时刻第i参数的数值；
步骤2：加载训练阶段步骤4中的BP神经网络回归模型，计算实时运行数据各个参数的残差值；
将当前运行数据Fat进行数据归一化处理得到Fatnorm，将Fatnorm代入训练阶段步骤4训练完成的BP神经网络回归模型中，先得到各个参数的评估数据Fxfore，再计算其残差Lat，即：
Lat＝Fat-Fafore
其中，Lat为残差数据，Fat为当前运行数据，Fafore为各个参数的评估数据；
经过BP神经网络回归模型的评估计算，1号机组磨煤机A的动态分离器减速机润滑油油温及磨煤机动态分离器减速机输出轴承温参数残差数据出现偏大的现象。具体情形如图4所示，整体趋势从开始经过6小时温度从75摄氏度升高到83摄氏度，该磨煤机两个参数在该时间段的评估值和实际值的残差值Lat较大，该温度异常到发展中期的时候，运检人员进行了操作处理后，温度有下降但又出现从76摄氏度升高到86摄氏度9小时的异常升温现象，该磨煤机两个参数在该时间段的评估值和实际值的残差值Lat也是较平时要大。
步骤3：根据实时运行数据的参数残差大小按照变权公式调整参数权重，获取参数的变权重；
以1号机组磨煤机A设备的实时运行参数变权过程如下：
1)首先获取参数的常权重W原，W原为训练阶段步骤3中的各个参数的常权重值。
Figure BDA0003015465740000131
其中，Rel(i)为磨煤机A设备的第i参数的互信息特征均值。
2)对运行阶段的步骤2计算的残差数据Lat按照下述公式1进行数值归一化处理得到残差归一化数据Δx，按照下述公式2调整计算各个参数的权重，得到各个参数的首次变权重W变。
Figure BDA0003015465740000132
Figure BDA0003015465740000133
其中，Lat_i为在第i时刻磨煤机A参数残差，Lmaxa_i表示在第i时刻磨煤机A参数残差最大值，Lmina_i表示在第i时刻磨煤机A参数残差最小值，Δx为残差归一化数据，W变i为磨煤机第i个参数的首次变权重，W原i为磨煤机第i个参数的原始权重。
3)计算实时运行数据各个参数的权重变化ΔWn，每个参数的最终变权值可按照下述公式计算得到W变2。
ΔWni＝W原i-W变i
W变2i＝W原i+0.5*ΔWi
其中，W原i为磨煤机第i个参数的原始权重，W变i为磨煤机第i个参数的首次变权重，ΔWni为实时运行数据第i个参数的权重变化，W变2i为磨煤机第i个参数的2次变权重；
步骤4：按照偏差分值公式、偏差严重等级公式、偏差紧迫性公式计算各个参数的偏差分值、偏差严重等级、偏差紧迫性指标，并与训练阶段步骤7中的同类设备同类参数均值进行对比计算各个参数的同类横向对比指标。
1)以实时运行数据的残差值Lat中的参数i为例，参数的残差值为Lati，代入训练阶段步骤6所得到的参数残差区间中心数值与参数分数的非线性回归关系数组NSi。查询参数i残差数值x临近的两组残差数值偏差分数(x0，y0)(x1，y1)，再通过下述线性插值公式计算，得到参数i的偏差分值scorei。
Figure BDA0003015465740000141
其中，scorei为参数i的偏差分值，x为参数i残差数值，y为参数i分数。
2)偏差严重等级能够反映当前参数偏离正常数值范围的程度。这里仍以实时运行数据的参数i为例，从专业技术上确定参数的上下报警限值uupper和ulower，同时以公式确定参数的预警上下包络限值eupper＝Fafore+LT max和elower＝Fafore+LT min。其中Fafore为磨煤机各个参数的评估数据，若参数i的数值xi位于上报警限值uupper_i和预警上包络限值eupper_i之间，则偏差严重等级Isl_i计算公式为下述公式1，若参数i的数值xi位于下报警限值ulower_i和预警下包络限值elower_i之间，若参数i的数值xi属于其他情况下则Isl_i设为0，则偏差严重等级Isl_i计算公式为下述公式2。
Figure BDA0003015465740000142
Figure BDA0003015465740000143
其中，Isl_i为偏差严重等级指标数值，xi为参数i的数值，uupper为参数的上报警限值，ulower为参数的下报警限值，eupper_i为预警上包络限值，elower_i为预警下包络限值。
3)偏差紧迫性可以反映当前参数残差的发展速度，当前参数残差的发展速度越大，偏差紧迫性指标越大，反之偏差紧迫性指标越小，本发明采用计算变化率方式代替偏差紧迫性。这里以实时运行数据的参数i为例，本发明以1小时间窗口对最近一天的残差数据Lat_i进行移动步长为0.5小时的等窗口残差数据切分，每个时间窗口下获取开始时间点t1的残差数据
Figure BDA0003015465740000144
以及结束时间点t2的残差数据
Figure BDA0003015465740000145
通过下述公式1得到变化率ΔLa。所有变化率ΔLa按照下述公式2计算均值作为参数i的偏差紧迫性URi，该数值大于0。其中n为计算总数据的条数。
Figure BDA0003015465740000151
Figure BDA0003015465740000152
其中，
Figure BDA0003015465740000153
为开始时间点t1的残差数据，
Figure BDA0003015465740000154
为结束时间点t2的残差数据，ΔLa为单位时间窗口下残差数据的变化率，URi为磨煤机A设备的参数i偏差紧迫性指标数值。
4)同类横向对比指标代表通过参数数值跟同类设备同类参数的均值对比的偏离程度，使用该指标能够减少因设备运行特性产生的分数误差。这里以实时运行数据的参数i为例，首先根据该数据的工况参数确定工况类型WP，从而确定在该工况类型WP下同类设备该类参数的均值mvi，然后从专业技术上确定参数的上下报警限值uupper_i和ulower_i，。若参数i的数值xi位于上报警限值uupper_i和该类参数的均值mvi之间，则同类横向对比指标Isc_i计算公式为下述公式1，若参数i的数值xi位于下报警限值ulower_i和该类参数的均值mvi之间，则偏差严重等级Isc_i计算公式为下述公式2，若参数i的数值xi属于其他情况下则Isc_i设为0。
Figure BDA0003015465740000155
Figure BDA0003015465740000156
其中，Isc_i为同类横向对比指标数值，xi为参数i的数值，uupper为参数的上报警限值，ulower为参数的下报警限值，mvi为该工况下的第i个参数均值。
步骤5：各个参数偏差严重等级、偏差紧迫性、同类横向对比指标跟参数变权重进行累乘，实现对参数权重再次调整，各个参数的偏差分值乘以对应的参数权重作累加值即为参数偏离程度分值。
以1号机组磨煤机A设备参数i为例，根据运行阶段步骤4计算的参数i的偏差分数、偏差严重等级、偏差紧迫性、同类横向对比指标可按照下述公式组合计算参数i的偏离程度分值pscorei：
pscorei＝(cr+Isl_i)*(cr+URi)*(cr+Isc_i)*w变2_i*scorei
其中cr为基准值，一般设置成0.1，Isc_i为第i个参数的同类横向对比指标数值，Isl_i为第i个参数的偏差严重等级指标数值，URi为设备参数i的偏差紧迫性指标数值。
则1号机组磨煤机A设备的直接参数综合得分totalScore按照下述公式计算全部参数的累加。
Figure BDA0003015465740000161
步骤6：对实时运行数据进行工况类型识别，代入训练阶段步骤7确定的该工况下的归一化映射关系得到归一化数值，作为工况运行等级数值。将参数偏离程度分值与工况运行等级做乘积作为设备健康评价分数。
以1号机组磨煤机A设备为例，首先，使用给煤机煤量参数数值WPi识别当前数据工况类型，工况类型判断条件为训练阶段步骤7的工况参数上下分类限值WPmax与WPmin。
然后，使用该工况下的目标参数磨煤机单耗的历史最大值Vmax与历史最小值Vmin，对当前运行数据的目标参数Vi进行数值归一化处理，由于目标参数磨煤机单耗越小越优，则按照下述公式计算工况运行等级数值RL。
Figure BDA0003015465740000162
其中，RL为实时工况运行等级数值，Vmax为该工况下的目标参数磨煤机单耗的历史最大值，Vmin为该工况下的目标参数磨煤机单耗的历史最小值，Vi为当前运行数据的目标参数数值。
最终得到1号机组磨煤机A设备实时健康评价分数为：
deviceScore＝RL*totalScore
其中，totalScore为设备的直接参数综合得分，RL为实时工况运行等级数值。
如图5所示，可以看出本发明在1号机组磨煤机A设备健康评价效果，在第1次温度异常升高，设备直接参数综合得分totalScore由70分下降到53分，在第2次温度异常升高，设备直接参数综合得分totalScore由70分下降到35分。本发明对1号机组磨煤机A设备健康分数符合当时的设备异常情况。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (10)

1.一种电厂设备健康评估的方法，其特征在于，包括：
获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；
利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；
根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；
利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
2.根据权利要求1所述的方法，其特征在于，所述利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值包括：
利用预置的BP神经网络回归模型和所述目标设备参数的实时运行数据，计算各个参数的残差值；
根据预先计算的每类工况下同类设备同类参数的参数均值和所述目标设备参数的实时运行数据，计算各个参数的同类横向对比指标；
通过对所述目标设备参数的实时运行数据进行工况类型识别处理，得到工况运行等级数值。
3.根据权利要求2所述的方法，其特征在于，所述利用预置的BP神经网络回归模型和所述目标设备参数的实时运行数据，计算各个参数的残差值包括：
将所述目标设备参数的实时运行数据进行数据归一化处理，得到归一化后的实时运行数据；
根据预置的BP神经网络回归模型和所述归一化后的实时运行数据，得到各个参数的评估数据；
根据所述目标设备参数的实时运行数据和所述各个参数的评估数据，计算各个参数的残差值。
4.根据权利要求2所述的方法，其特征在于，所述预先计算的每类工况下同类设备同类参数的参数均值包括：
根据用户配置的用于反映电厂目标设备运行状态的多个相关参数，获取每个相关参数的历史数据；
通过对所述每个相关参数的历史数据进行工况划分，得到多个工况分类，并根据用户配置的目标参数，计算每类工况下同类设备同类参数的参数均值。
5.根据权利要求4所述的方法，其特征在于，所述根据预先计算的每类工况下同类设备同类参数的参数均值和所述目标设备参数的实时运行数据，计算各个参数的同类横向对比指标包括：
根据所述目标设备参数的实时运行数据的工况参数，确定与所述工况参数对应的工况类型；
根据所确定的工况类型和预先计算的每类工况下同类设备同类参数的参数均值，确定在所述工况类型下同类设备同类参数的参数均值；
利用所述在所述工况类型下同类设备同类参数的参数均值，计算各个参数的同类横向对比指标。
6.根据权利要求1所述的方法，其特征在于，所述根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值包括：
pscorei＝(cr+Isl_i)*(cr+URi)*(cr+Isc_i)*w变2_i*scorei
Figure FDA0003015465730000031
其中，cr为基准值，Isc_i为第i个参数的同类横向对比指标数值，Isl_i为第i个参数的偏差严重等级指标数值，URi为第i个参数的偏差紧迫性指标数值，w变2_i为第i个参数的变权重，scorei为第i个参数的偏差分数，pscorei为第i个参数的偏离程度分值，n为总列数，totalScore为参数偏离程度分值。
7.根据权利要求2所述的方法，其特征在于，所述通过对所述目标设备参数的实时运行数据进行工况类型识别处理，得到工况运行等级数值包括：
Figure FDA0003015465730000032
其中，RL为实时工况运行等级数值，Vmax为工况下的目标参数的历史最大值，Vmin为该工况下的目标参数的历史最大值，Vi为当前运行数据的目标参数数值。
8.根据权利要求1所述的方法，其特征在于，所述利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值包括：
deviceScore＝RL*totalScore
其中，totalScore为参数偏离程度分值，RL为实时工况运行等级数值。
9.一种电厂设备健康评估的装置，其特征在于，包括：
第一计算模块，用于获取待评估的目标设备参数的实时运行数据，并利用所述目标设备参数的实时运行数据，分别计算各个参数的残差值、各个参数的同类横向对比指标以及工况运行等级数值；
第二计算模块，用于利用所述各个参数的残差值，分别计算各个参数的变权重、偏差分数、偏差严重等级以及偏差紧迫性指标；
第三计算模块，用于根据所述各个参数的变权重、所述偏差分数、所述偏差严重等级、所述偏差紧迫性指标以及所述同类横向对比指标，计算所述参数的偏离程度分值；
评估模块，用于利用所述工况运行等级数值和所述参数的偏离程度分值，得到所述目标设备的健康评估值。
10.根据权利要求9所述的装置，其特征在于，所述评估模块包括：
deviceScore＝RL*totalScore
其中，totalScore为参数偏离程度分值，RL为实时工况运行等级数值。
CN202110386981.8A 2020-12-24 2021-04-12 一种电厂设备健康评估的方法及装置 Active CN113221441B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020115447600 2020-12-24
CN202011544760 2020-12-24

Publications (2)

Publication Number Publication Date
CN113221441A true CN113221441A (zh) 2021-08-06
CN113221441B CN113221441B (zh) 2022-12-02

Family

ID=77086855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386981.8A Active CN113221441B (zh) 2020-12-24 2021-04-12 一种电厂设备健康评估的方法及装置

Country Status (1)

Country Link
CN (1) CN113221441B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822580A (zh) * 2021-09-24 2021-12-21 华润电力技术研究院有限公司 一种设备工况评估方法以及相关设备
CN114655285A (zh) * 2022-02-25 2022-06-24 北京全路通信信号研究设计院集团有限公司 转辙机健康度评测方法、装置、终端设备和存储介质
CN116069095A (zh) * 2023-04-06 2023-05-05 山东金宇信息科技集团有限公司 一种机房环境调节方法、设备及介质
CN117078043A (zh) * 2023-08-22 2023-11-17 华能澜沧江水电股份有限公司 一种水电厂计算机监控系统的状态评价方法
CN117273547A (zh) * 2023-11-17 2023-12-22 建平慧营化工有限公司 基于边缘计算的生产设备运行数据处理方法
CN117563144A (zh) * 2023-12-04 2024-02-20 惠州市凌盛医疗科技有限公司 一种红外治疗仪状况评估与剩余寿命预测方法及系统
CN117572105A (zh) * 2023-03-02 2024-02-20 广东省源天工程有限公司 一种电力设备隐性缺陷的混合式检测装置

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估系统及评估方法
US20140067327A1 (en) * 2011-05-03 2014-03-06 China Real-Time Technology Co., Ltd. Similarity curve-based equipment fault early detection and operation optimization methodology and system
CN104850889A (zh) * 2014-11-19 2015-08-19 北京航空航天大学 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
CN105787648A (zh) * 2016-02-19 2016-07-20 国网浙江省电力公司金华供电公司 一种基于实时运行信息的配电变压器健康状态评价方法
CN105809255A (zh) * 2016-03-07 2016-07-27 大唐淮南洛河发电厂 一种基于物联网的火电厂旋转机械健康管理方法及系统
CN106456067A (zh) * 2014-06-06 2017-02-22 德克斯康公司 基于数据和背景的故障判别和响应处理
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN108846489A (zh) * 2018-07-02 2018-11-20 天泽信息产业股份有限公司 一种基于svm的大型设备健康状况评估方法
CN109063308A (zh) * 2018-07-26 2018-12-21 北京航空航天大学 一种基于深度量子学习的健康评估方法
CN109085813A (zh) * 2018-06-29 2018-12-25 国家能源投资集团有限责任公司 故障的诊断方法和装置
CN109740953A (zh) * 2019-01-09 2019-05-10 华北电力大学（保定） 一种风电机组的实时状态评估方法
CN110084502A (zh) * 2019-04-19 2019-08-02 国网安徽省电力有限公司 一种电能质量治理设备运行状态评估方法及装置
CN110333414A (zh) * 2019-08-02 2019-10-15 华北电力大学（保定） 电力变压器多层次状态评估方法
US20190394283A1 (en) * 2018-06-21 2019-12-26 Disney Enterprises, Inc. Techniques for automatically interpreting metric values to evaluate the health of a computer-based service
CN110826934A (zh) * 2019-11-21 2020-02-21 广州供电局有限公司 中压开关柜健康度评价方法、装置及系统
CN110880062A (zh) * 2019-10-31 2020-03-13 广西电网有限责任公司电力科学研究院 一种配电设备状态检修时间的确定方法
CN111401795A (zh) * 2020-04-26 2020-07-10 新智数字科技有限公司 设备健康状态的评估方法、装置、可读介质及电子设备
US20200282503A1 (en) * 2018-08-28 2020-09-10 Dalian University Of Technology Comprehensive performance evaluation method for cnc machine tools based on improved pull-off grade method
CN111812427A (zh) * 2020-05-29 2020-10-23 中电普瑞电力工程有限公司 一种电力电子装置的健康状态评估方法及系统
CN112034789A (zh) * 2020-08-25 2020-12-04 国家机床质量监督检验中心 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN112032034A (zh) * 2020-05-21 2020-12-04 和尘自仪(嘉兴)科技有限公司 海水泵健康状态评估方法、模型、装置及存储介质

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858312A (zh) * 2010-05-31 2010-10-13 重庆大学 风力发电机组实时运行状态评估系统及评估方法
US20140067327A1 (en) * 2011-05-03 2014-03-06 China Real-Time Technology Co., Ltd. Similarity curve-based equipment fault early detection and operation optimization methodology and system
CN106456067A (zh) * 2014-06-06 2017-02-22 德克斯康公司 基于数据和背景的故障判别和响应处理
CN104850889A (zh) * 2014-11-19 2015-08-19 北京航空航天大学 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
CN105787648A (zh) * 2016-02-19 2016-07-20 国网浙江省电力公司金华供电公司 一种基于实时运行信息的配电变压器健康状态评价方法
CN105809255A (zh) * 2016-03-07 2016-07-27 大唐淮南洛河发电厂 一种基于物联网的火电厂旋转机械健康管理方法及系统
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
US20190394283A1 (en) * 2018-06-21 2019-12-26 Disney Enterprises, Inc. Techniques for automatically interpreting metric values to evaluate the health of a computer-based service
CN109085813A (zh) * 2018-06-29 2018-12-25 国家能源投资集团有限责任公司 故障的诊断方法和装置
CN108846489A (zh) * 2018-07-02 2018-11-20 天泽信息产业股份有限公司 一种基于svm的大型设备健康状况评估方法
CN109063308A (zh) * 2018-07-26 2018-12-21 北京航空航天大学 一种基于深度量子学习的健康评估方法
US20200282503A1 (en) * 2018-08-28 2020-09-10 Dalian University Of Technology Comprehensive performance evaluation method for cnc machine tools based on improved pull-off grade method
CN109740953A (zh) * 2019-01-09 2019-05-10 华北电力大学（保定） 一种风电机组的实时状态评估方法
CN110084502A (zh) * 2019-04-19 2019-08-02 国网安徽省电力有限公司 一种电能质量治理设备运行状态评估方法及装置
CN110333414A (zh) * 2019-08-02 2019-10-15 华北电力大学（保定） 电力变压器多层次状态评估方法
CN110880062A (zh) * 2019-10-31 2020-03-13 广西电网有限责任公司电力科学研究院 一种配电设备状态检修时间的确定方法
CN110826934A (zh) * 2019-11-21 2020-02-21 广州供电局有限公司 中压开关柜健康度评价方法、装置及系统
CN111401795A (zh) * 2020-04-26 2020-07-10 新智数字科技有限公司 设备健康状态的评估方法、装置、可读介质及电子设备
CN112032034A (zh) * 2020-05-21 2020-12-04 和尘自仪(嘉兴)科技有限公司 海水泵健康状态评估方法、模型、装置及存储介质
CN111812427A (zh) * 2020-05-29 2020-10-23 中电普瑞电力工程有限公司 一种电力电子装置的健康状态评估方法及系统
CN112034789A (zh) * 2020-08-25 2020-12-04 国家机床质量监督检验中心 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
曹现刚等: "采煤机健康状态智能评估方法研究", 《工矿自动化》 *
李鑫等: "基于GA-BP神经网络的非等时距GM(1,1)模型及其应用", 《江西测绘》 *
薛文涛等: "神经网络模型在同类武器装备综合评估中的应用", 《计算机仿真》 *
龙建平等: "基于设备健康状态的燃煤机组发电能力评估系统设计", 《广西电力》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822580A (zh) * 2021-09-24 2021-12-21 华润电力技术研究院有限公司 一种设备工况评估方法以及相关设备
CN114655285A (zh) * 2022-02-25 2022-06-24 北京全路通信信号研究设计院集团有限公司 转辙机健康度评测方法、装置、终端设备和存储介质
CN114655285B (zh) * 2022-02-25 2024-01-19 北京全路通信信号研究设计院集团有限公司 转辙机健康度评测方法、装置、终端设备和存储介质
CN117572105A (zh) * 2023-03-02 2024-02-20 广东省源天工程有限公司 一种电力设备隐性缺陷的混合式检测装置
CN116069095A (zh) * 2023-04-06 2023-05-05 山东金宇信息科技集团有限公司 一种机房环境调节方法、设备及介质
CN117078043A (zh) * 2023-08-22 2023-11-17 华能澜沧江水电股份有限公司 一种水电厂计算机监控系统的状态评价方法
CN117078043B (zh) * 2023-08-22 2024-04-30 华能澜沧江水电股份有限公司 一种水电厂计算机监控系统的状态评价方法
CN117273547A (zh) * 2023-11-17 2023-12-22 建平慧营化工有限公司 基于边缘计算的生产设备运行数据处理方法
CN117273547B (zh) * 2023-11-17 2024-01-30 建平慧营化工有限公司 基于边缘计算的生产设备运行数据处理方法
CN117563144A (zh) * 2023-12-04 2024-02-20 惠州市凌盛医疗科技有限公司 一种红外治疗仪状况评估与剩余寿命预测方法及系统
CN117563144B (zh) * 2023-12-04 2024-05-28 郭永强 一种红外治疗仪状况评估与剩余寿命预测方法及系统

Also Published As

Publication number Publication date
CN113221441B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN113221441B (zh) 一种电厂设备健康评估的方法及装置
Ye et al. A novel forecasting method based on multi-order fuzzy time series and technical analysis
Aziz et al. A study on gradient boosting algorithms for development of AI monitoring and prediction systems
CN109491338B (zh) 一种基于稀疏gmm的多模过程质量相关的故障诊断方法
CN107480731A (zh) 一种火电厂汽动给水泵组故障特征的早期识别方法
CN113221442B (zh) 一种电厂设备健康评估模型的构建方法及装置
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
Siew-Hong et al. Selection of optimal maintenance policy by using fuzzy multi criteria decision making method
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN114015825B (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN111583012B (zh) 融合文本信息的信用债发债主体违约风险评估方法
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN112101445B (zh) 一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN113569462A (zh) 一种计及天气因素的配电网故障等级预测方法及系统
CA3186873A1 (en) Activity level measurement using deep learning and machine learning
CN112417627A (zh) 一种基于四维指标体系配电网运行可靠性分析方法
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
Tsai et al. Data pre-processing by genetic algorithms for bankruptcy prediction
CN113837578A (zh) 一种电力监理企业网格化监督管理评价方法
Sari et al. The effectiveness of hybrid backpropagation Neural Network model and TSK Fuzzy Inference System for inflation forecasting
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
Garcia-Almanza et al. Forecasting stock prices using genetic programming and chance discovery
CN115952914A (zh) 一种基于大数据的电力计量运维工作判别规划方法

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
CP01 Change in the name or title of a patent holder

Address after: Yinhe building, 2008 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province

Patentee after: Shandong luruan Digital Technology Co.,Ltd.

Address before: Yinhe building, 2008 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province

Patentee before: SHANDONG LUNENG SOFTWARE TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder