CN113255795B - 一种基于多指标集群分析的设备状态监测方法 - Google Patents

Abstract

本发明提出一种基于多指标集群分析的设备状态监测方法，包括以下步骤：数据预处理，将不同量级的数据统一到同一尺度；建立设备集群的正常样本矩阵；选取特征指标，计算特征系数，所述特征指标至少包含1个；将特征系数引入集群分析算法筛选出异常设备。本发明通过引入多种监测指标通过集群分析方法建立状态监测系统，从更多的维度进行设备及系统的状态监测。

Description

一种基于多指标集群分析的设备状态监测方法

技术领域

本发明涉及设备状态监测技术领域，尤其是一种基于多指标集群分析的设备状态监测方法。

背景技术

常规的设备状态监测方法通常是针对单一设备运行过程数据设置固定阈值进行监测，参考中国专利公开号为CN112732516A的一种设备监控方法及系统，根据设备类型和每种类型的设备对应的关键属性信息创建不同类型的设备对应的设备监控模板；通过顺序标识对相同类型的设备对应的主设备监控模板和子设备监控模板进行主键关联；接收监控请求机构发送的监控请求，并当根据监控请求机构的机构信息确定允许监控被监控主设备和被监控子设备时，根据被监控设备的类型分别调用主设备监控模板和子设备监控模板，完成所述监控设备的实例化；通过设备运行系统实时地获取被监控主设备和被监控子设备的运行信息，将所述运行信息和设备监控模板中的同属性的监控属性阈值进行比较，获取比较结果，并根据比较结果确定被监控主设备和被监控子设备的运行状态，这样做在进行设备状态监测过程中具有较明确的指向性，但是在实际过程中为了减少虚报的发生，固定阈值一般设置的较为宽松，这导致了当设备状态衰减到一定程度时才发现设备的异常，此时需要在短时间内进行相关设备停运、维修人员安排、备料、调配修理窗口、进行设备修理等流程。因此，基于固定阈值进行单一设备的监测存在两个缺陷：一是采用常规方法（阈值监测）发现的设备异常程度已经较高，为了避免进一步恶化往往需要紧急停机然后再耗时安排人力物力进行设备维修，增加生产成本；二是以单一设备为目标的设备监测具有强烈的局限性，忽略设备之间的关联性，更忽视了相关信息的深入分析挖掘。

发明内容

本发明解决了现有技术仅能通过单一的监测手段、单一的监测对象导致滞后的运维机制的问题，提出一种基于多指标集群分析的设备状态监测方法，通过引入多种监测指标通过集群分析方法建立状态监测系统，从更多的维度进行设备及系统的状态监测。

为实现上述目的，提出以下技术方案：

一种基于多指标集群分析的设备状态监测方法，包括以下步骤：

S1，数据预处理，将不同量级的数据统一到同一尺度；

S2，建立设备集群的正常样本矩阵；

S3，选取特征指标，计算特征系数，所述特征指标至少包含1个；

S4，将特征系数引入集群分析算法筛选出异常设备。

本发明对于原有监测手段单一的问题，本发明在原有监测方法的基础上引入多种集群分析算子并给出其中几个算子的部分实现方式，使得工程师可针对性的配置监测方案对设备及系统异常进行监测；对于监测对象单一的问题，引入设备集群的概念，本发明中所述的设备集群是指流体介质共通或上下游关联耦合或运行状态一致等，常规情况下设备集群中多数设备同时异常为小概率事件，当设备集群中少数设备监测信号与其余设备相比出现差异时该设备或设备所在的系统往往需要引起关注；最后，通过实验发现在采用多指标集群分析方法对设备及系统进行状态监测时可做到对异常事件的及时发现与尽早处理。

作为优选，所述特征系数包括正常工况偏离系数、实时趋势变化差异系数和分布相似性系数。

正常工况偏离系数主要描述了设备各测点数据与本身历史正常样本数据的相似程度，本质是一种针对同一对象在不同时间维度的分析指标，现给出该指标的一种实现方式。实时趋势变化差异系数，通过算法自动获取各监测对象近期趋势变化情况。分布相似系数主要用来描述同一预处理标准下不同分析对象之间的分布差异性，现给出分布相似性系数的一种实现方式。

作为优选，所述正常工况偏离系数的计算过程如下：

采集监测对象各测点实时运行数据，分别对设备集群的每个设备采集到的实时样本与每组正常样本计算欧式距离，选取最小值作为正常工况偏离系数，实测值与第i个正常样本之间的加权欧氏距离如下所示：

其中u代表欧式距离，q表示测点权重，Z₁表示标准化因子是一个常数，y表示实时数据，x表示正常样本,n表示采集测点编号；

第j个设备的正常工况偏离系数为实时值与各正常样本欧氏距离数组的最小值，用w_j,1表示。

作为优选，所述实时趋势变化差异系数的计算过程如下：

采集设备集群的实时运行数据与最近设定时间内的历史运行数据标准化后一起输入实时趋势计算算法以识别其趋势变化情况，并结合识别结果对相关趋势进行编码：趋势平稳为0，趋势上升为1，趋势下降为-1，趋势阶跃陡升为2，趋势阶跃陡降为-2。

作为优选，所述实时趋势计算算法包括以下步骤：

待识别数据总长度为l，设定参数总体趋势基元为“不变”、“上升”、“下降”、“正阶跃”和“负阶跃”，

利用最小二乘法线性拟合每一段数据，记录斜率k与第s时刻纵坐标为xs，

对于拟合好的线性公式根据新的测点并记录拟合值与实际值的残差E并进行累加，当残差累加达到一定阈值Ecusum时再等待最新的一段数据重新进行拟合；

根据前一段拟合直线与后一段拟合直线提取特征值l，l_d，l_s，特征值计算公式如下：

s代表开始点，e代表结束点，i表示所拟合的第i段曲线，t表示时刻，根据特征值l，ld，ls以及设定阈值vtc和vts通过决策树识别对应数据趋势识别结果，通过vtc识别数据是否出现阶跃，通过vts表示识别数据是否存在显著的趋势项；

根据趋势识别结果获取第j个设备的实时趋势编码数组为Tj，

所有设备趋势识别结果编码矩阵为T，

对各设备趋势变化结果进行整合：

g_ji表示第j台设备第i个测点的实时趋势特征值，m表示设备总数，n表示第n台设备，

其中，Gj表示设备j实时趋势特征值汇总结果：

式中，wj,2表示第j台设备与其它设备之间的实时趋势变化差异系数，W1为表示各测点重要度的权重系数数组，Z2为标准化因子。

作为优选，所述分布相似性系数的计算过程如下：

采集最近设定时间内待监测设备集群下的相关测点，对不同设备的同类型测点数据计算其分布相似系数，

式中，KL（）为相对熵，JS（）为基于KL（）计算的数组之间的散度，Q1，Q2表示待分析的两个数组，

表示两数组之间的相似度，值越小代表两个数组之间相似度越高，Pj,i表示第j台设备第i个测点最近一段时间采集数据集，

Aj,n表示第j与第n台设备各测点之间的相似度数组；

wj,3表示设备j与其它设备之间分布相似性系数，q表示设备权重，Z3表示标准化因子。

作为优选，所述S1具体包括以下步骤：

采集最近设定时间内的历史数据分别计算每一个测点的均值和标准偏差生成各数据的标准化准则，基于标准化准则对所有历史数据进行标准化处理：

其中，y为实时采集数据，Y为历史数据集，mean(Y)表示取历史数据集的平均值，std(Y)表示取历史数据集的标准偏差。

作为优选，所述S2具体包括以下步骤：

获取监测对象正常状态下的运行时间区间，基于时间区间获取监测对象正常运行数据并标准化，然后通过等间隔采样的方法对该数据集进行降采样生成正常样本矩阵：

D为单台设备正常工况下的样本矩阵，p为监测传感器数，n为样本总数。

作为优选，所述S4具体包括以下步骤：

S401，对监测对象提取特征指标建立样本矩阵w，

其中，n代表所监测设备的总数；

S402，根据特征指标将样本拆分为两个簇，包括以分析设备为基准的正常样本簇和异常样本簇，以单台设备为正常基准计算该设备特征指标与其它设备特征指标的平均距离，选取平均距离最远的样本对应设备为假设的异常设备，记录本次结果，

平均距离计算公式如下：

其中，w_j和w_n分别表示设备j和设备n特征指标，h表示指标总数。

S403，重复S402，直到遍历所有设备并得到评价结果汇总表，利用冗余信息差异分析法，通过设备状态的统计结果，定位异常设备。

本发明的有益效果是：

1.本发明摒弃单一设备状态监测思维的局限，充分利用了整个系统中设备的关联关系与机理知识建立设备集群，能够对设备及设备所在系统进行早期预警并增强报警的目的性与准确度。

2.本发明引入的监测系统与方法可以进行灵活配置，根据监测设备及对应系统的特性适配丰富的指标生成定制化监测方案，并对各设备、各测点、各指标配以不同的权重，达到基于集群分析方法进行设备监测的目的。

附图说明

图1实施例的设备集群排布示意图；

图2 实施例的实时趋势识别决策树；

图3 实施例的基于集群分析法进行设备状态监测流程图。

具体实施方式

实施例：

本实施例以某工厂四台水泵为例，该工厂四台相同型号的水泵进行了如图1所示的并联排布方式，且绝大部分情况下四台水泵同时运行，此外该工厂针对这四台水泵分别布置了流量传感器、振动传感器、出口压力传感器、电流电功率传感器、转速传感器，监测设备运行过程中的相关信息。

本实施例提出一种基于多指标集群分析的设备状态监测方法，参考图2和图3，包括以下步骤：

S1，数据预处理，将不同量级的数据统一到同一尺度；

S1具体包括以下步骤：

采集最近设定时间内的历史数据分别计算每一个测点的均值和标准偏差生成各数据的标准化准则，基于标准化准则对所有历史数据进行标准化处理：

其中，y为实时采集数据，Y为历史数据集，mean(Y)表示取历史数据集的平均值，std(Y)表示取历史数据集的标准偏差。

首先对采集到四台水泵最近历史两年的数据通过公式：

进行标准化处理。

S2，建立设备集群的正常样本矩阵；

S2具体包括以下步骤：

获取监测对象正常状态下的运行时间区间，基于时间区间获取监测对象正常运行数据并标准化，然后通过等间隔采样的方法对该数据集进行降采样生成正常样本矩阵：

D为单台设备正常工况下的样本矩阵，p为监测传感器数，n为样本总数。

选取四台水泵正常运行区间通过降采样生成正常样本矩阵D。

S3，选取特征指标，计算特征系数，特征指标至少包含1个；本实施例的特征系数包括正常工况偏离系数、实时趋势变化差异系数和分布相似性系数。

正常工况偏离系数的计算过程如下：

采集监测对象各测点实时运行数据，分别对设备集群的每个设备采集到的实时样本与每组正常样本计算欧式距离，选取最小值作为正常工况偏离系数，实测值与第i个正常样本之间的加权欧氏距离如下所示：

其中u代表欧式距离，q表示测点权重，Z₁表示标准化因子是一个常数，y表示实时数据，x表示正常样本,n表示采集测点编号；

第j个设备的正常工况偏离系数为实时值与各正常样本欧氏距离数组的最小值，用w_j,1表示。

实时趋势变化差异系数的计算过程如下：

采集设备集群的实时运行数据与最近设定时间内的历史运行数据标准化后一起输入实时趋势计算算法以识别其趋势变化情况，并对相关趋势进行编码：趋势平稳为0，趋势上升为1，趋势下降为-1，趋势阶跃陡升为2，趋势阶跃陡降为-2。

实时趋势计算算法包括以下步骤：

待识别数据总长度为l，设定参数总体趋势基元为“不变”、“上升”、“下降”、“正阶跃”和“负阶跃”，

利用最小二乘法线性拟合每一段数据，记录斜率k与第s时刻纵坐标为xs，

对于拟合好的线性公式根据新的测点并记录拟合值与实际值的残差E并进行累加，当残差累加达到一定阈值Ecusum时再等待最新的一段数据重新进行拟合；

根据前一段拟合直线与后一段拟合直线提取特征值l，l_d，l_s，特征值计算公式如下：

s代表开始点，e代表结束点，i表示所拟合的第i段曲线，t表示时刻，根据特征值l，ld，ls以及设定阈值vtc和vts通过决策树识别对应数据趋势识别结果，通过vtc识别数据是否出现阶跃，通过vts表示识别数据是否存在显著的趋势项；

根据趋势识别结果获取第j个设备的实时趋势编码数组为Tj，

所有设备趋势识别结果编码矩阵为T，

对各设备趋势变化结果进行整合：

g_ji表示第j台设备第i个测点的实时趋势特征值，m表示设备总数，n表示第n台设备，

其中，Gj表示设备j实时趋势特征值汇总结果：

式中，wj,2表示第j台设备与其它设备之间的实时趋势变化差异系数，W1为表示各测点重要度的权重系数数组，Z2为标准化因子。

分布相似性系数的计算过程如下：

采集最近设定时间内待监测设备集群下的相关测点，对不同设备的同类型测点数据计算其分布相似系数，

式中，KL（）为相对熵，JS（）为基于KL（）计算的数组之间的散度，Q1，Q2表示待分析的两个数组，

表示两数组之间的相似度，值越小代表两个数组之间相似度越高，Pj,i表示第j台设备第i个测点最近一段时间采集数据集，

Aj,n表示第j与第n台设备各测点之间的相似度数组；

wj,3表示设备j与其它设备之间分布相似性系数，q表示设备权重，Z3表示标准化因子。

S4，将特征系数引入集群分析算法筛选出异常设备。

本发明给出其中三个特征系数的实现方式，实际中可以根据具体情况任意设计需要监测的特征系数。根据计算的特征系数引入集群分析算法选出可能的异常设备，由于所选择的特征指标具有较强的针对性，操作人员可直接通过各特征指标人为去进行各监测设备异常状态监测，也可以引入层次筛分方法结合冗余信息差异分析法进行异常设备自动筛选。

层次筛分方法具体如下：

S401，对监测对象提取特征指标建立样本矩阵w，

其中，n代表所监测设备的总数；

S402，根据特征指标将样本拆分为两个簇，包括以分析设备为基准的正常样本簇和异常样本簇，以单台设备为正常基准计算该设备特征指标与其它设备特征指标的平均距离，选取平均距离最远的样本对应设备为假设的异常设备，记录本次结果，

平均距离计算公式如下：

其中，w_j和w_n分别表示设备j和设备n特征指标，h表示指标总数。

S403，重复S402，直到遍历所有设备并得到评价结果汇总表，利用冗余信息差异分析法，通过设备状态的统计结果，定位异常设备。

通过算法提取正常工况偏离系数、实时趋势变化差异系数、分布相似系数三个指标建立四台设备的特征指标表，参考表1。

表1 设备特征指标表

设备 指标	正常工况偏离系数	实时趋势变化差异系数	分布相似系数
				设备1	w11	w12	w13
设备2	w21	w12	w13
				设备3	w31	w12	w13
设备4	w11	w12	w13

基于提取的特征指标，引入集群分析算法得到表2所示的设备状态识别汇总表。

表2 设备状态识别结果汇总

设备 设备	设备1	设备2	设备3	设备4
					设备1	/	正常	正常	异常
设备2	正常	/	正常	异常
					设备3	正常	正常	/	异常
设备4	异常	正常	正常	/
					异常统计	1	0	0	3

基于该表中设备异常统计结果认为：相较于其它3台设备，设备4状态存在异常。经过进一步分析发现该设备与其他设备相比分布相似性系数偏低，特别是流量测点数据相较于其它设备整体偏高，且通过趋势变化差异系数反推发现流量测点趋势与其它设备存在差异，最终确定是由于设备之间水力不均导致。

本发明对于原有监测手段单一的问题，本发明在原有监测方法的基础上引入多种集群分析算子并给出其中几个算子的部分实现方式，使得工程师可针对性的配置监测方案对设备及系统异常进行监测；对于监测对象单一的问题，引入设备集群的概念，本发明中所述的设备集群是指流体介质共通或上下游关联耦合或运行状态一致等，常规情况下设备集群中多数设备同时异常为小概率事件，当设备集群中少数设备监测信号与其余设备相比出现差异时该设备或设备所在的系统往往需要引起关注；最后，通过实验发现在采用多指标集群分析方法对设备及系统进行状态监测时可做到对异常事件的及时发现与尽早处理。

本发明摒弃单一设备状态监测思维的局限，充分利用了整个系统中设备的关联关系与机理知识建立设备集群，能够对设备及设备所在系统进行早期预警并增强报警的目的性与准确度。

本发明引入的监测系统与方法可以进行灵活配置，根据监测设备及对应系统的特性适配丰富的指标生成定制化监测方案，并对各设备、各测点、各指标配以不同的权重，达到基于集群分析方法进行设备监测的目的。

Claims (8)

1.一种基于多指标集群分析的设备状态监测方法，其特征是，包括以下步骤：

S1，数据预处理，将不同量级的数据统一到同一尺度；

S2，建立设备集群的正常样本矩阵；

S3，选取特征指标，计算特征系数，所述特征指标至少包含1个；根据监测设备及对应系统的特性适配特征指标生成定制化监测方案，并对各设备、各测点、各指标配以不同的权重；

S4，将特征系数引入集群分析算法筛选出异常设备：

具体包括以下步骤：

S401，对监测对象提取特征指标建立样本矩阵w，

其中，n代表所监测设备的总数；

S402，根据特征指标将样本拆分为两个簇，包括以分析设备为基准的正常样本簇和异常样本簇，以单台设备为正常基准计算该设备特征指标与其它设备特征指标的平均距离，选取平均距离最远的样本对应设备为假设的异常设备，记录本次结果，

平均距离计算公式如下：

其中，w_j和w_n分别表示设备j和设备n特征指标，h表示指标总数；

S403，重复S402，直到遍历所有设备并得到评价结果汇总表，利用冗余信息差异分析法，通过设备状态的统计结果，定位异常设备。

2.根据权利要求1所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述特征系数包括正常工况偏离系数、实时趋势变化差异系数和分布相似性系数。

3.根据权利要求2所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述正常工况偏离系数的计算过程如下：

采集监测对象各测点实时运行数据，分别对设备集群的每个设备采集到的实时样本与每组正常样本计算欧式距离，选取最小值作为正常工况偏离系数，实测值与第i个正常样本之间的加权欧氏距离如下所示：

其中u代表欧式距离，q表示测点权重，Z₁表示标准化因子是一个常数，y表示实时数据，x表示正常样本,n表示采集测点编号；

第j个设备的正常工况偏离系数为实时值与各正常样本欧氏距离数组的最小值，用w_j,1表示。

4.根据权利要求2所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述实时趋势变化差异系数的计算过程如下：

采集设备集群的实时运行数据与最近设定时间内的历史运行数据标准化后一起输入实时趋势计算算法以识别其趋势变化情况，并结合识别结果对相关趋势进行编码：趋势平稳为0，趋势上升为1，趋势下降为-1，趋势阶跃陡升为2，趋势阶跃陡降为-2。

5.根据权利要求4所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述实时趋势计算算法包括以下步骤：

待识别数据总长度为l，设定参数总体趋势基元为“不变”、“上升”、“下降”、“正阶跃”和“负阶跃”，

利用最小二乘法线性拟合每一段数据，记录斜率k与第s时刻纵坐标为x_s，

对于拟合好的线性公式根据新的测点并记录拟合值与实际值的残差E并进行累加，当残差累加达到一定阈值E_cusum时再等待最新的一段数据重新进行拟合；

根据前一段拟合直线与后一段拟合直线提取特征值l，l_d，l_s，特征值计算公式如下：

s代表开始点，e代表结束点，i表示所拟合的第i段曲线，t表示时刻，根据特征值l，l_d，l_s以及设定阈值v_tc和v_ts通过决策树识别对应数据趋势识别结果，通过v_tc识别数据是否出现阶跃，通过v_ts表示识别数据是否存在显著的趋势项；

根据趋势识别结果获取第j个设备的实时趋势编码数组为T_j，

所有设备趋势识别结果编码矩阵为T，

对各设备趋势变化结果进行整合：

g_ji表示第j台设备第i个测点的实时趋势特征值，m表示设备总数，n表示第n台设备，

其中，G_j表示设备j实时趋势特征值汇总结果：

式中，w_j,2表示第j台设备与其它设备之间的实时趋势变化差异系数，W₁为表示各测点重要度的权重系数数组，Z₂为标准化因子。

6.根据权利要求2所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述分布相似性系数的计算过程如下：

采集最近设定时间内待监测设备集群下的相关测点，对不同设备的同类型测点数据计算其分布相似系数，

式中，KL为相对熵，JS为基于KL计算的数组之间的散度，Q₁，Q₂表示待分析的两个数组，

表示两数组之间的相似度，值越小代表两个数组之间相似度越高，P_j,i表示第j台设备第i个测点最近一段时间采集数据集，

A_j,n表示第j与第n台设备各测点之间的相似度数组；

w_j,3表示设备j与其它设备之间分布相似性系数，q表示设备权重，Z₃表示标准化因子。

7.根据权利要求1所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述S1具体包括以下步骤：

采集最近设定时间内的历史数据分别计算每一个测点的均值和标准偏差生成各数据的标准化准则，基于标准化准则对所有历史数据进行标准化处理：

其中，y为实时采集数据，Y为历史数据集，mean(Y)表示取历史数据集的平均值，std(Y)表示取历史数据集的标准偏差。

8.根据权利要求1所述的一种基于多指标集群分析的设备状态监测方法，其特征是，所述S2具体包括以下步骤：

获取监测对象正常状态下的运行时间区间，基于时间区间获取监测对象正常运行数据并标准化，然后通过等间隔采样的方法对该数据集进行降采样生成正常样本矩阵：

D为单台设备正常工况下的样本矩阵，p为监测传感器数，n为样本总数。

Images