CN113822580A - 一种设备工况评估方法以及相关设备 - Google Patents
一种设备工况评估方法以及相关设备 Download PDFInfo
- Publication number
- CN113822580A CN113822580A CN202111122912.2A CN202111122912A CN113822580A CN 113822580 A CN113822580 A CN 113822580A CN 202111122912 A CN202111122912 A CN 202111122912A CN 113822580 A CN113822580 A CN 113822580A
- Authority
- CN
- China
- Prior art keywords
- equipment
- measuring point
- working condition
- evaluated
- time value
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 63
- 238000013145 classification model Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000010801 machine learning Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 34
- 238000007635 classification algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种设备工况评估方法以及相关设备，用于提升设备工况评估的精细度。本申请实施例方法包括：获取拟评估设备当前时间段的第一测点实时值；获取关联设备的第二测点实时值；根据第一测点实时值和第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；根据第一测点实时值加权系数、第二测点实时值加权系数、第一测点实时值和第二测点实时值计算拟评估设备的测点评估值；将测点评估值输入拟评估设备的标准工况分类模型，得到标准工况分类模型输出的每种工况的发生概率；计算测点评估值与每种工况的拟合度；根据每种工况的发生概率以及测点评估值与每种工况的拟合度，确定拟评估设备的目标工况。
Description
技术领域
本申请实施例涉及发电领域，尤其涉及一种设备工况评估方法以及相关设备。
背景技术
为使设备安全可靠地运行,以及随时了解设备的运行状况,必须对重大设备及系统进行工况评估以科学地管理高速连续自动运行的设备。
目前通用的设备工况评估方法，通过定时检测设备的单一或一组测点的实时值进行判断。若设备的单一或一组测点的实时值处于预设的标准区间内，则认为该设备处于稳态工况；若设备的单一或一组测点的实时值处于预设的标准区间外，则认为该设备处于故障工况。
但在实际应用中，设备可能处于不同的稳态工况，不同的稳态工况下设备各测点实时值所处的区间也是不尽相同，只依靠单一或一组确定的标准区间来对设备的工况进行判断是不够精细的。
发明内容
本申请实施例第一方面提供一种设备工况评估方法，其特征在于，包括：
获取拟评估设备当前时间段的第一测点实时值；
获取所述拟评估设备当前时间段的关联设备的第二测点实时值；
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；
根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值；
将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率，所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率；
计算所述测点评估值与每种所述工况的拟合度；
根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度，确定所述拟评估设备的目标工况。
可选的，在所述将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率之前，所述方法还包括：
获取所述拟评估设备的第一测点历史值；
获取所述拟评估设备的关联设备的第二测点历史值；
根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型；
根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的，在所述根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型之前，所述方法还包括：
清洗所述第一测点历史值和所述第二测点历史值，和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的，在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前，所述方法还包括：
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的，所述根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数包括：
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的，所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例第二方面提供一种设备工况评估装置，其特征在于，包括：
获取单元，用于获取拟评估设备当前时间段的第一测点实时值；
所述获取单元，还用于获取所述拟评估设备当前时间段的关联设备的第二测点实时值；
计算单元，用于根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；
所述计算单元，还用于根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值；
所述计算单元，还用于将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率，所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率；
所述计算单元，还用于计算所述测点评估值与每种所述工况的拟合度；
确定单元，用于根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度，确定所述拟评估设备的目标工况。
可选的，所述获取单元，还用于获取所述拟评估设备的第一测点历史值；
所述获取单元，还用于获取所述拟评估设备的关联设备的第二测点历史值；
所述计算单元，还用于根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型；
所述计算单元，还用于根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的，所述计算单元还用于，
清洗所述第一测点历史值和所述第二测点历史值，和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的，在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前，所述计算单元具体用于：
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的，所述计算单元具体用于：
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的，所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例第三方面提供一种设备工况评估装置，包括：
中央处理器，存储器以及输入输出接口；
所述存储器为短暂存储存储器或持久存储存储器；
所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行本申请实施例第一方面的设备工况评估方法。
本申请实施例第四方面提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行本申请实施例第一方面的设备工况评估方法。
从以上技术方案可以看出，本申请实施例具有以下优点:考虑拟评估设备当前时间段的第一测点实时值和所述拟评估设备当前时间段的关联设备的第二测点实时值，与不同工况进行拟合。综合了拟评估设备和关联设备的数据，再做工况判断，判断结果精细度更高，进而可信度更高。
附图说明
图1为本申请实施例设备工况评估方法的一个流程示意图；
图2为本申请实施例设备工况评估装置的一个结构示意图；
图3为本申请实施例设备工况评估装置的另一结构示意图。
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做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。
基于多元时序变量的设备工况判断通过自主学习设备历史测点数据并结合设备设定的标准测点数据运行范围来判定。一个设备在其生命周期内会出现不同的工况，包括多种正常的工况和多种故障工况，每个工况在设备的测点数据中都会有不同的体现，且不同设备在整个系统中的位置不同，设备本身工况受到的上下游设备的影响不一而论，
本申请实施例提供了一种设备工况评估方法，用于提升设备工况评估的精细度。
请参阅图1，本申请设备工况评估方法一个实施例包括：
101、获取拟评估设备的第一测点历史值。
在对拟评估设备当前时间段的工况作判断之前，需要根据历史时间段的测点历史值通过机器学习算法对模型进行训练。首先需要获取拟评估设备在一个历史时间段所有测点的第一测点历史值。可选的，根据作业人员的需求可以只获取拟评估设备在某一维度的测点的实时值，即第一测点历史值。其中，某一维度可以是压力或温度，此处不作限定。
102、获取拟评估设备的关联设备的第二测点历史值。
根据步骤101中获取的拟评估设备的第一测点历史值通过工业流程和机理分析确定关联设备的部分相关测点并获取这些相关测点的第二测点历史值。在实际应用中，作业人员每次分析确定的关联设备的部分相关测点是不完全相同的，当多次获取后作业人员选择的关联设备的部分相关测点趋于相同时，通过机器学习算法的学习，设备工况评估装置可自行分析确认拟评估设备在当前时刻的关联设备的部分相关测点，然后获取部分相关测点在当前时刻的第二测点历史值。
103、根据第一测点历史值通过机器学习算法得到拟评估设备的第一工况分类模型，并根据第二测点历史值通过机器学习算法得到关联设备的第二工况分类模型。
在获取第一测点历史值和第二测点历史值之后，需要对第一测点历史值和第二测点历史值进行清洗，剔除死区值、采样有误等无效值和存在缺失值的测点历史值。若完成清洗后的测点历史值数据量过大时，可以根据设备的特性进行横向(数据测点数)或纵向(单测点时序数据采集量)的降维处理，以取得性能和精度的平衡点。
在实际应用中，当设备测点较多时，通过主成分分析方式，确定设备工况主要测点，即横向减少测点；当测点采样数据较多时，通过降采样的方式，使实际参与计算的数据点减少，即纵向减少采样数据，具体此处不作限定。
进行清洗和降维后的第一测点历史值和第二测点历史值还会进行归一化处理。具体的，若历史值符合高斯分布，则采用z分数(z-score)归一化，若历史值不符合高斯分布，则采用最大最小归一化，可以知道的是，在实际应用中还会使用其他归一化方法，此处不作限定。
完成以上清洗、降维和归一化处理之后的历史值会通过机器学习算法进行分类。具体的会先提取拟评估设备各测点的第一测点历史值的特征值和关联设备各测点的第二测点历史值的特征值，对不同测点的特征值采用机器学习算法进行学习。其中，机器学习算法可以是贝叶斯分类学习算法、k近邻分类算法或支持向量机分类算法，特征值包括中位数、均值、峰度、偏度和最值中的至少一个，具体此处不作限定。在实际应用中，当采用贝叶斯分类学习算法时，在完成分类后采用最小错误率计算分类性能的好坏，若分类性能不佳，则会重新进行分类。
分类完成后可以得到第一工况分类模型和第二工况分类模型。
104、根据性能判定方法加权修正第一工况分类模型和第二工况分类模型得到拟评估设备的标准工况分类模型。
根据性能判定方法对第一工况分类模型和第二工况分类模型进行加权修正以得到拟评估设备的标准工况分类模型。具体的，操作人员可以依据对设备的运行管理经验，修改加权系数。在实际应用中，当多次计算后机器学习算法还可以学习各历史时间段内操作人员对权重系数所做的修改，和性能判定方法确定的加权系数来确定拟评估设备的标准工况分类模型，具体确定方式此处不作限定。其中，性能判定方法可以是贝叶斯信息准则(BIC，bayesian information criteria)或赤池信息准则(AIC，akaike informationcriterion)，此处不作限定。
可选的，设备工况评估装置还会从标准工况分类模型分类后的每类工况中再提取标准特征值，不同工况的标准特征值用于与测点实时值的特征值进行拟合。
在一具体实施例中，第一工况分类模型、第二工况分类模型和标准工况分类模型可以是拟评估设备某一维度的模型，因此，一个拟评估设备会存在多个维度的不同模型。
105、获取拟评估设备当前时间段的第一测点实时值。
当需要对拟评估设备进行工况判断时，便获取拟评估设备在当前时间段各测点的实时值，即第一测点实时值。可选的，根据作业人员的需求可以只获取拟评估设备在某一维度的测点的实时值，即第一测点实时值。其中，某一维度可以是压力或温度，此处不作限定。
106、获取拟评估设备当前时间段的关联设备的第二测点实时值。
此处拟评估设备当前时间段的关联设备的部分相关测点的获取方式与第二测点实时值的获取方式与步骤102类似，此处不做赘述。
107、根据第一测点实时值和第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
进行计算之前，对第一测点实时值和第二测点实时值进行清洗、降维或归一化处理。其中，清洗是剔除死区值、采样有误等无效值和存在缺失值的测点实时值。若完成清洗后的测点实时值数据量过大时，可以根据设备的特性进行横向(数据测点数)或纵向(单测点时序数据采集量)的降维处理，以取得性能和精度的平衡。
在实际应用中，当设备测点较多时，通过主成分分析方式，确定设备工况主要测点，即横向减少测点；当测点采样数据较多时，通过降采样的方式，使实际参与计算的数据点减少，即纵向减少采样数据，具体此处不作限定。
进行清洗和降维后的第一测点实时值和第二测点实时值还会进行归一化处理。具体的，若历史值符合高斯分布，则采用z分数(z-score)归一化，若历史值不符合高斯分布，则采用最大最小归一化，可以知道的是，在实际应用中还会使用其他归一化方法，此处不作限定。
完成清洗、降维或归一化处理的第一测点实时值和第二测点实时值会先进行特征提取。结束特征提取后，会通过性能判定方法和特征距离分别确定第一测点实时值的特征值和第二测点实时值的特征值的加权系数。具体的，操作人员可以依据对设备的运行管理经验，修改第一测点实时值加权系数和第二测点实时值加权系数。在实际应用中，机器学习算法还可以学习各历史时间段内操作人员对权重系数所做的修改、和通过性能判定方法确定的加权系数来确定最终的第一测点实时值加权系数和第二测点实时值加权系数，具体确定方式此处不作限定。其中，特征值包括中位数、均值、峰度、偏度和最值中的至少一个，具体此处不作限定。
在一具体实施例中，性能判定方法可以是BIC或AIC，此处不作限定。
108、根据第一测点实时值加权系数、第二测点实时值加权系数、第一测点实时值和第二测点实时值计算拟评估设备的测点评估值。
分别根据第一测点实时值加权系数对第一测点实时值进行加权，根据第二测点实时值加权系数对第二测点实时值进行加权，再根据加权后的第一测点实时值和第二测点实时值得到拟评估设备的测点评估值，测点评估值用于与不同工况做拟合。
在实际应用中，还会对测点评估值提取特征值，此处特征用于与步骤104中不同工况的标准特征值进行拟合。具体的，特征值包括中位数、均值、峰度、偏度和最值中的至少一个，此处不作限定。
109、将测点评估值输入拟评估设备的标准工况分类模型，得到标准工况分类模型输出的每种工况的发生概率，标准工况分类模型是根据拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，标准工况分类模型用于确定拟评估设备可能发生的工况以及每种工况的发生概率。
将测点评估值输入拟评估设备的标准工况分类模型，可以得到由标准工况分类模型输出的每种工况的发生概率，标准工况分布规律是根据拟评估设备在至少一个历史时间段内的测点历史值利用机器学习算法得到，用于确定拟评估设备可能发生的工况以及每种可能发生的工况的发生概率。
110、计算测点评估值与每种工况的拟合度。
将步骤108中所述测点评估值的特征值步骤104中不同工况的标准特征值和步骤108中测点评估值的特征值进行拟合，得到当前时刻测点实时值与不同工况的拟合度。具体的，拟合方式可以是多元线性拟合或非线性拟合，此处不作限定。
111、根据每种工况的发生概率以及测点评估值与每种工况的拟合度，确定拟评估设备的目标工况。
综合考虑不同工况的发生概率以及测点评估值与不同工况的拟合度，得到拟评估设备处于不同工况的可能性，确定可能性最高的工况为拟评估设备的目标工况。在实际应用中，人可以对各测点权重系数进行修改，调整处于不同工况的可能性，以确定可能性最高的工况为拟评估设备的目标工况。
本申请实施例中，考虑拟评估设备当前时间段的第一测点实时值和所述拟评估设备当前时间段的关联设备的第二测点实时值，与不同工况进行拟合。综合了拟评估设备和关联设备的数据，再做工况判断，得到的工况判断结果更精细，可信度更高。
本申请实施例提供一种设备工况评估装置，其特征在于，包括：
本申请实施例第二方面提供一种设备工况评估装置，其特征在于，包括：
获取单元201，用于获取拟评估设备当前时间段的第一测点实时值；
所述获取单元201，还用于获取所述拟评估设备当前时间段的关联设备的第二测点实时值；
计算单元202，用于根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；
所述计算单元202，还用于根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值；
所述计算单元202，还用于将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率，所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率；
所述计算单元202，还用于计算所述测点评估值与每种所述工况的拟合度；
确定单元，用于根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度，确定所述拟评估设备的目标工况。
可选的，所述获取单元201，还用于获取所述拟评估设备的第一测点历史值；
所述获取单元201，还用于获取所述拟评估设备的关联设备的第二测点历史值；
所述计算单元202，还用于根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型；
所述计算单元202，还用于根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的，所述计算单元202还用于，
清洗所述第一测点历史值和所述第二测点历史值，和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的，在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前，所述计算单元202具体用于：
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的，所述计算单元202具体用于：
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的，所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例中，计算单元202通过获取单元201获取的拟评估设备的第一测点历史值和关联设备的第二测点历史值利用机器学习算法得到拟评估设备的标准工况分类模型，该标准工况分类模型可用于判断拟评估设备的工况，最后由确定单元203根据不同工况的发生概率和拟合度综合确定拟评估设备的工况。考虑关联设备的测点值后进行工况判断，得到的工况判断结果更为精细，提升了工况判断结果的可信度。
图3是本申请实施例提供的一种设备工况评估装置结构示意图，该设备工况评估装置300可以包括一个或一个以上中央处理器(central processing units，CPU)301和存储器305，该存储器305中存储有一个或一个以上的应用程序或数据。
其中，存储器305可以是易失性存储或持久存储。存储在存储器305的程序可以包括一个或一个以上模块，每个模块可以包括对设备工况评估装置中的一系列指令操作。更进一步地，中央处理器301可以设置为与存储器305通信，在设备工况评估装置300上执行存储器305中的一系列指令操作。
设备工况评估装置300还可以包括一个或一个以上电源302，一个或一个以上有线或无线网络接口303，一个或一个以上输入输出接口304，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
该中央处理器301可以执行前述图1至图2所示实施例中设备工况评估装置所执行的操作，具体此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种设备工况评估方法，其特征在于，包括：
获取拟评估设备当前时间段的第一测点实时值；
获取所述拟评估设备当前时间段的关联设备的第二测点实时值；
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；
根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值；
将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率，所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率；
计算所述测点评估值与每种所述工况的拟合度；
根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度，确定所述拟评估设备的目标工况。
2.根据权利要求1所述的设备工况评估方法，其特征在于，在所述将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率之前，所述方法还包括：
获取所述拟评估设备的第一测点历史值；
获取所述拟评估设备的关联设备的第二测点历史值；
根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型；
根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
3.根据权利要求2所述的设备工况评估方法，其特征在于，在所述根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型之前，所述方法还包括：
清洗所述第一测点历史值和所述第二测点历史值，和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
4.根据权利要求1所述的设备工况评估方法，其特征在于，在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前，所述方法还包括：
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
5.根据权利要求1所述的设备工况评估方法，其特征在于，所述根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数包括：
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
6.根据权利要求1所述的设备工况评估方法，其特征在于，所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
7.一种设备工况评估装置，其特征在于，包括：
获取单元，用于获取拟评估设备当前时间段的第一测点实时值；
所述获取单元，还用于获取所述拟评估设备当前时间段的关联设备的第二测点实时值；
计算单元，用于根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数；
所述计算单元，还用于根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值；
所述计算单元，还用于将所述测点评估值输入所述拟评估设备的标准工况分类模型，得到所述标准工况分类模型输出的每种所述工况的发生概率，所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到，所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率；
所述计算单元，还用于计算所述测点评估值与每种所述工况的拟合度；
确定单元，用于根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度，确定所述拟评估设备的目标工况。
8.根据权利要求7所述的设备工况评估装置，其特征在于，
所述获取单元，还用于获取所述拟评估设备的第一测点历史值；
所述获取单元，还用于获取所述拟评估设备的关联设备的第二测点历史值；
所述计算单元，还用于根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型，并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型；
所述计算单元，还用于根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
9.一种设备工况评估装置，其特征在于，包括：
中央处理器，存储器以及输入输出接口；
所述存储器为短暂存储存储器或持久存储存储器；
所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122912.2A CN113822580B (zh) | 2021-09-24 | 一种设备工况评估方法以及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122912.2A CN113822580B (zh) | 2021-09-24 | 一种设备工况评估方法以及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822580A true CN113822580A (zh) | 2021-12-21 |
| CN113822580B CN113822580B (zh) | 2024-06-28 |
Family
ID=
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9911205D0 (en) * | 1998-05-13 | 1999-07-14 | Nec Corp | System for determining the duration of a product processing period |
| JP2000181526A (ja) * | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | プラント状態推定・予測装置及び方法 |
| CN102646984A (zh) * | 2012-05-18 | 2012-08-22 | 重庆市电力公司綦南供电局 | 实现变电站电压及无功功率实时自动补偿的方法及系统 |
| CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警系统的评估值校准方法 |
| US20170132387A1 (en) * | 2015-11-06 | 2017-05-11 | Industrial Technology Research Institute | Health Assessment Method and Health Assessment Device for Workpiece Processing Apparatus |
| EP3376622A1 (de) * | 2017-03-13 | 2018-09-19 | Siemens Aktiengesellschaft | Verfahren, system und schutzeinrichtung zum erzeugen eines eine fehlerart eines fehlers in einem mehrphasigen elektrischen energieversorgungsnetz angebenden fehlersignals |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| US20190294786A1 (en) * | 2018-03-26 | 2019-09-26 | Adp, Llc | Intelligent Security Risk Assessment |
| WO2019237523A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技（深圳）有限公司 | 安全风险评估方法、装置、计算机设备和存储介质 |
| CN112379198A (zh) * | 2020-11-05 | 2021-02-19 | 华润电力技术研究院有限公司 | 一种设备残余寿命评估方法和系统 |
| JP2021089653A (ja) * | 2019-12-05 | 2021-06-10 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
| KR20210083774A (ko) * | 2019-12-27 | 2021-07-07 | 한국전력공사 | 전력설비 지진피해 추정 방법 및 이를 이용한 지진피해 추정 장치 |
| CN113221441A (zh) * | 2020-12-24 | 2021-08-06 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9911205D0 (en) * | 1998-05-13 | 1999-07-14 | Nec Corp | System for determining the duration of a product processing period |
| JP2000181526A (ja) * | 1998-12-16 | 2000-06-30 | Chugoku Electric Power Co Inc:The | プラント状態推定・予測装置及び方法 |
| CN102646984A (zh) * | 2012-05-18 | 2012-08-22 | 重庆市电力公司綦南供电局 | 实现变电站电压及无功功率实时自动补偿的方法及系统 |
| CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警系统的评估值校准方法 |
| US20170132387A1 (en) * | 2015-11-06 | 2017-05-11 | Industrial Technology Research Institute | Health Assessment Method and Health Assessment Device for Workpiece Processing Apparatus |
| EP3376622A1 (de) * | 2017-03-13 | 2018-09-19 | Siemens Aktiengesellschaft | Verfahren, system und schutzeinrichtung zum erzeugen eines eine fehlerart eines fehlers in einem mehrphasigen elektrischen energieversorgungsnetz angebenden fehlersignals |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| US20190294786A1 (en) * | 2018-03-26 | 2019-09-26 | Adp, Llc | Intelligent Security Risk Assessment |
| WO2019237523A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技（深圳）有限公司 | 安全风险评估方法、装置、计算机设备和存储介质 |
| JP2021089653A (ja) * | 2019-12-05 | 2021-06-10 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
| KR20210083774A (ko) * | 2019-12-27 | 2021-07-07 | 한국전력공사 | 전력설비 지진피해 추정 방법 및 이를 이용한 지진피해 추정 장치 |
| CN112379198A (zh) * | 2020-11-05 | 2021-02-19 | 华润电力技术研究院有限公司 | 一种设备残余寿命评估方法和系统 |
| CN113221441A (zh) * | 2020-12-24 | 2021-08-06 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| HAO, HUI FENG: "Study on condition-based maintenance strategies of measurement and control device in power system", ELECTRICAL ENGINEERING APPLIED SCIENCE, 31 December 2011 (2011-12-31) * |
| 吴茂兴;曾庆华;陈龙志;: "神经网络及回归型支持向量融合健康评估模型", 航空兵器, no. 06, 15 December 2013 (2013-12-15) * |
| 孙奇: "光学探针测点位置对受热工况两相流流型识别的影响", 核动力工程, pages 535 - 539 * |
| 田珂: "基于工况变化的设备时变故障概率模 型及应用研究", 万方知识平台, pages 1 - 67 * |
| 韦红术: "超深水完井工况水下卧式采油树结构强度评估", 石油机械, 31 December 2015 (2015-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
| CN107153874B (zh) | 水质预测方法及系统 | |
| US10437942B2 (en) | Kalman filter based capacity forecasting method, system and computer equipment | |
| US20170249559A1 (en) | Apparatus and method for ensembles of kernel regression models | |
| CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
| CN105676833A (zh) | 发电过程控制系统故障检测方法 | |
| WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
| CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
| CN116292367A (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| CN117330963A (zh) | 储能电站故障检测方法、系统及设备 | |
| CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
| CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
| CN113822580A (zh) | 一种设备工况评估方法以及相关设备 | |
| CN113822580B (zh) | 一种设备工况评估方法以及相关设备 | |
| CN106156470B (zh) | 一种时间序列异常检测标注方法及系统 | |
| CN114564877A (zh) | 一种滚动轴承寿命预测方法、系统、设备及可读存储介质 | |
| CN113253682A (zh) | 非线性化工过程故障检测方法 | |
| CN118197635B (zh) | 一种肉牛健康检测数据处理方法 | |
| CN116302848B (zh) | 一种评估值被带偏的检测方法、装置、电子设备及介质 | |
| CN117367751B (zh) | 超脉冲掺铥激光器的性能检测方法及装置 | |
| CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240402 Address after: 518066 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen goes out new knowledge property right management Co.,Ltd. Country or region after: China Address before: 523000 Room 308, unit 1, building 18, no.6, Libin Road, Songshanhu Park, Dongguan City, Guangdong Province Applicant before: CR POWER TECHNOLOGY INSTITUTE Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant |