CN116415207A - 一种多设备系统状态预测方法、装置、设备及存储介质 - Google Patents
一种多设备系统状态预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116415207A CN116415207A CN202310122553.3A CN202310122553A CN116415207A CN 116415207 A CN116415207 A CN 116415207A CN 202310122553 A CN202310122553 A CN 202310122553A CN 116415207 A CN116415207 A CN 116415207A
- Authority
- CN
- China
- Prior art keywords
- working condition
- equipment
- storage matrix
- target
- condition storage
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 141
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000498 cooling water Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种多设备系统状态预测方法、装置、设备及存储介质，涉及设备监管技术领域。该方法包括：根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。在设备状态监测过程中，实时根据多设备系统中处于目标工况状态的目标设备对应的工况数据修改工况存储矩阵，通过动态维护工况存储矩阵，可以避免无价值工况数据对模型的影响，提高模型精度，实现对几备几用设备系统的预测预警。
Description
技术领域
本发明涉及设备监管技术领域，特别涉及一种多设备系统状态预测方法、装置、设备及存储介质。
背景技术
目前，工业流程中常常存在多用多备的设备，目的是为了保证整个流程不间断的运行及可以短时间内将输出端的量达到最大值。自相关核回归(Auto Associative KernelRegression)算法在工业领域已经使用了若干年，是一种成熟的健康状态监督方法。但当前的自相关核回归算法大部分应用于单个或几个设备监督中，在多设备系统监督中比较罕见，这是由于系统中由于存在几用几备的设备所以工况往往比设备工况要复杂得多，且工况切换的频率也相对较高，导致基础的自相关核回归算法在系统模型中预测预警效果不佳。
发明内容
有鉴于此，本发明的目的在于提供一种多设备系统状态预测方法、装置、设备及介质，能够提高模型精度，实现对几备几用设备系统的预测预警。其具体方案如下：
第一方面，本申请公开了一种多设备系统状态预测方法，包括：
根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；
利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；
在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
可选的，所述实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵，包括：
实时监测所述多设备系统中是否存在发生设备切换和/或暂时停运的目标设备；
若存在发生设备切换和/或暂时停运的目标设备，则实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除。
可选的，所述实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除，包括：
确定与所述目标设备存在强相关关系的目标测点；
将所述目标测点测得的工况数据作为所述目标工况数据从所述工况存储矩阵中删除。
可选的，所述基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，包括：
根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，并在所述样本稀疏位置增加对应的样本数据，得到样本增加后的工况存储矩阵；
基于所述样本增加后的工况存储矩阵利用自相关核回归法构建设备参数估计模型。
可选的，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，包括：
将同一时间维度下的每个元素与该时间维度的中位数做差得到目标差值；
基于该时间维度所有差值的平方根得到表征该时间维度下元素间数值差距大小的目标参数，以得到每个时间维度对应的目标参数；
通过对比不同时间维度对应的目标参数，确定出样本稀疏位置。
可选的，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，包括：
根据所述工况存储矩阵在时间维度的分布情况生成对应的分布图；
获取针对所述分布图中样本稀疏位置的选择指令，根据所述选择指令确定出样本稀疏位置。
可选的，所述根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，包括：
获取多设备系统中各设备上各测点采集的测点数据，将所述测点数据划分为训练数据、验证数据和测试数据；
基于所述训练数据生成工况存储矩阵，并基于所述验证数据和所述工况存储矩阵利用自相关核回归法确定工况因数；
基于所述工况因数、所述工况存储矩阵和所述验证数据，确定针对所述测点的预警阈值；
利用所述测试数据测试所述预警阈值，在所述预警阈值合理后得到所述设备参数估计模型。
第二方面，本申请公开了一种多设备系统状态预测装置，包括：
模型构建模块，用于根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；
状态监测模块，用于利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；
工况存储矩阵修改模块，用于在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的多设备系统状态预测方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的多设备系统状态预测方法。
本申请中，根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。可见，在设备状态监测过程中，实时根据多设备系统中处于目标工况状态的目标设备对应的工况数据修改工况存储矩阵，通过动态维护工况存储矩阵，可以避免无价值工况数据对模型的影响，提高模型精度，实现对几备几用设备系统的预测预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种多设备系统状态预测方法流程图；
图2为本申请提供的一种具体的电厂冷却水工业流程中某测点的趋势图；
图3为本申请提供的与图2对应的电厂冷却水工业流程中某测点手动选点增加样本数据示意图；
图4为本申请提供的一种具体的设备参数估计模型预测流程图；
图5为本申请提供的一种多设备系统状态预测装置结构示意图；
图6为本申请提供的一种电子设备结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
现有技术中，自相关核回归算法大部分应用于单个或几个设备监督中，在多设备系统监督中比较罕见，这是由于系统中由于存在几用几备的设备所以工况往往比设备工况要复杂得多，且工况切换的频率也相对较高，导致基础的自相关核回归算法在系统模型中预测预警效果不佳。为克服上述技术问题，本申请提出一种多设备系统状态预测方法，能够提高模型精度，实现对几备几用设备系统的预测预警。
本申请实施例公开了一种多设备系统状态预测方法，参见图1所示，该方法可以包括以下步骤：
步骤S11：根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型。
本实施例中，首先获取多设备系统中各设备运行的工况数据，基于该工况数据生成对应的工况存储矩阵，工况数据矩阵包含不同测点在不同时间测得的数据，上述测点可以为与设备相连的用于监测设备某些参数的传感器，再以该工况存储矩阵为基础，通过自相关核回归算法构建设备参数估计模型，该设备参数估计模型用于预测设备的状态，并在监测到设备处于非正常运行状态时发出预警。
本实施例中，所述根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，可以包括：获取多设备系统中各设备上各测点采集的测点数据，将所述测点数据划分为训练数据、验证数据和测试数据；基于所述训练数据生成工况存储矩阵，并基于所述验证数据和所述工况存储矩阵利用自相关核回归法确定工况因数；基于所述工况因数、所述工况存储矩阵和所述验证数据，确定针对所述测点的预警阈值；利用所述测试数据测试所述预警阈值，在所述预警阈值合理后得到所述设备参数估计模型。
可以理解的是，自相关核回归算法是一种用于健康状态监督的离线建模在线监督的方法，具体的预测监督方式如下：
1.将工业流程中的测点采集的历史数据划分为训练数据，验证数据及测试数据。对训练数据进行清洗，通过经验去除因工业流程中所有设备停运数据、传感器异常、人工干涉等因素导致的异常数据。
2.清洗后可以得到一个包含多个测点的时序数据矩阵，之后需要生成设备/系统的工况存储矩阵，时序数据矩阵如下：
其中，n表征时间，m表征测点，可以看作由m个测点向量组合成的时序数据矩阵T。从时间坐标纬度上对每一个测点进行降采样，由此可以得到工况存储矩阵：
其中，降采样的方式有很多，这一步的目的是为了精简训练样本，尽可能的通过工况存储矩阵来表示该工业流程中所有正常工况下的数据。
3.将验证数据以时间纬度的每一个时间点划分为多组观察矩阵，作Vobsi＝[xobs1… xobsm]T。将工况存储矩阵V改写成V＝[X1,X2,......,Xp]。利用相似度计算公式(如欧式距离(Euclidean Distance))和对差值归一化可得下式：
DIS＝[dis1,dis2,......,disp]；
4.将DIS通过高斯核函数变换，可得工况因数如下：
其中，h为高斯核函数的方差。
5.将工况因数与工况存储矩阵相乘，得到估计值，并计算验证数据对应的估计值和观察值的残差：
resi＝Xesti-Vobsi；
6.通过计算验证数据得到的残差的最大值及最小值，设定该工业流程健康监督的上报警值和下报警值，若该测点的实时值超过上报警值或下报警值时，则该设备/系统存在异常。
7.通过测试数据测试上报警值和下报警值设置的是否合理，若不合理再进行相应的进行修改，最终设备参数估计模型上线在线监督。
可见，相比传统的通过固定阈值监督，通过评估预测和真实值的误差来实现监督的，可以减少大量误报的产生，且更容易发现工业流程中存在的细微故障。而相比通过复杂的机器学习/深度学习监督，基于工况存储矩阵利用自相关核回归法构建的设备参数估计模型运算效率快，不会产生数据延迟，模型简单易于理解，适合在工业中需要高可靠性的地方去使用。
本实施例中，所述基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，可以包括：根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，并在所述样本稀疏位置增加对应的样本数据，得到样本增加后的工况存储矩阵；基于所述样本增加后的工况存储矩阵利用自相关核回归法构建设备参数估计模型。可以理解的是，工业流程中的不同工况往往存在不均匀的现象，即不同的工况密度不一样的特点。如工业流程中一台泵类设备长时间处于运行工况，处于特殊工况时间较短(设备切换或停运不属于特殊工况)，这会导致模型在预测上述几种较少见工况的时候效果会很差。因此，本实施例中通过分析工况样本的分布，通过增加工况存储矩阵中各测点中工况密度稀疏的工况的数据量，来达到让模型在不同工况下都能有比较好的预测效果。具体的，上述增加的样本可以为从上述时序数据矩阵中提取的且不再工况存储矩阵中的工况。由此一来，根据样本分布情况增加样本稀疏部分的样本量，可以使模型对比于原有的模型在工况复杂的流程中有更好的预测监督效果。
本实施例中，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，可以包括：将同一时间维度下的每个元素与该时间维度的中位数做差得到目标差值；基于该时间维度所有差值的平方根得到表征该时间维度下元素间数值差距大小的目标参数，以得到每个时间维度对应的目标参数；通过对比不同时间维度对应的目标参数，确定出样本稀疏位置。即将每个测点不同时间维度的数据与该段时序数据的中位数做差计算得到Xij,Xij∈V(i表示这是该工业流程中第i个测点，j表示这是该段时序数据中的第j个时间维度)，通过公式
计算可得到表征该时间维度下元素间数值差距大小的目标参数Yj，在一维坐标轴上放置所有不同时间维度的Yj值，即Y1...Yj...Yp，Yj值高于预设阈值则可以判定j时刻为样本稀疏位置。
上述差值的计算过程具体可以包括：以时间维度对所述工况存储矩阵进行划分得到每个时间维度对应的子矩阵；确定出所述子矩阵中的中位数，将所述子矩阵中的每个元素与所述中位数做差得到差值，基于所有差值的平方根得到表征所述子矩阵中元素间数值差距大小的目标参数，以得到每个时间维度对应的目标参数。
本实施例中，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，可以包括：根据所述工况存储矩阵在时间维度的分布情况生成对应的分布图；获取针对所述分布图中样本稀疏位置的选择指令，根据所述选择指令确定出样本稀疏位置。即可以通过对该工业流程熟悉的工程师通过观测每个测点的时序趋势图工况密度特点，来手动选择部分工况密度稀疏点添加到到工况存储矩阵中，例如图2所示为某电厂冷却水工业流程中某测点的趋势图，图3为图2对应的电厂冷却水工业流程中某测点手动选点增加样本数据示意图。
步骤S12：利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测。
本实施例中，设备参数估计模型构建后，利用该设备参数估计模型对所述多设备系统中的设备进行设备状态监测，例如图4所示，利用设备参数估计模型预测得到当前设备正常运行参数估计值，根据上述当前设备运行参数实测值和当前设备正常运行参数估计值之间的差值，来判断设备是否正常。
步骤S13：在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
本实施例中，在设备状态监测过程中，实时根据多设备系统中处于目标工况状态的目标设备对应的工况数据修改工况存储矩阵。可以理解的是，业流程中为了达到长时间稳定的状态，设备普遍存在几用几备的现象，当设备之间存在切换或处于停运状态的，它们的工况每次往往都会有所不同，所以通过减少设备切换和停运状态带来的影响可以提高模型精度。由此，通过从动态维护工况存储矩阵和根据样本分布情况增加样本稀疏部分的样本量两个方面对原有的自相关核回归算法进行优化，做到流程上更加准确的健康状态监督。
本实施例中，所述实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵，可以包括：实时监测所述多设备系统中是否存在发生设备切换和/或暂时停运的目标设备；若存在发生设备切换和/或暂时停运的目标设备，则实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除。即相比原有的自相关核回归算法在数据清洗上保留了设备切换和暂时停运数据(当整个工业流程终止的时候不属于停运数据，需要剔除)，当设备存在切换或停运的时候，在工况存储矩阵中关闭该设备有关的测试数据，使该设备无法影响到整个工业流程模型的预测，减少误报的产生。
本实施例中，所述实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除，可以包括：确定与所述目标设备存在强相关关系的目标测点；将所述目标测点测得的工况数据作为所述目标工况数据从所述工况存储矩阵中删除。即为了在降低存在切换或处于停运状态设备的工况对模型影响的同时避免工况过少影响模型预测，可以仅从工况存储矩阵中删除与目标设备存在强相关关系的目标测点的工况数据。
如工业流程中所有设备都在运行时工况存储矩阵V1为表1，当某台设备从运行转为停止的时候，该设备的强相关的测点为B、C、D，则从工况存储矩阵V1中剔除掉该设备强相关的测点，此时工况存储矩阵V2为表2，当该设备从停止转为运行的时候，则在工况存储矩阵V2中增加该设备强相关的测点又得到V1。
| At1 | At2 | At3 | At4 | …… |
| Bt1 | Bt2 | Bt3 | Bt4 | …… |
| Ct1 | Ct2 | Ct3 | Ct4 | …… |
| Dt1 | Dt2 | Dt3 | Dt4 | …… |
| Et1 | Et2 | Et3 | Et4 | …… |
| …… | …… | …… | …… | …… |
表1工况存储矩阵V1
| At1 | At2 | At3 | At4 | …… |
| Et1 | Et2 | Et3 | Et4 | …… |
| …… | …… | …… | …… | …… |
表2工况存储矩阵V2
由上可见，本实施例中根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。可见，在设备状态监测过程中，实时根据多设备系统中处于目标工况状态的目标设备对应的工况数据修改工况存储矩阵，通过动态维护工况存储矩阵，可以避免无价值工况数据对模型的影响，提高模型精度，实现对几用几备设备系统的较好的预测预警效果。
以电厂冷却水工业流程为例，该流程中共有4台水泵，常以两用两备的模式运行，测点原始数据数据如附图2所示。
首先剔除整个流程完全停止和启停切换时的数据，得到正常工况数据。由于数据量较大，该数据先需要进行降采样，使用五点法的方式对正常工况数据进行降采样，再通过人机交互的方式进行增加样本稀疏部分的样本量，如附图3所示。将通过降采样自动选点和通过手动选点按时间顺序进行横向排序，并去除重复的点，生成工况储存矩阵，并将该矩阵保存为线上建预测监督功能的参数。
当线上传入该工业流程的一个实际值时，将该实际值作为观察值计作Vobs，计算Vobs和工况存储矩阵中每一种工况的距离为DIS，通过高斯核函数变换计算出工况因数后并对其进行归一化，且使归一化之后的值和为一得到权重W，并通过以下公式获得估计值Vest：
W＝[w1,w2,w3,......wp]T；
计算该冷却水工业流程估计值与观察值(实际值)的残差为RES：
RES＝Vest-Vobs；
当残差|RES|≤A，则认为冷却水工业流程并没有设备出现故障，否则则有设备故障，其中，A可以是一个shape＝(p,1)的矩阵，代表每个测点的阈值界限。
由于该工业流程中主要部分为4台水泵，分别记为A、B、C、D泵。在该工况存储矩阵中A泵关联性强的测点为1#-5#，其中1#是该泵电流；B泵关联性强的测点为6#-10#，其中6#是该泵电流；C泵关联性强的测点为11#-15#，其中11#是该泵电流；D泵关联性强的测点是16#-20#，其中16#是该泵电流；其余测点为其它设备测点。该工业流程一般会使用A泵和C泵或B泵和D泵。当发现1#和11#测点电流下降低于某一固定阈值时，6#和16#测点电流上升高于某一固定阈值时，则认为A泵和C泵停止运行，B泵和D泵启动运行，则由原工况存储矩阵删除1#-5#、11#-15#测点保存为矩阵1，将矩阵1暂时作为该模型的新工况存储矩阵；当发现1#和11#测点电流上升高于某一固定阈值时，6#和16#测点电流下降低于某一固定阈值时，则认为A泵和C泵启动运行，B泵和D泵停止运行运行，则由原工况存储矩阵删除6#-10#、16#-20#测点保存为矩阵2，将矩阵2暂时作为该模型的新工况存储矩阵。通过上述方案的自相关核回归算法在电厂冷却水工业流程中会有较好的预测效果，且误报率相对固定阈值要小很多。
相应的，本申请实施例还公开了一种多设备系统状态预测装置，参见图5所示，该装置包括：
模型构建模块11，用于根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；
状态监测模块12，用于利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；
工况存储矩阵修改模块13，用于在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
由上可见，根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。可见，在设备状态监测过程中，实时根据多设备系统中处于目标工况状态的目标设备对应的工况数据修改工况存储矩阵，通过动态维护工况存储矩阵，可以避免无价值工况数据对模型的影响，提高模型精度，实现对几用几备设备系统的较好的预测预警效果。
在一些具体实施例中，所述工况存储矩阵修改模块13具体可以包括：
状态监测单元，用于实时监测所述多设备系统中是否存在发生设备切换和/或暂时停运的目标设备；
删除单元，用于若存在发生设备切换和/或暂时停运的目标设备，则实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除。
在一些具体实施例中，所述删除单元具体可以包括：
目标测点确定单元，用于确定与所述目标设备存在强相关关系的目标测点；
删除数据确定单元，用于将所述目标测点测得的工况数据作为所述目标工况数据从所述工况存储矩阵中删除。
在一些具体实施例中，所述模型构建模块11具体可以包括：
稀疏样本增加单元，用于根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，并在所述样本稀疏位置增加对应的样本数据，得到样本增加后的工况存储矩阵；
模型构建单元，用于基于所述样本增加后的工况存储矩阵利用自相关核回归法构建设备参数估计模型。
在一些具体实施例中，所述稀疏样本增加单元具体可以包括：
目标差值确定单元，用于将同一时间维度下的每个元素与该时间维度的中位数做差得到目标差值；
目标参数确定单元，用于基于该时间维度所有差值的平方根得到表征该时间维度下元素间数值差距大小的目标参数，以得到每个时间维度对应的目标参数；
第一稀疏位置确定单元，用于通过对比不同时间维度对应的目标参数，确定出样本稀疏位置。
在一些具体实施例中，所述稀疏样本增加单元具体可以包括：
分布图生成单元，用于根据所述工况存储矩阵在时间维度的分布情况生成对应的分布图；
第二稀疏位置确定单元，用于获取针对所述分布图中样本稀疏位置的选择指令，根据所述选择指令确定出样本稀疏位置。
在一些具体实施例中，所述模型构建模块11具体可以包括：
测点数据获取单元，用于获取多设备系统中各设备上各测点采集的测点数据，将所述测点数据划分为训练数据、验证数据和测试数据；
工况因数确定单元，用于基于所述训练数据生成工况存储矩阵，并基于所述验证数据和所述工况存储矩阵利用自相关核回归法确定工况因数；
预警阈值确定单元，用于基于所述工况因数、所述工况存储矩阵和所述验证数据，确定针对所述测点的预警阈值；
模型确定单元，用于利用所述测试数据测试所述预警阈值，在所述预警阈值合理后得到所述设备参数估计模型。
进一步的，本申请实施例还公开了一种电子设备，参见图6所示，图中的内容不能被认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的多设备系统状态预测方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括工况存储矩阵在内的数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的多设备系统状态预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的多设备系统状态预测方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种多设备系统状态预测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种多设备系统状态预测方法，其特征在于，包括：
根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；
利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；
在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
2.根据权利要求1所述的多设备系统状态预测方法，其特征在于，所述实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵，包括：
实时监测所述多设备系统中是否存在发生设备切换和/或暂时停运的目标设备；
若存在发生设备切换和/或暂时停运的目标设备，则实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除。
3.根据权利要求2所述的多设备系统状态预测方法，其特征在于，所述实时将所述目标设备对应的目标工况数据从所述工况存储矩阵中删除，包括：
确定与所述目标设备存在强相关关系的目标测点；
将所述目标测点测得的工况数据作为所述目标工况数据从所述工况存储矩阵中删除。
4.根据权利要求1所述的多设备系统状态预测方法，其特征在于，所述基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，包括：
根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，并在所述样本稀疏位置增加对应的样本数据，得到样本增加后的工况存储矩阵；
基于所述样本增加后的工况存储矩阵利用自相关核回归法构建设备参数估计模型。
5.根据权利要求4所述的多设备系统状态预测方法，其特征在于，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，包括：
将同一时间维度下的每个元素与该时间维度的中位数做差得到目标差值；
基于该时间维度所有差值的平方根得到表征该时间维度下元素间数值差距大小的目标参数，以得到每个时间维度对应的目标参数；
通过对比不同时间维度对应的目标参数，确定出样本稀疏位置。
6.根据权利要求4所述的多设备系统状态预测方法，其特征在于，所述根据所述工况存储矩阵在时间维度的分布情况确定出样本稀疏位置，包括：
根据所述工况存储矩阵在时间维度的分布情况生成对应的分布图；
获取针对所述分布图中样本稀疏位置的选择指令，根据所述选择指令确定出样本稀疏位置。
7.根据权利要求1至6任一项所述的多设备系统状态预测方法，其特征在于，所述根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型，包括：
获取多设备系统中各设备上各测点采集的测点数据，将所述测点数据划分为训练数据、验证数据和测试数据；
基于所述训练数据生成工况存储矩阵，并基于所述验证数据和所述工况存储矩阵利用自相关核回归法确定工况因数；
基于所述工况因数、所述工况存储矩阵和所述验证数据，确定针对所述测点的预警阈值；
利用所述测试数据测试所述预警阈值，在所述预警阈值合理后得到所述设备参数估计模型。
8.一种多设备系统状态预测装置，其特征在于，包括：
模型构建模块，用于根据多设备系统中各设备运行的工况数据生成工况存储矩阵，基于所述工况存储矩阵利用自相关核回归法构建设备参数估计模型；
状态监测模块，用于利用所述设备参数估计模型对所述多设备系统中的设备进行设备状态监测；
工况存储矩阵修改模块，用于在设备状态监测过程中，实时根据所述多设备系统中处于目标工况状态的目标设备对应的工况数据修改所述工况存储矩阵。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的多设备系统状态预测方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1至7任一项所述的多设备系统状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310122553.3A CN116415207A (zh) | 2023-02-16 | 2023-02-16 | 一种多设备系统状态预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310122553.3A CN116415207A (zh) | 2023-02-16 | 2023-02-16 | 一种多设备系统状态预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415207A true CN116415207A (zh) | 2023-07-11 |
Family
ID=87058736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310122553.3A Pending CN116415207A (zh) | 2023-02-16 | 2023-02-16 | 一种多设备系统状态预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415207A (zh) |
-
2023
- 2023-02-16 CN CN202310122553.3A patent/CN116415207A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
| CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
| WO2018112818A1 (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
| CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
| CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
| CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| CN116415207A (zh) | 一种多设备系统状态预测方法、装置、设备及存储介质 | |
| CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
| CN105759217B (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
| CN113447821B (zh) | 评估电池荷电状态的方法 | |
| CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN105656453B (zh) | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 | |
| CN111565118A (zh) | 基于多观测维度hmm的虚拟化网元故障分析方法及系统 | |
| CN111274687A (zh) | 元器件失效率预计方法、装置、计算机设备及存储介质 |
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 |