CN116522065A - 一种基于深度学习的磨煤机健康度评估方法 - Google Patents
一种基于深度学习的磨煤机健康度评估方法 Download PDFInfo
- Publication number
- CN116522065A CN116522065A CN202310345987.XA CN202310345987A CN116522065A CN 116522065 A CN116522065 A CN 116522065A CN 202310345987 A CN202310345987 A CN 202310345987A CN 116522065 A CN116522065 A CN 116522065A
- Authority
- CN
- China
- Prior art keywords
- coal mill
- training
- parameter
- value
- model
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 75
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F18/24—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
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的磨煤机健康度评估方法,构建了R‑CNN‑LSTM模型,将训练集中磨煤机的每个监测测点参数值作为模型的目标,其他监测测点参数值作为模型的输入,进行有监督训练,并保存训练成果模型;应用R‑CNN‑LSTM成果模型估算待评估磨煤机的监测测点参数的值;计算待评估磨煤机各监测测点参数的计算结果与实际值会存在偏离,以偏离度大小表征磨煤机健康度。本发明的健康度评估是在综合考虑了多个参数实时残差的基础上计算而来,它避免了仅凭单参数异常来评估磨煤机健康情况简单模式;并且,可以时刻查看到设备的运行状态,有利于现场人员对设备的状态的掌握。
Description
技术领域
本发明涉及一种评估方法,尤其涉及一种基于深度学习的磨煤机健康度评估方法。
背景技术
电站磨煤机是锅炉燃烧制粉系统的核心设备,为炉膛燃烧提供燃料支持,磨煤机发生的任何故障都直接影响到机组的安全稳定运行,其工作状况对整个电厂系统运行的安全和经济性具有重要的影响,也直接关乎企业效益、电网安全。虽然目前在磨煤机状态监测和故障诊断方面已经取得了一些成绩,但是对磨煤机进行状态监测和故障诊断的方法研究依然有着十分重要的意义。
传统的基于模型的磨煤机状态监测方法是扩展卡尔曼滤波器。但在实际应用中,工业过程有时变特性,并存在测量噪声和过程干扰,这可能会导致扩展卡尔曼滤波器发散,并使估计值包含较多噪声成分,产生较大的波动,降低状态估计的准确性。这对磨煤机的控制和故障检测都是不利的。
目前,针对磨煤机故障诊断的研究主要包括:基于定量模型的故障诊断,首先确定所研究的磨煤机故障类型,其次依据某类故障类型建立相关的故障表达式,最好依据故障表达式判断故障是否发生,故障表达式的精确建立是判断磨煤机运行性能的关键;基于信号模型的故障诊断中,主要依据传感器测量工具辨识磨煤机运行中生成的信号,传感测量工具是判断磨煤机运行性能的关键,另外,传感器的大量安装使用及后续维修,将产生过高的成本费用,不利于建设经济型电厂;基于历史数据模型的故障诊断中,依据磨煤机设备历史运行数据,基于某智能算法识别磨煤机故障参数并深度挖掘磨煤机设备故障模型。上述研究主要针对磨煤机某类故障开展研究,而磨煤机设备运行参数之间具有非线性强耦合特征,某一参数的变化往往引起其它参数的变化,导致多种类的故障发生,无法全方位实现磨煤机设备运行安全性的评估。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于深度学习的磨煤机健康度评估方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于深度学习的磨煤机健康度评估方法,包括以下评估步骤:
S1、从磨煤机的历史运行数据库中提取与影响磨煤机设备安全运行的关键因素的参数,保存这些参数项的名称,构成原始数据集
S2、从磨煤机的历史运行数据中截取部分监测参数的数据作为训练集;
S3、构建R-CNN-LSTM模型,将训练集中磨煤机的每个监测测点参数值作为模型的目标,其他监测测点参数值作为模型的输入,进行有监督训练,并保存训练成果模型;
S4、应用R-CNN-LSTM成果模型估算待评估磨煤机的监测测点参数的值;
S5、计算待评估磨煤机各监测测点参数的计算结果与实际值会存在偏离,以偏离度大小表征磨煤机健康度。
进一步地,所获得的训练集数据需基于数据清洗策略剔除训练集中的异常点,并保存标准化模型,具体过程为:获取由全部磨煤机运行监测参数构成的数据集,分析数据集中设备运行机理,根据参数正常工作范围,将参数正常工作范围外的值替换为缺失值,并将包含缺失值的观测剔除,其中故障时段内的数据也需剔除。
进一步地,R-CNN-LSTM模型的建模过程为:
基于RCNN进行训练,挖掘深层特征,RCNN各部分是分开训练的,首先训练CNN,然后再训练SVM,最后训练回归器;
将获取的深层特征结果输入到LSTM中,挖掘趋势性特征,进行有监督训练,并保存成果模型。
进一步地,RCNN训练过程具体有:
CNN部分:
(1)有监督的预训练:在ILSVRC2012对CNN(AlexNet)进行预训练;
(2)Domain-specific的微调:对于每个region proposal,若和其最接近的ground-truth的IoU值>=0.5,将其定义为该对应类别的正类,其余作为负类,用这些样本再对CNN进行微调,在微调的阶段除了最后一层分类层的节点数变为N+1除外,其他所有层的结构都不改变;
SVM部分:
对于每个region proposal,若和其最接近的ground-truth的IoU值小于某threshold,则将其定义为负类,而正类简单地定义为ground-truth框,将这些样本送入CNN得到特征向量后暂存在磁盘中,再用这些特征向量训练SVM;
回归器部分:
回归器采用岭回归,回归器数量=物体类别数,即同SVM一样,针对每个物体类别设置对应的回归器。
进一步地,正负样本定义标准为:候选区域和ground-truth的IoU大于等于0.6且类别一致的当作正样本,反之为负样本。
进一步地,RCNN训练过程中,目标函数及参数定义为:
定义P=(Px,Py,Pw,Ph)为候选区域,其中Px,Py代表候选区域的中心坐标,Pw,Ph代表候选区域的宽和高;定义GT为G=(Gx,Gy,Gw,Gh),GT表示为ground-truth,预测的GT为定义d*(P)为候选区域和GT的偏移量,如dx(P)为x的偏移量。预测GT关系式为:
其中,exp表示为指数曲线, 指第n个池化层后的特征,即为输入特征向量,使用岭回归学习得到w*,即式子:
上式中,argmin代表最小的参数,pi代表矩阵,λ代表代求参数,t*指的:
tx=(Gx-Px)/Pw (3.6)
ty=(Gy-Py)/Ph (3.7)
tw=log(Gw/Pw) (3.8)
th=log(Gh/Ph) (3.9)
(P,G)只选取那些和其最近的ground-truth的IoU的值大于某一阈值的regionproposal来训练边界框回归系数。
进一步地,应用成果模型前,对待评估磨煤机的监测测点参数进行选择,并对测点参数值进行处理,具体内容为:获取当前待评估磨煤机的监测数据,筛选该设备的监测参数项,并对其筛选结果集进行标准化,这两步的处置依据来自于步骤1、步骤2所保存的参数项列表和标准化模型。
进一步地,汇总各参数的偏离,反映磨煤机整体的偏离程度,公式为:
式中,xi,分别表示m个待预估关键参数中第i个参数的实际值和预估值,wi表示第i个参数的偏离在总体偏离中的权重,em表示m个待预估参数的总体偏离度。
进一步地,通过数学方法将偏离度em映射到阈值为0~100的区间范围内,并将这一映射值称之为健康度,映射公式为:
式中,hx表示总体偏离度为x时映射的健康度值,p表示偏离度分界值,即总体偏离度大于p时,映射健康度小于60,否则大于等于60。
本发明公开了一种基于深度学习的磨煤机健康度评估方法,考虑到LSTM擅长序列结构分析,R-CNN擅长特征提取,提出l一种基于R-CNN-LSTM网络的深度学习模型,该模型可以将磨煤机的健康状态进行量化,即健康度估计,具有如下技术优点:
1)该方法的健康度是在综合考虑了多个参数实时残差的基础上计算而来,它避免了仅凭单参数异常来评估磨煤机健康情况简单模式;
2)该方法的健康度可以时刻查看到设备的运行状态,有利于现场人员对设备的状态的掌握。
附图说明
图1为本发明的技术方案逻辑图。
图2为本发明所采用的LSTM记忆单元结构示意图。
图3为本发明偏离度到健康度的映射曲线。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
基于图1所公开的技术方案逻辑图可知,本发明所公开的基于深度学习的磨煤机健康度评估方法主要分为模型训练、模型测试两大阶段,详细步骤如下:
步骤1、从磨煤机的历史运行数据库中提取与影响磨煤机设备安全运行的关键因素的参数,保存这些参数项的名称,构成原始数据集。
步骤2、从磨煤机的历史运行数据中截取部分监测参数的数据作为训练集,基于数据清洗策略剔除训练集中的异常点,并保存标准化模型,具体过程为:获取由全部磨煤机运行监测参数构成的数据集,分析数据集中设备运行机理,根据参数正常工作范围,将参数正常工作范围外的值替换为缺失值,并将包含缺失值的观测剔除,其中故障时段内的数据也需剔除。
步骤3、构建R-CNN-LSTM模型,将训练集中磨煤机的每个监测测点参数值作为模型的目标,其他监测测点参数值作为模型的输入,进行有监督训练,并保存训练成果模型。
假设训练集形如Dtra={Xt,yt}T,其中,Dtra表示为训练的数据集,T表示数据集的层数,yt∈R1表示在时刻t处某监测参数p的特征,Xt∈RN-1表示在时刻t处参数p之外的N-1维特征,具体建模过程如下:
步骤3.1、R-CNN的各部分是分开进行训练的,因此整个训练过程是相当繁琐的,首先训练CNN,然后再训练SVM,最后训练回归器;
CNN部分:
(1)有监督的预训练:在ILSVRC2012对CNN(AlexNet)进行预训练;
(2)Domain-specific的微调:对于每个region proposal,若和其最接近的ground-truth的IoU值>=0.5,将其定义为该对应类别的正类,其余作为负类,用这些样本再对CNN进行微调,要注意的是,在微调的阶段除了最后一层分类层的节点数变为N+1除外,其他所有层的结构都不改变;并且为了不破坏预训练的效果,微调过程的学习率变为预训练过程的1/10,在每个SGD迭代循环。
SVM部分:
对于每个region proposal,若和其最接近的ground-truth的IoU值小于某threshold,则将其定义为负类,而正类简单地定义为ground-truth框,将这些样本送入CNN得到特征向量后暂存在磁盘中,再用这些特征向量训练SVM。
回归器部分:
回归器采用岭回归,回归器数量=物体类别数,即同SVM一样,针对每个物体类别设置对应的回归器。
其中,对于正负样本定义,候选区域和ground-truth的IoU大于等于0.6且类别一致的当作正样本,反之为负样本。
目标函数及参数定义为:
定义P=(Px,Py,Pw,Ph)为候选区域,其中Px,Py代表候选区域的中心坐标,Pw,Ph代表候选区域的宽和高;定义GT为G=(Gx,Gy,Gw,Gh),GT表示为ground-truth,预测的GT为定义d*(P)为候选区域和GT的偏移量,如dz(P)为x的偏移量。预测GT关系式为:
其中,exp表示为指数曲线, 指第n个池化层后的特征,即为输入特征向量,使用岭回归学习得到w*,即式子:
上式中,argmin代表最小的参数,pi代表矩阵,λ代表代求参数,t*指的:
tx=(Gx-Px)/Pw (3.6)
ty=(Gy-Py)/Ph (3.7)
tw=log(Gw/Pw) (3.8)
th=log(Gh/Ph) (3.9)
选取(P,G)也很有讲究,只选取那些和其最近的ground-truth的IoU的值大于某一阈值的region proposal来训练边界框回归系数。要注意的是此回归系数是class-specific的,因此对于每个class都要训练一个。
步骤3.2、将步骤3.1中获取的深层特征结果输入到LSTM中,运用公式(3.10)-(3.14)及LSTM记忆单元对时间序列数据具有长短期记忆的优势,挖掘趋势性特征,进行有监督训练,并保存成果模型。
LSTM算法是一种特定形式的RNN,而RNN是一系列能够处理序列数据的神经网络的总称;一般地,RNN包含如下三个特性:循环神经网络能够在每个时间节点产生一个输出,且隐单元间的连接是循环的,循环神经网络能够在每个时间节点产生一个输出,且该时间节点上的输出仅与下一时间节点的隐单元有循环连接,循环神经网络包含带有循环连接的隐单元,且能够处理序列数据并输出单一的预测,LSTM记忆单元结构如图2所示。
从图2中,大框代表单元模块;小方框代表神经网络层(Neural Netwok Layer);小圆圈代表逐点操作(Pointwise Operation),例如矢量加法;箭头表示向量转换(VectorTransfer),从一个节点输出到另一个节点输入;合并的行表示串联(Concatenate),而分叉的行表示要复制(Copy)的内容,并且副本将到达不同的位置,其计算更新状态分为以下步骤:
(1)计算遗忘门的值ft,遗忘门主要是决定会从细胞状态中丢弃什么信息;
ft=σ(Wf·[ht-1,xt]+bf) (3.10)
(2)计算输入门值it,决定让多少新的信息加入到细胞状态中来,实现这个需要包括两个步骤:
首先,一个叫做“input gate layer”的sigmoid层决定哪些信息需要更新;另一个tanh层生成一个向量,也就是备选的用来更新的内容;
it=σ(Wi[ht-1,xt]+bi) (3.11)
式中,Wi、bi分别表示输入门的权重矩阵和偏置;WC、bb分别表示状态的权重矩阵和偏置;
(3)计算输出门ot,输出门主要对记忆单元状态值的输出进行作用;
ot=σ(Wo[ht-1,xt]+bo) (3.13)
ht=ottanh(ct) (3.14)
其中:ht-1为前一时刻输出,σ为sigmoid函数,取值为(0,1);Wo、bo分别表示输出门的权重矩阵和偏置。
步骤4、应用成果模型前,对待评估磨煤机的监测测点参数进行选择,并对测点参数值进行处理,具体内容为:获取当前待评估磨煤机的监测数据,筛选该设备的监测参数项,并对其筛选结果集进行标准化,这两步的处置依据来自于步骤1、步骤2所保存的参数项列表和标准化模型。
步骤5、应用R-CNN-LSTM成果模型估算待评估磨煤机的监测测点参数的值,具体内容为:根据步骤4的数据,应用R-CNN-LSTM训练模型,估算当前磨煤机的各监测参数值。
步骤6、计算磨煤机各监测测点参数的计算结果与实际值会存在偏离,每个参数的偏离量反映了该参数偏离最佳值的程度,为了反映磨煤机整体的偏离程度,需汇总各参数的偏离,公式为:
式中,xi,分别表示m个待预估关键参数中第i个参数的实际值和预估值,wi表示第i个参数的偏离在总体偏离中的权重,em表示m个待预估参数的总体偏离度。
步骤7、磨煤机的健康状况可以通过偏离度em大小来体现,偏离度越大,健康程度越差,但偏离度的值域为大于0,不便于定性健康度的好坏,于是通过数学方法将偏离度映射到阈值为0~100的区间范围内,并将这一映射值称之为健康度,映射公式为:
式中,hx表示总体偏离度为x时映射的健康度值,p表示偏离度分界值,即总体偏离度大于p时,映射健康度小于60,否则大于等于60;偏离度到健康度的映射曲线如图3所示。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的磨煤机健康度评估方法,其特征在于:包括以下评估步骤:
S1、从磨煤机的历史运行数据库中提取与影响磨煤机设备安全运行的关键因素的参数,保存这些参数项的名称,构成原始数据集
S2、从磨煤机的历史运行数据中截取部分监测参数的数据作为训练集;
S3、构建R-CNN-LSTM模型,将训练集中磨煤机的每个监测测点参数值作为模型的目标,其他监测测点参数值作为模型的输入,进行有监督训练,并保存训练成果模型;
S4、应用R-CNN-LSTM成果模型估算待评估磨煤机的监测测点参数的值;
S5、计算待评估磨煤机各监测测点参数的计算结果与实际值会存在偏离,以偏离度大小表征磨煤机健康度。
2.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法,其特征在于:所获得的训练集数据需基于数据清洗策略剔除训练集中的异常点,并保存标准化模型,具体过程为:获取由全部磨煤机运行监测参数构成的数据集,分析数据集中设备运行机理,根据参数正常工作范围,将参数正常工作范围外的值替换为缺失值,并将包含缺失值的观测剔除,其中故障时段内的数据也需剔除。
3.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法,其特征在于:R-CNN-LSTM模型的建模过程为:
基于RCNN进行训练,挖掘深层特征,RCNN各部分是分开训练的,首先训练CNN,然后再训练SVM,最后训练回归器;
将获取的深层特征结果输入到LSTM中,挖掘趋势性特征,进行有监督训练,并保存成果模型。
4.根据权利要求3所述的基于深度学习的磨煤机健康度评估方法,其特征在于:RCNN训练过程具体有:
CNN部分:
(1)有监督的预训练:在ILSVRC2012对CNN(AlexNet)进行预训练;
(2)Domain-specific的微调:对于每个region proposal,若和其最接近的ground-truth的IoU值>=0.5,将其定义为该对应类别的正类,其余作为负类,用这些样本再对CNN进行微调,在微调的阶段除了最后一层分类层的节点数变为N+1除外,其他所有层的结构都不改变;
SVM部分:
对于每个region proposal,若和其最接近的ground-truth的IoU值小于某threshold,则将其定义为负类,而正类简单地定义为ground-truth框,将这些样本送入CNN得到特征向量后暂存在磁盘中,再用这些特征向量训练SVM;
回归器部分:
回归器采用岭回归,回归器数量=物体类别数,即同SVM一样,针对每个物体类别设置对应的回归器。
5.根据权利要求4所述的基于深度学习的磨煤机健康度评估方法,其特征在于:正负样本定义标准为:候选区域和ground-truth的IoU大于等于0.6且类别一致的当作正样本,反之为负样本。
6.根据权利要求4所述的基于深度学习的磨煤机健康度评估方法,其特征在于:RCNN训练过程中,目标函数及参数定义为:
定义P=(Px,Py,Pw,Ph)为候选区域,其中Px,Py代表候选区域的中心坐标,Pw,Ph代表候选区域的宽和高;定义GT为G=(Gx,Gy,Gw,Gh),GT表示为ground-truth,预测的GT为定义d*(P)为候选区域和GT的偏移量,如dx(P)为x的偏移量。预测GT关系式为:
其中,exp表示为指数曲线, 指第n个池化层后的特征,即为输入特征向量,使用岭回归学习得到w*,即式子:
上式中,argmin代表最小的参数,pi代表矩阵,λ代表代求参数,t*指的:
tx=(Gx-Px)/Pw (3.6)
ty=(Gy-Py)/Ph (3.7)
tw=log(Gw/Pw) (3.8)
th=log(Gh/Ph) (3.9)
(P,G)只选取那些和其最近的ground-truth的IoU的值大于某一阈值的regionproposal来训练边界框回归系数。
7.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法,其特征在于:应用成果模型前,对待评估磨煤机的监测测点参数进行选择,并对测点参数值进行处理,具体内容为:获取当前待评估磨煤机的监测数据,筛选该设备的监测参数项,并对其筛选结果集进行标准化,这两步的处置依据来自于步骤1、步骤2所保存的参数项列表和标准化模型。
8.根据权利要求1所述的基于深度学习的磨煤机健康度评估方法,其特征在于:汇总各参数的偏离,反映磨煤机整体的偏离程度,公式为:
式中,xi,分别表示m个待预估关键参数中第i个参数的实际值和预估值,wi表示第i个参数的偏离在总体偏离中的权重,em表示m个待预估参数的总体偏离度。
9.根据权利要求8所述的基于深度学习的磨煤机健康度评估方法,其特征在于:通过数学方法将偏离度em映射到阈值为0~100的区间范围内,并将这一映射值称之为健康度,映射公式为:
式中,hx表示总体偏离度为x时映射的健康度值,p表示偏离度分界值,即总体偏离度大于p时,映射健康度小于60,否则大于等于60。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310345987.XA CN116522065A (zh) | 2023-04-03 | 2023-04-03 | 一种基于深度学习的磨煤机健康度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310345987.XA CN116522065A (zh) | 2023-04-03 | 2023-04-03 | 一种基于深度学习的磨煤机健康度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522065A true CN116522065A (zh) | 2023-08-01 |
Family
ID=87398481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310345987.XA Pending CN116522065A (zh) | 2023-04-03 | 2023-04-03 | 一种基于深度学习的磨煤机健康度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522065A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
-
2023
- 2023-04-03 CN CN202310345987.XA patent/CN116522065A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
CN118013468B (zh) * | 2024-04-03 | 2024-06-11 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN117633722B (zh) | 基于智能检测机器人的检测控制方法及系统 | |
CN111105332A (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
CN114678080A (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN118246368B (zh) | 负离子浓度控制方法、装置、设备及存储介质 | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
Voronov et al. | Predictive maintenance of lead-acid batteries with sparse vehicle operational data | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
CN116702839A (zh) | 一种基于卷积神经网络的模型训练方法及应用系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 |
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 |