CN1209724C - 基于概率模型的设备状态动态自适应报警方法 - Google Patents

Abstract

本发明公开了一种基于概率模型的设备状态动态自适应报警方法，基于设备运行的动态数据，使用概率神经网络自学习构建设备状态的概率模型。该模型随设备运行调整其分布概型，动态描述设备状态的变化规律。依托模型，研究设备状态的动态评判规则；同时构建不同状态间的阈值，形成设备运行的自适应报警线。本发明撇开传统的按照各种通用标准对现场设备运行状态的划分依据，从设备各自的发展历程来寻找规律，为每台设备、每个测点、乃至每个监测量都可以建立起状态等级评判依据，明确地将现场常规设备状态划分为三个等级：即正常状态、故障状态、和快速劣化状态，并为每种状态确定了现场中所应采取的措施，为综合评判设备状态奠定了基础。

Description

基于概率模型的设备状态动态自适应报警方法

技术领域

本发明属于设备状态监测诊断领域，涉及设备运行状态等级划分和报警阈值设定技术，进一步涉及一种基于概率模型的设备状态动态自适应报警方法。

背景技术

设备运行状态等级划分和阈值设定一直是设备状态监测技术中的难题。从表现形式来看，有设备状态报警的绝对标准和相对标准。绝对标准，是指用监测量的绝对数值来判断设备状态；相对标准，是指设备自身振值变化率的允许值。设备状态报警的标准研究，一般由标准化组织牵头进行。然而目前工业现场对这些标准的使用存在几个主要问题，首先是划分等级的明确性，由于机械设备状态变化的连续性，难以说明某一级阈值上下的不同监测量具有本质上的差异，并不能从物理意义上明确地说明当前设备处于何种状态；其次是阈值设定的适用性，由于没有考虑到现场设备运行的实际情况和现场的工作状况，这些标准只是从共性上提出了参考意义上的判断标准，其实际指导意义并不明显。

另一方面，随着传感器技术和监测诊断技术的不断发展，除振动量外，企业都已逐步开始加强对设备温度、压力、流量等各种工艺量的监测，在利用这些工艺量数据对设备状态进行划分方面，目前尚缺乏有效的判断依据。

发明内容

本发明的目的在于提供一种全新、直观、有效的基于概率模型的设备状态动态自适应报警方法。该方法提出以设备失效阶段来划分设备状态的基本假设，在此基础上，依据设备自身动态运行数据构建概率模型，建立有明确工程意义的状态划分，实现报警阈值的动态自适应设置与调整，形成一套完整的设备状态自适应报警方法。

实现上述发明目的的技术解决方案是，基于概率模型的设备状态动态自适应报警方法，其特征在于，立足于设备运行的历史数据，使用概率神经网络自学习方法构建设备状态的概率模型，依据模型确定设备状态的动态评判规则，同时根据不同状态间的阈值，形成设备运行的自适应报警线；包括以下步骤：

1)根据建立概率模型的需求，确定改进概率神经网络的网络结构；

2)从设备运行的历史数据入手，计算网络的平滑因子和条件概率；

3)对历史数据进行归一化处理；

4)对历史数据中的相同数据点进行处理；其方法是，找出相同的数据，记下相同的次数N，去除N-1个相同的数据，估算平滑因子，然后计算条件概率时乘以相同次数N；

5)当历史数据量少时，采用Bootstrap方法对网络样本层进行扩充；

6)当历史数据量多时，采用聚类法优化网络结构；

7)根据概率统计3σ方法，动态确定各个状态的报警阈值；

8)随着历史数据的不断增加和概率模型的动态调整，建立设备状态的自适应报警线。

本发明提供的模型化描述设备状态方法，为解决设备状态的动态阈值划分确定开辟了新的思路，显示了如下优越性：

1、本发明充分利用设备运行的历史数据，总结了一种客观描述设备运行状态的概率模型。

2、撇开传统的按照各种通用标准对现场设备运行状态的划分依据，从设备各自的发展历程来寻找规律，为每台设备、每个测点、乃至每个监测量都可以建立起状态等级评判依据，为综合评判设备状态奠定了基础。

3、本发明中明确地将现场常规设备状态划分为三个等级：正常状态、故障状态、和快速劣化状态，并为每种状态确定了现场中所应采取的措施，为现场工作人员提供了明确的指导。

4、本发明中所建立的报警线是一个自适应的过程，它根据现场状态动态地进行调整，并表现为：正常状态下的收缩性；设备微弱劣化状态下的包容性，避免了误报现象；故障状态下的敏感性，防止了漏报现象。

附图说明

图1是整个发明实施步骤流程图；

图2是构建概率模型的神经网络结构图；

图3是相同数据点处理流程图；

图4是Bootstrap扩充样本层示意图；

图5是聚类优化网络结构示意图；

图6是只包括正常运行数据的设备状态概率模型图

图7是包括正常和故障数据的设备状态概率模型图；

图8是只包括正常运行数据的设备报警阈值图；

图9是包括正常和故障数据的设备报警阈值图；

图10是只包括正常运行数据的自适应报警线；

图11是包括正常和故障数据的自适应报警线。

具体实施方式

为了更清楚的理解本发明，以下结合附图和实施例对本发明作进一步的详细说明。

参见图1，图1为整个实施步骤的流程图。依照本发明的技术方案，本发明的具体实施步骤如下：

1、获取设备运行的历史数据。历史数据可以是反映设备状态的某一监测物理量，或是由振动波形计算出的某个具体指标，也可以是设备运行过程中的各种工艺量数据。

2、根据改进概率神经网络的原理及网络结构，建立设备状态概率模型，参照图2。

3、对设备运行历史数据进行预处理，主要过程包括：归一化处理、相同数据的处理、数据量偏小时构建样本层、数据量过多时优化网络结构。

a.归一化处理

根据式 ${\tilde{x}}_i=\frac{x_i-\min \left(x\right)}{\max \left(x\right)-\min \left(x\right)},i=\mathrm{1,2},\·\·\·N$ 将历史数据的范围限定为[0，1]；

b.相同数据的处理

为避免历史数据中的相同数据对建模过程的影响，采用图3的方法对相同数据进行处理；其方法是，找出相同的数据，记下相同的次数N，去除N-1个相同的数据，估算平滑因子，然后计算条件概率时乘以相同次数N；

c.数据量偏少时构建样本层；为减小数据量偏小时构建模型的误差，采用Bootstrap方法对网络样本层进行扩充，参照图4；

d.数据量过多时网络结构的优化。为保证建模过程中的快速计算，采用聚类的方法减少计算样本量，对网络结构进行优化，参照图5。

e.采用式 $\mathrm{\σ}=g\frac{1}{N}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}\min d_{\mathrm{ij}},i\≠j,g=1.1~1.4$ 估计建模中的平滑因子σ，

并由式 $p(x/x_i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σN}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\exp [-{(x-x_i)}^2/2{\mathrm{\σ}}^2]$ 计算条件概率；

4、构建设备状态概率模型。该模型客观地描述设备的运行状态及其历史数据的分布范围，参照图6和图7。

5、根据概率统计3σ理论，确定各个状态的报警阈值。确定准则是3倍平滑因子处的值作为当前范围的边界，此边界也即作为该状态下的报警阈值，参照图8和图9

6、建立设备状态的自适应报警线。每增加一组历史数据，重复第2～6，即可建立自适应报警线，参照图10和图11。

以下是发明人给出的实施例：

本发明通过在工业现场的多次应用，均取得了明显的效果。在此，将现场设备分为两类，只包括正常运行数据的设备，和包括正常和故障数据的设备，并分别对这两类设备分析发明中所述的过程。

1.建立设备状态概率模型

图6是只包括正常运行数据的设备状态概率模型。从图中可以看出，正常运行状态下的设备状态概率模型是在小范围内的概率分布函数。它们的样本点比较集中，平滑因子也较小，即每个样本点对整个概率模型的影响较小由于数据都大量集中在均值附近，概率模型在历史数据平均值附近的概率达到最大，而对一些离均值较远的值，概率则较小。所构建的概率模型曲线类似一个中心在均值附近的高斯函数。只要设备处于正常运行状态，则历史数据总有很大的概率发生在均值附近，而远离均值的数据只是小概率事件，因此，此时的概率模型完全符合设备运行的实际情况。

图7是包括正常和故障运行数据的设备状态概率模型。从图中可以看出，当设备历史数据中包括了一组或若干组故障数据时，这时的概率模型将发生较大的变化。由于故障数据偏离正常范围较远，而且故障数据的分布范围较广，即样本点间的距离较大，估计出的平滑因子往往都较大，导致每个样本点的影响范围加大。而且由于故障数据与正常数据间的距离较远，它们之间的互相影响非常小，导致在概率模型图中出现一个在正常范围和故障范围之间概率非常小的区域，这个区域正是设备从正常状态到故障状态过渡的不稳定区域，从设备的劣化过程来看，设备出现在这种不稳定状态的实际较短，因而在概率模型图中也是一个概率极小的范围，此时的概率模型也是符合设备运行的实际情况的。

2.设定设备状态报警阈值

图8是只包括正常运行数据的设备报警阈值图。由于此时的概率模型包括了正常状态下的所有分布，因此利用3σ可以确定出正常状态的分布范围，即正常范围的报警阈值。由于缺乏故障数据，所建立的概率模型没有包括故障状态的范围，因此无法确定设备的故障报警阈值。

图9是包括正常和故障数据的设备报警阈值图。由于此时的概率模型不仅包括正常状态的范围，还包括了快速劣化状态和故障状态的范围，因此根据3σ可以分别确定出正常状态、快速劣化状态和故障状态的分布范围，因此不但可以确定出正常状态下的报警阈值，同时还可以确定出故障状态下的报警阈值。

3.构建设备状态自适应报警线

图10是只包括正常运行数据的自适应报警线图，图11是包括正常和故障数据的自适应报警线图。当设备一直运行平稳时，历史数据只包括正常运行状态的数据，此时只能确定正常范围的报警阈值，所建立的动态报警线也只有一级报警线；而当设备发生过故障，经过检修后，继续投入使用，历史数据包括了正常和故障状态的数据，此时可以同时确定出正常范围的一级报警线和故障范围的二级报警线。

用概率模型建立的动态报警线具有明确的物理意义：当设备一直平稳运行时，所确定的报警线指明了设备正常运行的范围，超出这一范围则说明设备已经偏离其正常状态，设备现场监测人员应该加强对设备的监测频度。而在历史数据中已经包括了故障状态的数据时，即可立即确定出故障状态的报警线。此时的物理意义就更明确，超出故障状态报警线则说明设备已处于严重的故障状态，应立即停机检修，并通过其他故障分析方法确定出当前故障的种类。介于两级报警线中间的部分说明在该范围内设备由于某种原因运行于不稳定状态下，通过加强对设备的监测，若监测值回落至正常报警线以下，则说明并非是设备故障引起的，若监测值继续升高并超过故障状态报警线，则说明设备已经发生故障，需停机维修。当设备经维修继续投入运行后，先前所确定的故障状态报警线将作为一种历史经验保存下来，为设备继续运行提供良好的判据。

Claims (4)

1.一种基于概率模型的设备状态动态自适应报警的方法，其特征在于，立足于设备运行的历史数据，使用概率神经网络自学习方法构建设备状态的概率模型，依据模型确定设备状态的动态评判规则，同时根据不同状态间的阈值，形成设备运行的自适应报警线；包括以下步骤：

1)根据建立概率模型的需求，确定改进概率神经网络的网络结构；

2)从设备运行的历史数据入手，计算网络的平滑因子和条件概率；

3)对历史数据进行归一化处理；

4)对历史数据中的相同数据点进行处理；其方法是，找出相同的数据，记下相同的次数N，去除N-1个相同的数据，估算平滑因子，然后计算条件概率时乘以相同次数N；

5)当历史数据量少时，采用Bootstrap方法对网络样本层进行扩充；

6)当历史数据量多时，采用聚类法优化网络结构；

7)根据概率统计3σ方法，动态确定各个状态的报警阈值；

8)随着历史数据的不断增加和概率模型的动态调整，建立设备状态的自适应报警线。

2.如权利要求1所述的基于概率模型的设备状态动态自适应报警的方法，其特征在于，所述的历史数据是反映设备状态的某一监测物理量，或是由振动波形计算出的某个具体指标，或是设备运行过程中的各种工艺量数据。

3.如权利要求1所述的基于概率模型的设备状态动态自适应报警的方法，其特征在于，所述设备状态是按照常规设备损坏机理，将现场设备状态定义为正常状态、故障状态、快速劣化状态三个等级。

4.如权利要求1所述的基于概率模型的设备状态动态自适应报警的方法，其特征在于，所述自适应报警线在动态自适应报警过程中，采用概率统计3σ方法，确定报警曲线的阈值。

Images