一種設備智能預警系統(tǒng)的評估值校準方法
【專利說明】一種設備智能預警系統(tǒng)的評估值校準方法
[0001] (一）技術領域 本發(fā)明屬于設備狀態(tài)預警技術領域，特別涉及一種基于SVM回歸模型的設備智能預警 系統(tǒng)的評估值校準方法。
[0002] (二）【背景技術】 眾所周知，重要設備的運行狀態(tài)對于工廠生產(chǎn)影響巨大，比如電廠機組中的鍋爐、發(fā)電 機等關鍵設備。設備在正常工況下運行過程中體現(xiàn)出來的功能特征、表象特征以及電氣特 征與異常狀態(tài)下的特征是有差異的。設備智能預警是指在設備部件萌發(fā)異常的征兆時，提 前對設備管理人員發(fā)出預警信號，防止異常質(zhì)變成不可控的故障，保證生產(chǎn)人員的安全，提 高設備的使用壽命。
[0003] 目前，在設備狀態(tài)預警方面主要有兩大類方法：一是采用設備生產(chǎn)廠商根據(jù)制造 工藝設定各個部件不同預警級別的閾值方法，二是采用非線性多元回歸建模的數(shù)學挖掘方 法擬合出設備各個部分之間的復雜冗余關系，通過分析實際值與評估值之間的差距來進行 預警。然后兩種方法均有各自的特點與局限性。
[0004] 對于傳統(tǒng)的固定閾值方法，如電廠中建立的DCS系統(tǒng)可實時監(jiān)控關鍵設備的運行 狀態(tài)，而這些固定閾值多是依據(jù)設備生產(chǎn)廠家的要求設定的多級報警閾值。這種傳統(tǒng)方法 比較保險，卻容易忽視了設備運行性能退化的特點，而且不同部件因材質(zhì)、使用程度、磨損 程度會有不同的退化程度，因此這種傳統(tǒng)預警方法會在設備使用后期往往產(chǎn)生較多的虛 警，大大降低預警效率。
[0005] 人們于是越來越注重建立非線性回歸模型方法的使用，其基本原理在于運用已有 的數(shù)學建模方法充分挖掘系統(tǒng)設備的海量歷史數(shù)據(jù)建立高效實用的模型進行設備實時狀 態(tài)評價，而模型對設備實時狀態(tài)的評估可信度是設備預警成功與否的根本。然而影響其對 設備預警的評價可信度的因素有以下兩點：首先，最常見的問題在于不同回歸算法中的關 鍵參數(shù)，比如說BP神經(jīng)網(wǎng)絡中的隱含層層數(shù)1、隱含層節(jié)點數(shù)n、各層之間的激活函數(shù)f類 型等參數(shù)；還有，支持向量機中的誤差懲罰因子_:、核函數(shù)帶寬擾等重要參數(shù)因素。這些參 數(shù)都需要在原方法嵌入?yún)?shù)尋優(yōu)策略基礎上進行優(yōu)化以減少對設備實時值評估的偏差。
[0006] 除此之外近期發(fā)現(xiàn)這種建立非線性回歸模型方法的又一不足之處，由于非線性建 模時會將設備每個部件之間建立起密切的函數(shù)映射關系，以至于當設備中的某個部件發(fā)生 病變時，其他部件的評估值會產(chǎn)生不同程度的偏離，難以真實展現(xiàn)當前設備該部件的運行 狀態(tài)，同時帶來一定的虛警，降低了這類智能預警方法的使用價值。對于這種問題，目前在 非線性建模預警算法中對于這種正常部件評估值受影響的問題或者是被忽略或者是從現(xiàn) 象上判斷卻沒有成型的校準算法進行彌補這種缺陷問題，缺少對評估值受影響問題產(chǎn)生機 理的透徹研究。
[0007] 比如說，論文《SVM回歸估計方法在衛(wèi)星故障診斷中的應用》（電機與控制學報， 2008年第12卷第4期）中使用支持向量機回歸方法實現(xiàn)對衛(wèi)星姿勢的狀態(tài)監(jiān)控與故障診 斷，在對支持向量機算法優(yōu)化方面采用Lancastrian的半正定規(guī)劃方法進行核優(yōu)化已達到 減小泛化誤差的目的。在實現(xiàn)多輸出方面采用單獨為每個輸出參數(shù)構建回歸模型的方法。 同時使用分割訓練數(shù)據(jù)提取支持向量的方法進行訓練數(shù)據(jù)壓縮，目的是減少訓練模型時 間。但是這篇文章對正常測點評估值受影響缺陷問題只是進行了現(xiàn)象性的闡述，并沒有解 釋現(xiàn)象產(chǎn)生機理與相應解決方法，只是表象上講述如何分辨真正發(fā)生故障的衛(wèi)星部件。
[0008] 目前提高非線性建模算法預警性能的主流方法是使用各類參數(shù)尋優(yōu)策略在數(shù)值 上優(yōu)化，獲取最佳的回歸評估效果以提高設備預警性能。例如在論文《基于ARMA誤差修正 和自適應粒子群優(yōu)化的SVM短期負荷預測》（電力系統(tǒng)保護和控制2011年14期)對支持向 量機回歸模型的優(yōu)化局限是蟻群算法、粒子群算法只能對核函數(shù)帶寬次、誤差懲罰因子^ 兩參數(shù)進行全局尋優(yōu)；還有國家專利《一種基于SVM的糧情預測預警方法及系統(tǒng)》（申請?zhí)?201410068731. X)均提到用經(jīng)預處理的歷史健康多參數(shù)樣本數(shù)據(jù)建立支持向量機回歸預測 模型，實現(xiàn)對糧情安全等級參數(shù)的實時評估，但是對支持向量機進行關鍵參數(shù)尋優(yōu)也只能 一定限度地調(diào)整回歸評估值，無法在根本上改變測點之間的冗余關系，一個或多個測點異 常依舊會影響到其他測點的評估值，以致降低設備預警系統(tǒng)的精確性和有效性。由于異常 測點通過擾亂正常測點的復雜非線性映射關系來影響其正常測點的評估，所以尋優(yōu)策略無 法從本質(zhì)上消除異常測點帶來干擾影響的現(xiàn)象。
[0009] 針對以上現(xiàn)象，亟需有新的評估值校準技術修復被異常測點干擾的函數(shù)映射關 系，對設備智能預警算法的評估性能進行有效補償，實現(xiàn)對設備正常狀態(tài)數(shù)據(jù)的有效擬合 及異常狀態(tài)數(shù)據(jù)的凸顯，這樣才可能最大幅度提高設備智能預警算法在在線實時評估方面 的精確性。
[0010] (三）
【發(fā)明內(nèi)容】
本發(fā)明為了彌補現(xiàn)有技術的不足，提供了一種設備智能預警系統(tǒng)的評估值校準方法， 彌補了當前各種回歸算法中在設備狀態(tài)評估預警中精確性不高的現(xiàn)狀，旨在使用插值補償 法消除異常測點對正常測點評估值的偏離，使設備正常測點的評估值校準到符合其實際狀 態(tài)的水平，從而實現(xiàn)了回歸算法的性能優(yōu)化；為支持向量機等回歸算法在設備狀態(tài)評估預 警精度方面給予了強大的保證，從歷史設備數(shù)據(jù)挖掘出所有影響情形下異常測點與正常測 點的非線性影響關系，并使用插值方法實時在線地為當前實時數(shù)據(jù)修正有偏差的評估值； 可以應用在線評估設備狀態(tài)方面，且能有效減少因測點相互影響產(chǎn)生的虛警，同時通用性 強，同樣可以為其他回歸算法進行性能優(yōu)化。
[0011] 本發(fā)明是通過如下技術方案實現(xiàn)的： 一種設備智能預警系統(tǒng)的評估值校準方法，其特征是：由以下部分組成： 第一部分：建立設備智能預警模型，包括以下步驟： 1. 1、導入相應設備訓練數(shù)據(jù)，訓練數(shù)據(jù)為一定時間的單設備或復合設備的多測點正常 歷史健康數(shù)據(jù)； 1. 2、數(shù)據(jù)預處理； 1.3、訓練數(shù)據(jù)壓縮，采用無參數(shù)壓縮方式從訓練數(shù)據(jù)選取包含所有設備正常運行狀態(tài) 的定量數(shù)據(jù)； 1. 4、構建多輸入多輸出的預警模型，η個測點依次作為輸出構建η個對應的SVM回歸 豐旲型； 第二部分：影響關系曲線擬合，包括以下步驟： 2.1、確定影響類型和異常測點的數(shù)目； 2. 2、選取適合的影響關系曲線； 2. 3、計算曲線的擬合度； 2. 4、獲取曲線參數(shù)，保存到參數(shù)數(shù)據(jù)庫中備用； 第三部分：異常測點識別，包括以下步驟： 3. 1、實時數(shù)據(jù)在回歸評估之后，使用健康殘差上下限指標檢測，將未受影響測點篩選 出來 3. 2、實時數(shù)據(jù)在回歸評估之后，使用健康數(shù)據(jù)上下限指標檢測，將超限的異常測點篩 選出來； 3. 3、實時數(shù)據(jù)在回歸評估之后，使用波動特性指標檢測，將異常程度較低的測點篩選 出來； 3. 4、實時數(shù)據(jù)在回歸評估之后，使用極限值逼近度指標檢測，將異常微弱的測點從中 選出來； 第四部分：校準受擾測點的評估值，包括以下步驟： 4. 1、每個正常測點根據(jù)影響類型調(diào)用相應的影響曲線； 4. 2、計算異常測點的突變程度； 4. 3、根據(jù)影響曲線計算每個正常測點評估值的偏離程度； 4. 4、使用插值法依次校準每個正常測點的評估值。
[0012] 優(yōu)選的，在步驟（1.2)中，對訓練數(shù)據(jù)中的Nan數(shù)據(jù)采取擦除或填充處理手段后， 進行歸一化操作。
[0013] 優(yōu)選的，在步驟（2. 2)中，選取的影響關系曲線均為不同坡度的S型曲線。
[0014] 優(yōu)選的，在步驟（4. 2)中，計算異常測點跟本測點未發(fā)生異常之前的情況進行對 比。
[0015] 本發(fā)明的有益效果是： (1) 、可以實時地消除異常測點對其他正常測點評估值的偏離，經(jīng)過回歸補償法校準的 評估值更能體現(xiàn)設備正常測點的實際運行水平，且不會改變異常測點的評估值，可以極大 地提高支持向量機算法在回歸評估方面的精確性，同時具有良好的通用性，可以嫁接到其 他回歸算法中進行性能優(yōu)化； (2) 、使用多重回歸的方式從歷史健康數(shù)據(jù)中挖掘出設備的異常測點與正常測點之間 的非線性影響關系，由于非線性影響關系具有在建模過程中提前提煉出各個測點的受影響 水平趨勢的優(yōu)點，因此在線調(diào)整設備受影響測點的評估值的時候，不會產(chǎn)生過多的延時效 果，確保了模型對設備實時預警能力； (3) 、能實時地進行異常測點識別，雖然具有多重的辨析條件，但是判斷條件多是輕巧 簡潔且精確適用的邏輯判斷，沒有涉及復雜耗時的運算，判斷的實時性得以保證，可以為設 備數(shù)據(jù)進行在線狀態(tài)解析； (4) 、使用插值法進行受影響測點的評估值修正，且插值法有多種方式可根據(jù)效果靈活 進行選擇，且本發(fā)明的核心支持向量機回歸模型性能穩(wěn)定，既可固定又可根據(jù)需要進行更 新，配合插值法能為正常測點穩(wěn)定輸出無干擾的評估值； (5) 、使用的歷史數(shù)據(jù)的數(shù)據(jù)規(guī)模不受限制，用獲取的設備歷史數(shù)據(jù)中挖掘出各個測點 之間的冗余關系來構建預警模型，同時基于數(shù)據(jù)驅(qū)動來運行預警模型，完全基于數(shù)據(jù)的特 性使本發(fā)明不受專家經(jīng)驗知識以及物理結構的限制，因此本發(fā)明的預警模型可靠性更高， 且生命周期長。
[0016] (四）【附圖說明】 下面結合附圖對本發(fā)明作進一步的說明。
[0017