一種基于大數(shù)據(jù)的電廠設(shè)備智能預(yù)測(cè)檢修方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及大數(shù)據(jù)技術(shù)領(lǐng)域，具體來(lái)說(shuō)是涉及一種基于大數(shù)據(jù)的電廠設(shè)備智能預(yù) 測(cè)檢修方法和系統(tǒng)。
【背景技術(shù)】
[0002] 電廠專家系統(tǒng)是一個(gè)能在特定領(lǐng)域內(nèi)以人類專家水平去解決該領(lǐng)域內(nèi)困難問(wèn)題 的計(jì)算機(jī)程序?qū)＜蚁到y(tǒng)，能夠綜合專家廣泛的經(jīng)驗(yàn)及所處理問(wèn)題的專門知識(shí)形成知識(shí)點(diǎn)， 使得對(duì)某專業(yè)不很熟悉的人員通過(guò)專家系統(tǒng)獲得進(jìn)行推理的能力，獲得所需的知識(shí)并能夠 像專家那樣解決問(wèn)題或從事類似于專家的工作。
[0003] 現(xiàn)代電廠設(shè)備和控制系統(tǒng)雨來(lái)越復(fù)雜，對(duì)維修人員的要求很高，合格的維修人員 的培訓(xùn)周期明顯延長(zhǎng)，但企業(yè)的維修人員的流動(dòng)性大，一些寶貴的維修經(jīng)驗(yàn)隨著維修人員 離職或者退休而得不到保存，造成了知識(shí)的極大浪費(fèi)。因此建立一個(gè)專門用于收集電廠設(shè) 備維修經(jīng)驗(yàn)貯存設(shè)備的維修知識(shí)，促進(jìn)電廠設(shè)備維修人員的培養(yǎng)訓(xùn)練，為電廠設(shè)備的維修 工作提供強(qiáng)有力的技術(shù)支持的系統(tǒng)就顯得十分迫切。
[0004] 專家系統(tǒng)亦稱專家咨詢系統(tǒng)，它是一種具有大量專業(yè)知識(shí)與經(jīng)驗(yàn)的智能計(jì)算機(jī)系 統(tǒng)，通常，主要指軟件系統(tǒng)，現(xiàn)代的專家系統(tǒng)同時(shí)結(jié)合了大數(shù)據(jù)在線設(shè)備狀態(tài)分析系統(tǒng)，構(gòu) 成了工業(yè)企業(yè)的智能專家維修系統(tǒng)。它把專門領(lǐng)域中人類專家的知識(shí)和思考解決問(wèn)題的方 法、經(jīng)驗(yàn)和訣竅組織整理且存儲(chǔ)在計(jì)算機(jī)中，不但能模擬領(lǐng)域?qū)＜业乃季S過(guò)程，而且能讓計(jì) 算機(jī)宛如人類專家那樣智能地解決實(shí)際問(wèn)題。
[0005] 在設(shè)備或系統(tǒng)發(fā)生故障前就開(kāi)始的智能型維護(hù)被稱為預(yù)測(cè)性維護(hù)，這是設(shè)備維修 的最高境界。先進(jìn)的技術(shù)和分析模型允許操作員能夠檢測(cè)復(fù)雜的模式并預(yù)測(cè)計(jì)劃外的事 件。為了實(shí)現(xiàn)有效維護(hù)，預(yù)測(cè)性維護(hù)技術(shù)必須基于大量異構(gòu)數(shù)據(jù)和可靠的專家維修系統(tǒng)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種基于大數(shù)據(jù)的電廠設(shè)備智能預(yù)測(cè)檢修方法，能夠累積維 修工作中的維修數(shù)據(jù)并進(jìn)行量化分析，同時(shí)在線更新維修數(shù)據(jù)庫(kù)為維修人員提供最新的維 修數(shù)據(jù)支持。
[0007] 本發(fā)明的另一目的是提供一種利用上述基于大數(shù)據(jù)的電廠設(shè)備智能預(yù)測(cè)檢修方 法的智能預(yù)測(cè)檢修系統(tǒng)。
[0008] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0009] -種基于大數(shù)據(jù)的電廠設(shè)備智能預(yù)測(cè)檢修方法，該方法包括以下步驟：
[0010] (1)建立故障事例知識(shí)庫(kù)，所述故障事例知識(shí)庫(kù)的故障事例的結(jié)構(gòu)包括:事例名、 事例的說(shuō)明信息、故障的初始征兆和故障的診斷結(jié)論，所述故障的初始征兆和故障的診斷 結(jié)論均采用不確定性知識(shí)表達(dá)；
[0011] (2)獲取待診斷事例的初始征兆和必要的附加說(shuō)明信息；
[0012] (3)按附加說(shuō)明信息形成檢索的關(guān)鍵要素，可以通過(guò)爬網(wǎng)進(jìn)程定期索引說(shuō)明信息， 形成索引關(guān)鍵字供檢索使用；
[0013] (4)按步驟(3)中形成的關(guān)鍵要素檢索故障事例知識(shí)庫(kù)，若能進(jìn)行完全匹配，則返 回該事例的結(jié)論和維修方案，否則進(jìn)行步驟(5);
[0014] (5)計(jì)算待診斷事例的相似度，包括以下步驟：
[0015] (5.1)獲取待診斷事例的初始征兆；
[0016] (5.2)當(dāng)故障的初始征兆的各項(xiàng)事實(shí)的置信度的均值大于預(yù)設(shè)閾值時(shí)：
[0018] 式中：Ds--事例c*與事例c的相似度 [0019] N 事例c*與c中初始征兆的最大數(shù)目
[0020] Xi、Yi-一事例c*與事例c的初始征兆集的各個(gè)初始征兆的置信度
[0021] 若考慮權(quán)重因素的影響，則兩事例的相似度可由式(2)確定：
[0024] (6)按相似度的大小從故障事例知識(shí)庫(kù)中取與其最相似的幾個(gè)故障事例作為將返 回的結(jié)果；
[0025] (7)判斷是否檢索完，若檢索完，則返回，否則繼續(xù)步驟(4)。
[0026] 其中，在所述步驟(5)之后還包括:對(duì)該待診斷事例進(jìn)行判斷，若故障事例知識(shí)庫(kù) 中沒(méi)有該事例或該事例與事例庫(kù)中所有事例的相似度均小于某個(gè)給定的值，則保存該事例 入事例庫(kù)。這個(gè)給定的值可以是由SPARK在線分析系統(tǒng)分析實(shí)時(shí)在線采集數(shù)據(jù)并和歷史機(jī) 器學(xué)習(xí)數(shù)據(jù)動(dòng)態(tài)比較，加上專家的經(jīng)驗(yàn)值來(lái)確定，例如可以假設(shè)為0.8。同樣的，步驟(5.2) 中所述的預(yù)定閾值也是由SPARK在線分析系統(tǒng)分析實(shí)時(shí)在線采集數(shù)據(jù)并和歷史機(jī)器學(xué)習(xí)數(shù) 據(jù)動(dòng)態(tài)比較，加上專家的經(jīng)驗(yàn)值來(lái)確定，例如可以假設(shè)為〇. 6。
[0027] 其中，步驟（1)中所述的故障事例知識(shí)庫(kù)的故障事例數(shù)據(jù)信息來(lái)自：系統(tǒng)在初始狀 態(tài)時(shí)由用戶輸入的故障事例數(shù)據(jù)信息；系統(tǒng)在工作中由用戶增加故障事例數(shù)據(jù)信息；系統(tǒng) 在工作中由用戶刪除故障事例數(shù)據(jù)信息；系統(tǒng)在工作中由用戶增加新原因；以及系統(tǒng)在運(yùn) 行過(guò)程中根據(jù)發(fā)生的故障事例對(duì)所述事例庫(kù)中的故障事例數(shù)據(jù)信息進(jìn)行事例的學(xué)習(xí)和修 正。
[0028] 在故障事例知識(shí)庫(kù)中，知識(shí)量的多少?zèng)Q定著故障事例知識(shí)庫(kù)的能力與水平，而知 識(shí)的正確性、完整性也仍然決定著故障事例知識(shí)庫(kù)的能力與水平，因此故障事例知識(shí)庫(kù)應(yīng) 該具有對(duì)不正確的、不完整的知識(shí)的自動(dòng)修正能力。知識(shí)求精是知識(shí)獲取過(guò)程中必不可少 的步驟。一般來(lái)說(shuō)，初始的知識(shí)庫(kù)常常存在某些問(wèn)題，如知識(shí)之間不一致、有的知識(shí)不正確 等等。因而需要對(duì)知識(shí)庫(kù)進(jìn)行調(diào)試、修改和補(bǔ)充，即進(jìn)行知識(shí)求精。實(shí)踐證明，初始知識(shí)庫(kù)經(jīng) 過(guò)求精后可以顯著提高故障事例知識(shí)庫(kù)的性能和運(yùn)行效能。
[0029] 具體地，所述系統(tǒng)在初始狀態(tài)時(shí)由用戶輸入的故障事例數(shù)據(jù)信息，包括以下步驟：
[0030] (4.1)對(duì)系統(tǒng)進(jìn)行以下定義：
[0031] (4.1.1)初始狀態(tài)當(dāng)不知道各個(gè)原因的出現(xiàn)的可能性大小時(shí)，認(rèn)為各原因出現(xiàn)的 可能性相等，當(dāng)預(yù)測(cè)系統(tǒng)發(fā)現(xiàn)實(shí)時(shí)分析系統(tǒng)產(chǎn)生的設(shè)備故障信息有匹配的專家經(jīng)驗(yàn)與之對(duì) 應(yīng)則使用專家經(jīng)驗(yàn)；
[0032] (4.1.2)當(dāng)故障現(xiàn)象的原因越多，某一具體原因在一次故障現(xiàn)象中出現(xiàn)的可能性 就越小；
[0033] (4.1.3)當(dāng)一個(gè)原因在一次故障現(xiàn)象中出現(xiàn)時(shí)，我們就認(rèn)為它出現(xiàn)的可能性增大， 而沒(méi)有出現(xiàn)的原因的可能性降低；
[0034] (4.1.4)耦合度等于出現(xiàn)的原因次數(shù)與發(fā)生的故障現(xiàn)象數(shù)之比；
[0035] (4.1.5)各個(gè)原因出現(xiàn)可能性之和等于耦合度；
[0036] (4.1.6)耦合度與原因的個(gè)數(shù)正相關(guān)，即可能的原因個(gè)數(shù)越多，故障現(xiàn)象越復(fù)雜， 耦合越大；
[0037] (4.1.7)當(dāng)一次故障現(xiàn)象中出現(xiàn)的原因個(gè)數(shù)與總的可能原因個(gè)數(shù)之比大于原有耦 合度時(shí)耦合度增大，反之減小，相等時(shí)不變；
[0038] (4.2)根據(jù)步驟(4.1)中的定義，對(duì)用戶輸入的故障事例數(shù)據(jù)信息按以下兩種情況 計(jì)算故障現(xiàn)象的親合度：
[0039] (4.2.1)具有專家意見(jiàn)時(shí)，根據(jù)定義(4.1.1)和定義(4.1.5)，則
[0041] 其中：Cl為可能產(chǎn)生第i個(gè)故障現(xiàn)象的所有原因個(gè)數(shù)Max{j};j為某一現(xiàn)象的第j個(gè) 原因，為現(xiàn)象對(duì)該原因的隸屬度，是已經(jīng)發(fā)生第i個(gè)現(xiàn)象時(shí)存在第j個(gè)原因的可 能性;^為第i個(gè)故障現(xiàn)象的耦合度，表示了當(dāng)一個(gè)故障現(xiàn)象發(fā)生時(shí)可能存在的故障原因的 多少，代表現(xiàn)象原因的復(fù)雜程度；
[0042] (4.2.2)當(dāng)沒(méi)有專家意見(jiàn)時(shí)，根據(jù)定義(4.1.6)、定義(4.1.5)和定義(4.1.2)，則：
[0043] a：； = i/c7 / cy
[0044] 所述系統(tǒng)在工作中由用戶增加故障事例數(shù)據(jù)信息，包括以下步驟：
[0045] (5.1)現(xiàn)象和原因數(shù)累加：
[0046] Mi=Mi+l，
[0047] Nij=Nij+l；
[0048] 其中Mi為第i個(gè)故障現(xiàn)象累計(jì)發(fā)生的次數(shù);Nij為第i個(gè)現(xiàn)象的第j個(gè)原因累計(jì)出現(xiàn) 的次數(shù)；
[0049] (5.2)根據(jù)大數(shù)定律和定義(4.1.4)、定義(4.1.7)調(diào)整h的值，當(dāng)組<11時(shí)
[0052]其中：h為臨界參數(shù)，其臨界值取決于觀測(cè)數(shù)據(jù)范圍的大小，其樣本的容量越大，則 檢驗(yàn)的效果越明顯；
[0053] (5.3)調(diào)整實(shí)際發(fā)生原因的隸屬度
[0054] (5·3·l)現(xiàn)象調(diào)整幅度：Δμi = βXf(Ci)
[0055] 其中：現(xiàn)象因子f(Cl)是關(guān)于原因個(gè)數(shù)(^的減函數(shù)，與故障現(xiàn)象有關(guān)，與具體原因無(wú) 關(guān);β為敏感度系數(shù)，表示系統(tǒng)對(duì)事例的敏感程度，與系統(tǒng)有關(guān)，而與具體的故障現(xiàn)象和原因 均無(wú)關(guān);β越大，系統(tǒng)對(duì)事例的反應(yīng)越快、越敏感，〇〈β〈 1;
[0056] (5.3.2)具體原因調(diào)整幅度：Δμυ = ?·(μυ) X ΔμL
[0057] 其中：原因的權(quán)重函數(shù)f(yij)是一個(gè)關(guān)于的一個(gè)減函數(shù)，體現(xiàn)系統(tǒng)對(duì)某一具體 的原因重視程度，與具體原因相關(guān)，發(fā)生可能性越小越重視；
[0058] (5·3·3)實(shí)際發(fā)生原因隸屬度的調(diào)后值:μij=μij+Δμ ij
[0059] (5.4)歸一化:對(duì)某一故障現(xiàn)象來(lái)講，根據(jù)由定義(4.1.3)和定義(4.1.5)，當(dāng)實(shí)際 中出現(xiàn)的原因隸屬度增加時(shí)，可以認(rèn)為沒(méi)有出現(xiàn)原因的隸屬度應(yīng)相對(duì)減小，故應(yīng)根據(jù)各原 因隸屬度的調(diào)后值和新的耦合度，計(jì)算事例發(fā)生后所有原因的新的隸屬度，并更新現(xiàn)象原 因隸屬度表，充分體現(xiàn)了系統(tǒng)的統(tǒng)一"性：
[0060] 所述系統(tǒng)在工作中由用戶刪除故障事例數(shù)據(jù)信息，包括以下步驟：
[0061 ] (6.1)判斷要?jiǎng)h除的事例的原因是否是獨(dú)立事件，如果是獨(dú)立事例，則
[0062] Mi=Mi_l，
[0063] 如Mi = 0,現(xiàn)象耦合度和原因隸屬度都取初始值，Nij = 0,