一种设备故障预警模型记忆矩阵的构造方法及装置制造方法及图纸

本发明专利技术提供了一种设备故障预警模型记忆矩阵的构造方法及装置，其中方法包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。本发明专利技术提供了一种设备故障预警模型记忆矩阵的构造方法及装置，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。

Method and device for constructing memory matrix of equipment fault early warning model

The invention provides a method and a device for constructing a memory matrix of a device fault early warning model, wherein the method comprises: S1, selecting n data samples in a database as particles, and encoding the particles with binary sequences to generate m particles; S2, determining the index for constructing the memory matrix and the corresponding objective function. S3. Solving the objective function based on discrete particle swarm optimization to determine the optimal value of the particles satisfying the objective function; S4. Building the memory matrix of equipment fault early warning model according to the optimal value of the particles. The invention provides a method and a device for constructing the memory matrix of the equipment fault early warning model, and solves the technical problem of selecting suitable historical health data from the historical data to construct the memory matrix.

【技术实现步骤摘要】
一种设备故障预警模型记忆矩阵的构造方法及装置
本专利技术涉及热工技术和人工智能交叉领域，尤其涉及一种设备故障预警模型记忆矩阵的构造方法及装置。
技术介绍
为了提高电站设备运行的可靠性，降低设备的维护成本，同时延长检修周期，发电企业不仅希望在设备出现故障时提供故障的检测与隔离，还要求在设备发生故障前就能实现对其预警。这样，就有足够的时间采取措施来防止故障的发生，避免不必要的损失，从而提高发电企业的经济效益和社会效益。利用多状态估计技术通过正常运行参数之间的相似性可实现对设备运行状态的估计。多状态估计技术将正常运行状态下的历史健康数据存储在记忆矩阵中，并从记忆矩阵中学习设备状态的各个监测参数之间的关系，从而估计系统运行的健康状况。虽然电站历史数据库存储了大量的运行数据，但是大部分样本都集中在某些特定的工况下，因此，如何从历史数据中选取合适历史健康数据构建记忆矩阵，是构建状态估计模型亟需解决的技术问题。
技术实现思路
本专利技术提供了一种设备故障预警模型记忆矩阵的构造方法及装置，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。本专利技术提供了一种设备故障预警模型记忆矩阵的构造方法，包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。作为优选，步骤S1具体包括：S101、选取数据库中的n个数据样本作为粒子；S102、随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；S103、基于数据库共生成m个粒子。作为优选，目标函数为：其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。作为优选，步骤S3具体包括：S301、通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；S302、判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则执行步骤S303，若否，则对更新后的粒子进行再编码处理后执行步骤S303；S303、计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并执行步骤S304，若否，则直接执行步骤S304；S304、判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并执行步骤S305，若否，则直接执行步骤S305；S306、判断迭代次数是否等于预置最大迭代次数，若是则执行步骤S4，若否，则进行迭代更新返回执行步骤S301。作为优选，步骤S302中对更新后的粒子进行再编码处理具体包括：判断更新后的粒子对应的二进制序列中数据样本为1的总个数大于s或小于s；若大于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s1，依次计算更新后的粒子对应的二进制序列中第i个为1的数据样本变为0后的二进制序列对应的目标函数，其中i＝1,2,3…s1，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的升序排序将更新后的粒子中对应的由1变为0的数据样本进行升序排序，并重新赋值前s个数据样本为1，其余数据样本0；若小于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s2，依次计算更新后的粒子对应的二进制序列中第j个为0的数据样本变为1后的二进制序列对应的目标函数，其中j＝1,2,3…n-s2，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的降序排序将更新后的粒子中对应的由0变为1的数据样本进行降序排序，并重新赋值前s-s2个数据样本为1，并结合原本数据样本为1的s个数据样本构成粒子。作为优选，预置速度更新公式为：其中，pb是一个粒子的最优值，pg是整个群体的全局最优值；预置位置更新公式为：xi＝xi+vi；预置赋值更新公式为：其中，sig(·)为sigmoid函数，定义为本专利技术提供了一种设备故障预警模型记忆矩阵的构造装置，包括：粒子生成模块，用于选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；目标函数构建模块，用于确定构建记忆矩阵的指标及其对应的目标函数；最优值确定模块，用于基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；记忆矩阵构建模块，用于根据粒子的最优值构建设备故障预警模型记忆矩阵。作为优选，粒子生成模块具体包括：粒子选取子模块，用于选取数据库中的n个数据样本作为粒子；粒子赋值子模块，用于随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；粒子生成子模块，用于基于数据库共生成m个粒子。作为优选，目标函数为：其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。作为优选，最优值确定模块具体包括：粒子更新子模块，用于通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；第一判断子模块，用于判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则跳转至第二判断子模块，若否，则对更新后的粒子进行再编码处理后跳转至第二判断子模块；第二判断子模块，用于计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并跳转至第三判断子模块，若否，则直接跳转至第三判断子模块；第三判断子模块，用于判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并跳转至迭代子模块，若否，则直接跳转至迭代子模块；迭代子模块，用于判断迭代次数是否等于预置最大迭代次数，若是，则跳转至记忆矩阵构建模块，若否，则跳转至粒子更新子模块。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供了一种设备故障预警模型记忆矩阵的构造方法，包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。本专利技术通过确定构建记忆矩阵的指标及其对应的目标函数，利用离散粒子群算法获得满足对应的目标函数的粒子最优值，从而构建设备故障预警模型记忆矩阵，覆盖最大工况，精度更高，解决了从历史数据中选取合适历史健康数据构建记忆矩阵的技术问题。附图说明为了更清楚地说明本专利技术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专利技术的实施例，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为本专利技术提供的一种设备故障本文档来自技高网...

【技术保护点】
1.一种设备故障预警模型记忆矩阵的构造方法，其特征在于，包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。

【技术特征摘要】
1.一种设备故障预警模型记忆矩阵的构造方法，其特征在于，包括：S1、选取数据库中的n个数据样本作为粒子，并用二进制序列对粒子进行编码，共生成m个粒子；S2、确定构建记忆矩阵的指标及其对应的目标函数；S3、基于离散粒子群算法对目标函数进行求解，确定满足目标函数的粒子的最优值；S4、根据粒子的最优值构建设备故障预警模型记忆矩阵。2.根据权利要求1所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S1具体包括：S101、选取数据库中的n个数据样本作为粒子；S102、随机选取粒子中s个数据样本赋值为1，未选取的数据样本赋值为0；S103、基于数据库共生成m个粒子。3.根据权利要求2所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，目标函数为：其中，γ1和γ2为权值系数，dmax为数据库中数据样本之间的最大欧氏距离，dij为记忆矩阵中每两个数据样本之间的欧氏距离，L2(x)为数据样本中心化偏差。4.根据权利要求3所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S3具体包括：S301、通过预置速度更新公式、预置位置更新公式和预置赋值更新公式对粒子进行速度更新、位置更新和赋值更新，确定更新后的粒子的速度、位置以及对应的二进制序列；S302、判断更新后的粒子对应的二进制序列中数据样本为1的总个数是否等于s，若是，则执行步骤S303，若否，则对更新后的粒子进行再编码处理后执行步骤S303；S303、计算更新后的粒子的适应度值，并判断更新后的粒子的适应度值是否大于粒子历史最优值，若是，则将更新后的粒子作为粒子历史最优值，并执行步骤S304，若否，则直接执行步骤S304；S304、判断更新后的粒子的适应度值是否大于粒子全局最优值，若是，则将更新后的粒子作为粒子全局最优值，并执行步骤S305，若否，则直接执行步骤S305；S306、判断迭代次数是否等于预置最大迭代次数，若是则执行步骤S4，若否，则进行迭代更新返回执行步骤S301。5.根据权利要求4所述的设备故障预警模型记忆矩阵的构造方法，其特征在于，步骤S302中对更新后的粒子进行再编码处理具体包括：判断更新后的粒子对应的二进制序列中数据样本为1的总个数大于s或小于s；若大于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s1，依次计算更新后的粒子对应的二进制序列中第i个为1的数据样本变为0后的二进制序列对应的目标函数，其中i＝1,2,3…s1，并依次计算改变后的目标函数与改变前的目标函数的增量，根据增量的升序排序将更新后的粒子中对应的由1变为0的数据样本进行升序排序，并重新赋值前s个数据样本为1，其余数据样本0；若小于s，记更新后的粒子对应的二进制序列中数据样本为1的总个数为s2，依次计算更新后的粒子对应的二进制序列中第j个为0的数据样本变为...

【专利技术属性】
技术研发人员：廖宏楷，罗嘉，陈华忠，肖黎，许志斌，欧阳春明，邱天，杨婷婷，
申请(专利权)人：广东电网有限责任公司电力科学研究院，广东电科院能源技术有限责任公司，
类型：发明
国别省市：广东,44