一种特种设备故障监测系统技术方案

本发明专利技术涉及一种对机电类特种设备进行故障监测的系统，该系统主要分为离线学习模块和在线监测模块。通过收集传感器测量数据，然后选择局部模型并预测相关的参数，然后再选择出最优的局部模型，通过计算离线全局监测统计量得到全局监测统计量的临界值，然后通过计算在线全局监测的统计量并与全局监测统计量的临界值进行比较，从而得到完整的设备故障监测信息。

A fault monitoring system for special equipment

【技术实现步骤摘要】
一种特种设备故障监测系统
本专利技术属于工业数据分析领域，特别是设计到特种设备的故障监测方法。
技术介绍
特种设备是指涉及生命安全、危险性较大的专用设备。传统基于专家知识的设备运维方案多属于亡羊补牢式的被动策略，存在较严重的滞后性，已不能满足实际需求。随着大数据和人工智能技术的发展，大数据驱动的故障预警技术为特种设备的运维提供了天然沃土。本专利基于概率主成分分析方法对特种设备进行故障监测。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种特种设备故障监测系统。本专利技术通过以下技术方案来实现：一种特种设备故障监测系统，该系统包括离线学习模块和在线监测模块；其中所述离线学习模块工作过程包括如下步骤：S1：从特种设备运行过程中收集N个正态传感测量数据；S2：选择针对概率主成分分析的K个局部模型；S3：预测局部模型参数；S4：根据预测的模型参数，从这K个模型中选择最优模型KO；S5：计算离线全局监测统计量；S6：通过前面计算的全局监测统计量来计算监测统计量的临界值；所述在线监测模块工作过程包括如下步骤：S7：获取新样本数据并对其进行处理；S8：计算每个局部监测模型的在线局部监测统计量；S9：按照S5中的方法，计算在线的全局监测统计量；S10：进行系统故障诊断。优选地，所述正态传感测量数据，来自于特种设备的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。优选地，所述K个局部模型中K的取值为5＜K＜10。优选地，所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量，然后通过CPV逼近去计算主成分的数量，然后通过两步EM算法得到最优的模型参数σ2表示数据方差，π表示活动参数，然后计算H(K)并返回S2直到K＝Kmax。优选地，所述离线学习模块的S4中选择最优模型的方法为：K0＝argminH(i)其中，其中tn为所采集的数据。优选地，所述离线学习模块的S5中计算离线全局监测统计量的方法为：其中T2为霍特林T平方，SPE为平方预测误差，为T2和SPE的整合，Rni表示权重。优选地，所述离线学习模块的S6中所述计算监测统计量的值的方法为：其中J为T2，SPE或α为置信水平。优选地，所述在线监测模块的S7中所述获取新样本数据是实时的，时间延迟不能超过1s。优选地，所述在线监测模块的S8中所述计算在线局部监测统计量的方法为：Ti2＝||MiWiTtn||2其中M表示协方差。本专利技术具有如下有益效果：本专利技术用于给不同的设备提供不同温度的冷却水，从而达到减少设备成本、提高冷却水的利用率以及释放其占地面积等。附图说明为了更清楚地说明本专利技术的技术方案，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一些实施例，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，还可以根据这些附图获得其它附图。图1是本专利技术的工作流程图。具体实施方式下面将结合本专利技术实施例中的附图，对专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参考说明书附图1，一种特种设备故障监测系统，该系统包括离线学习模块和在线监测模块；其中所述离线学习模块工作过程包括如下步骤：S1：从特种设备运行过程中收集N个正态传感测量数据。特种设备的正态传感测量数据，来自于特种设备常用的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。S2：选择针对概率主成分分析的K个局部模型。K个局部模型中5＜K＜10。S3：预测局部模型参数。①通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量；②然后通过CPV(累积方差贡献率，CumulativePercentVariance，CPV)逼近去计算主成分的数量，然后通过两步EM算法(最大期望算法，Expectation-maximization算法)得到最优的模型参数σ2表示数据方差，π表示活动参数；③计算H(K)并返回S2直到K＝Kmax。S4：根据预测的模型参数，从这K个模型中选择最优模型KO。选择最优模型的方法为：K0＝argminH(i)其中，其中tn为所采集的数据。S5：计算离线全局监测统计量的方法为：其中T2为霍特林T平方，SPE为平方预测误差，为T2和SPE的整合，Rni表示权重。S6：通过前面计算的全局监测统计量来计算监测统计量的临界值，计算监测统计量的值的方法为：其中J为T2，SPE或α为置信水平。在线监测模块为：S7：获取新样本数据并对其进行处理，时间延迟不能超过1sS8：计算每个局部监测模型的在线局部监测统计量，计算方式为：Ti2＝||MiWiTtn||2其中M表示协方差。S9：按照S5中的方法，计算在线的全局监测统计量；S10：进行系统故障诊断。上述说明示出并描述了本专利技术的优选实施例，如前所述，应当理解本专利技术并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述专利技术构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本专利技术的精神和范围，则都应在本专利技术所附权利要求的保护范围内。本文档来自技高网...

【技术保护点】
1.一种特种设备故障监测系统，其特征在于，该系统包括离线学习模块和在线监测模块；/n其中所述离线学习模块工作过程包括如下步骤：/nS1：从特种设备运行过程中收集N个正态传感测量数据；/nS2：选择针对概率主成分分析的K个局部模型；/nS3：预测局部模型参数；/nS4：根据预测的模型参数，从这K个模型中选择最优模型K

【技术特征摘要】
1.一种特种设备故障监测系统，其特征在于，该系统包括离线学习模块和在线监测模块；
其中所述离线学习模块工作过程包括如下步骤：
S1：从特种设备运行过程中收集N个正态传感测量数据；
S2：选择针对概率主成分分析的K个局部模型；
S3：预测局部模型参数；
S4：根据预测的模型参数，从这K个模型中选择最优模型KO；
S5：计算离线全局监测统计量；
S6：通过前面计算的全局监测统计量来计算监测统计量的临界值；
所述在线监测模块工作过程包括如下步骤：
S7：获取新样本数据并对其进行处理；
S8：计算每个局部监测模型的在线局部监测统计量；
S9：按照S5中的方法，计算在线的全局监测统计量；
S10：进行系统故障诊断。


2.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述正态传感测量数据，来自于特种设备的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。


3.根据权利要求1或2所述的一种特种设备故障监测系统，其特征在于，所述K个局部模型中K的取值为5＜K＜10。


4.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量，然后通过累积方差贡献率逼近去计算主成分的数量...

【专利技术属性】
技术研发人员：陈豪，刘哲夫，陈松航，张丹，王耀宗，连明昌，王森林，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：福建;35