一种基于神经网络的设备状态实时监测与异常探测方法技术

本发明专利技术公开了一种基于神经网络的设备状态实时监测与异常探测方法包括以下步骤：步骤1，离线基准工况重构模型训练，进一步包括：步骤101，数据收集，选取正常运行阶段的数据作为基准运行工况数据；步骤102，对收集的原始数据进行加工；步骤103，将处理后的数据分为两个子集；步骤104，将训练得到的重构模型应用于测试集，得到模型预测值与实际工况观测值残差的分布；步骤105，计算测试集残差分布的均值μ*、方差σ*2、90％分位点δ*统计量；步骤2，在线实时状态监测与异常探测进行信息融合，得到单一部件实时运行状态的健康度指标HI。件实时运行状态的健康度指标HI。件实时运行状态的健康度指标HI。

【技术实现步骤摘要】
一种基于神经网络的设备状态实时监测与异常探测方法


[0001]本专利技术属于设备监测
，具体涉及一种基于神经网络的设备状态实时监测与异常探测方法。

技术介绍

[0002]设备状态监测与异常探测的技术方案可以分为两个思路，基于物理模型和基于经验模型的状态监测与异常探测。
[0003]基于物理模型的监测预警：如果对于设备或者故障的物理机理有着深入的理解，并建立有刻画设备正常状态的物理模型，那么就可以基于该模型及其相关的输入变量来判定设备是否已经偏离了其正常运行工况。物理模型的优势在于其是可解析的，结果的可解释度高，适用范围广，且应用得当的话结果非常精确；其劣势在于对于大型复杂系统的物理模型往往缺失，建模难度高，模型求解计算量大，由于很多简化及假设的存在，计算结果的偏差往往也会比较大。
[0004]基于经验模型的监测预警：该思路不依赖于我们对故障机理模型的深入理解，从设备的历史运行数据和运行经验出发，判定设备是否发生异常。该思路包括两类方法，参数模型法和非参数模型法：参数模型法利用历史数据得到回归拟合模型的参数，以拟合模型作为异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的设备状态实时监测与异常探测方法，其特征在于，记部件正常运行状态下重构模型预测残差的分布为r
*
，均值为μ
*
、方差为σ
*2
、90％分位点为δ
*
，记部件实时运行状态下重构模型预测残差的分布为r，均值为μ、方差为σ2，包括以下步骤：步骤1，离线基准工况重构模型训练，进一步包括：步骤101，数据收集，选取正常运行阶段的数据作为基准运行工况数据；步骤102，对收集的原始数据进行加工，主要包括数据清洗、特征提取、特征选择、数据归一化；步骤103，将处理后的数据分为两个子集：模型训练集与模型测试集，基于训练数据和选定的建模算法建立信号重构模型；步骤104，将训练得到的重构模型应用于测试集，得到模型预测值与实际工况观测值残差的分布；步骤105，计算测试集残差分布的均值μ*、方差σ*2、90％分位点δ*统计量，将这些统计量存储下来，作为后续异常识别的参考基准；步骤2，在线实时状态监测与异常探测，进一步包括：步骤201，实时计算重构模型预测值和在线观测值的残差；步骤202，统计异常判定时点前一段固定时长内的预测残差，确保该固定时长内有足够的数据样本，计算预测残差的均值μ、方差σ2；步骤203，根据定义计算包括偏离度指标DI、波动度指标VI、显著性指标SI、偏离概率PDI、波动概率PVI、显著概率PSI的指标量，其中，偏离度指标DI用于衡量预测残差分布均值偏离程度的标准分数，其定义公式如(1)所示：波动度指标用于衡量预测残差分布方差偏离程度的F统计量，其定义如(2) 所示：显著度指标用于衡量预测残差分布中大于某一设定阈值的样本的比例，其定义公式如(3)所示：SI＝P(r≥δ
＊
|r∈r)
ꢀꢀꢀꢀ
(3)偏离概率用于反映残差分布的均值偏离基准运行状态的概率，其定义公式如(4)所示：PDI＝2
·
Φ(DI)-1
ꢀꢀꢀ
(4)其中Φ(

【专利技术属性】
技术研发人员：刘井泉，王豪，
申请(专利权)人：清华大学，
类型：发明
国别省市：