一种基于自编码器的火电厂辅机健康状态评估方法技术

本发明专利技术提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明专利技术具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。

【技术实现步骤摘要】
一种基于自编码器的火电厂辅机健康状态评估方法
本专利技术涉及测量建模
，特别是一种基于自编码器的火电厂辅机健康状态评估方法。
技术介绍
火电厂系统极为复杂，锅炉、汽轮机等主机设备可靠性较高，导致机组非计划性停机的往往是辅机设备。辅机设备往往是火电厂设备检测的薄弱环节，辅机健康状态评估缺乏有效的监测手段，保证辅机设备安全运行，对辅机实施健康状态评估和提高机组运行安全性和经济型有着重要的现实意义。因而，保证火电厂辅机设备安全稳定运行，需要在辅机健康状态评估上进行更加深入的研究。自编码器是一种较为复杂的建模技术，可以针对数据包含的非线性关系进行建模，确保深层有效信息挖掘和重构的最大化。传统的火电厂辅机设备建模是通过监测温度、振动等单一参数，针对单一参数根据经验设置阈值，当监测参数超过所设阈值，相关辅机设备就会报警等待检修。自编码器能够挖掘不同信号间的相关性，根据不同信号间的内在联系进行建模，避免单一信号的异常波动造成监测系统对辅机设备运行状态的误判。
技术实现思路
本专利技术提供了一种基于自编码器的火电厂辅机健康状态本文档来自技高网...

【技术保护点】
1.一种基于自编码器的火电厂辅机健康状态评估方法，其特征在于，包括以下步骤：/n第一步：通过Pearson相关系数的关联性分析对辅机多维历史特征进行筛选；/n第二步：通过主成分分析计算筛选后的所述多维历史特征，并根据累计方差贡献率，计算出主成分分析主元数目K；/n第三步：根据所述主成分分析主元数目K构建自编码模型，根据自编码模型重构数据与原始数据的误差限，实现对火电厂辅机运行状态进行实时健康状态评估。/n

【技术特征摘要】
1.一种基于自编码器的火电厂辅机健康状态评估方法，其特征在于，包括以下步骤：
第一步：通过Pearson相关系数的关联性分析对辅机多维历史特征进行筛选；
第二步：通过主成分分析计算筛选后的所述多维历史特征，并根据累计方差贡献率，计算出主成分分析主元数目K；
第三步：根据所述主成分分析主元数目K构建自编码模型，根据自编码模型重构数据与原始数据的误差限，实现对火电厂辅机运行状态进行实时健康状态评估。


2.根据权利要求1所述的基于自编码器的火电厂辅机健康状态评估方法，其特征在于，所述第三步中，根据第二步中得出的主成分分析主元数目K，确定自编码模型隐藏层个数为K，构建自编码模型，其具体方法为：
(1)L-1层与L层神经网络之间的模型权重为WL，其数学表达式为：



式中：为L-1层神经元j到L层神经元i的连接权重，其中NL-1为L-1层神经元数目，NL为L层神经元数目，i＝1，2，...，NL，j＝1，2，...NL-1；
(2)L-1层与L层神经网络之间的模型偏置为bL，其数学表达式为：



式中：为L层神经元i的连接偏置，其中NL为L层神经元数目，i＝1，2，...，NL；
(3)确定N层神经元参数ZL的数学表达式为：
ZL＝σ(WL*ZL-1+bL)
式中：WL为L-1层与L层神经网络之间的模型权重，ZL-1为N-1层神经元参数，bL为L层神经元的连接偏置，σ为激活函数；
(4)确定自编码器隐藏层神经元数目为主成分分析满足95％累计方差贡献率的主元数目K；
(5)输入筛除特征后的历史数据，构建自编码模型；所述自编码模型包括编码阶段和解码阶段，编码阶段通过逐层减少神经网络神经元个数，实现对有效信息的低维压缩，解码阶段通过逐层增...

【专利技术属性】
技术研发人员：邓艾东，张顺，邓敏强，史曜炜，刘洋，程强，曹浩，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32