基于大数据和神经网络的火电站设备故障预警系统及方法技术方案

本发明专利技术公开了基于大数据和神经网络的火电站设备故障预警系统及方法，包括：获取火电站设备的状态参数及对应的故障标签的大数据获取平台；从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本的数据集样本库；将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型的神经网络模型训练模块；采集火电站设备的实时状态参数，组成监测样本的数据监测模块；将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果的故障预测模块。本发明专利技术实现全方位监测火电站设备，且预测结果精度高。度高。度高。

【技术实现步骤摘要】
基于大数据和神经网络的火电站设备故障预警系统及方法


[0001]本专利技术属于火电站设备故障检测
，更具体地，涉及一种基于大数据和神经网络的火电站设备故障预警系统及方法。

技术介绍

[0002]大型火电厂主、辅机数量较多，结构复杂，其作用是完成从热能到机械能再到电能的转换过程。设备与设备之间的耦合性、系统的复杂性等因素决定火电厂是一个高故障率和故障危害性很大的生产场所，这此故障都将造成重大的经济损失，因此应用设备故障预测及状态监测技术，掌握关键设备的正常运行状态，及时发现易损部件的工况恶化趋势，及时进行维护和检修，对提高设备的可靠性和安个性十分必要。
[0003]但是目前的状态监测技术只是一种实时的监控方案，相关工作人员只有当所监控的物理参数超过设定的阈值时，才对设备故障作出对应的响应机制，此时设备故障终究已经是发生了，设备故障容易导致程度不一的负面影响，因此根据所监控的物理参数的实时值预测未来一定时间之内的设备是否会产生故障，产生哪种故障，这才是从根本上杜绝故障的产生，实现对火电站设备的全方位监控。
[0004]综上，特别需要一种能全方位监控火电站设备的故障预测方法。

技术实现思路

[0005]本专利技术的目的是提出一种能全方位监控火电站设备的故障预警系统及方法。
[0006]为了实现上述目的，本专利技术提供了一种基于大数据和神经网络的火电站设备故障预警系统，包括：大数据获取平台，所述大数据获取平台获取火电站设备的状态参数及对应的故障标签；数据集样本库，所述数据集样本库与所述大数据获取平台连接，从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；神经网络模型训练模块，所述神经网络模型训练模块与所述数据集样本库连接，将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；数据监测模块，所述数据监测模块采集火电站设备的实时状态参数，组成监测样本；故障预测模块，所述故障预测模块分别与所述数据监测模块和神经网络模型训练模块连接，将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。
[0007]优选的，所述数据样本包括训练样本和测试样本，所述将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于所述训练样本，对所述初始神经网络模型进行训练；步骤103：基于所述测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。
[0008]优选的，所述初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；所述多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；所述全局平均池化层之后连接两个全
连接层，其中，两个全连接层包括第一全连接层和最终全连接层；所述最终全连接层为神经网络模型的输出层，使用softmax函数，在所述最终全连接层添加Dropout操作，所述最终全连接层输出故障预测结果。
[0009]优选的，步骤102包括：将所述训练样本按初始顺序逐个作为所述初始神经网络模型的输入数据，对所述初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正所述初始神经网络模型中的权重参数；改变所述训练样本的先后顺序，将改变先后顺序的训练样本逐个作为所述初始神经网络模型的输入数据，进行所述初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。
[0010]优选的，步骤103包括：基于所述测试样本对所述训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于所述训练后的神经网络模型在所述训练样本中获得的最高准确率，将所述训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于所述训练后的神经网络模型在所述训练样本中获得的最高准确率时，基于所述测试样本，继续对所述训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。
[0011]优选的，所述大数据获取平台包括数据采集单元、数据筛选单元、数据仓库和数据发送单元，数据采集单元、数据筛选单元、数据仓库和数据发送单元依次连接，数据发送单元与所述数据集样本库连接。
[0012]优选的，所述数据采集单元安装于火电站设备上，对火电站设备的工作状态进行监测，并实时将采集监测到的数据发送至数据筛选单元。
[0013]优选的，所述数据筛选单元用于对数据采集单元采集得到的数据进行筛选，去除重复、无效和冗余数据，并将筛选后的数据发送至数据仓库进行存储。
[0014]另一方面，本专利技术还提供一种基于大数据和神经网络的火电站设备故障预警方法，包括：获取火电站设备的状态参数及对应的故障标签；从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；获取火电站设备的实时状态参数，组成监测样本；将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。
[0015]优选的，所述数据样本包括训练样本和测试样本，所述将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于所述训练样本，对所述初始神经网络模型进行训练；步骤103：基于所述测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。
[0016]优选的，所述初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；所述多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；所述全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；所述最终全连接层为神经网络模型的输出层，使用softmax函数，在所述最终全连接层添加Dropout操作，所述最终全
连接层输出故障预测结果。
[0017]优选的，步骤102包括：将所述训练样本按初始顺序逐个作为所述初始神经网络模型的输入数据，对所述初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正所述初始神经网络模型中的权重参数；改变所述训练样本的先后顺序，将改变先后顺序的训练样本逐个作为所述初始神经网络模型的输入数据，进行所述初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据和神经网络的火电站设备故障预警系统，其特征在于，包括：大数据获取平台，所述大数据获取平台获取火电站设备的状态参数及对应的故障标签；数据集样本库，所述数据集样本库与所述大数据获取平台连接，从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；神经网络模型训练模块，所述神经网络模型训练模块与所述数据集样本库连接，将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；数据监测模块，所述数据监测模块采集火电站设备的实时状态参数，组成监测样本；故障预测模块，所述故障预测模块分别与所述数据监测模块和神经网络模型训练模块连接，将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。2.根据权利要求1所述的基于大数据和神经网络的火电站设备故障预警系统，其特征在于：所述数据样本包括训练样本和测试样本，所述将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于所述训练样本，对所述初始神经网络模型进行训练；步骤103：基于所述测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。3.根据权利要求2所述的基于大数据和神经网络的火电站设备故障预警系统，其特征在于：所述初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；所述多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；所述全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；所述最终全连接层为神经网络模型的输出层，使用softmax函数，在所述最终全连接层添加Dropout操作，所述最终全连接层输出故障预测结果。4.根据权利要求3所述的基于大数据和神经网络的火电站设备故障预警系统，其特征在于，步骤102包括：将所述训练样本按初始顺序逐个作为所述初始神经网络模型的输入数据，对所述初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正所述初始神经网络模型中的权重参数；改变所述训练样本的先后顺序，将改变先后顺序的训练样本逐个作为所述初始神经网络模型的输入数据，进行所述初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神...

【专利技术属性】
技术研发人员：袁世通，秦小阳，李刚，崔猛，杨亚飞，金彦昌，张明明，秦铭阳，刘云飞，江鹏宇，
申请(专利权)人：大唐三门峡电力有限责任公司，
类型：发明
国别省市：