一种基于快速自主学习的电厂设备实时故障预警方法技术

本发明专利技术涉及故障预警技术领域，具体为一种基于快速自主学习的电厂设备实时故障预警方法，采用快速高效的机器学习实现海量数据的分钟级快速训练和秒级快速预测，实现电厂设备实时在线故障预警，其主要步骤包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练。能够对电厂设备故障相关的多个测点的海量数据在普通计算机服务器环境下进行分钟级快速学习，减少模型训练时间成本和计算资源，减少预警模型开发人员的专业依赖和数据分析人力成本，通过秒级快速学习能够实现对设备运行数据进行实时收集和自主学习，对预警模型进行实时动态修正，从而提高模型的预警精度。型的预警精度。型的预警精度。

【技术实现步骤摘要】
一种基于快速自主学习的电厂设备实时故障预警方法


[0001]本专利技术涉及故障预警
，具体为一种基于快速自主学习的电厂设备实时故障预警方法。

技术介绍

[0002]目前的电厂设备故障在线监测大都是通过单测点固定阈值的方式实现，比如某个温度点超温等，该类方法只能采用单个测点监测方式进行故障识别，无法对多测点的内在关联关系进行故障识别，从而实现提前预警能力；常规的基于机器学习的电厂设备故障预警方法虽然采用多测点数据学习的方式进行监测，但大都采用固定残差阈值方式进行故障捕捉，每一个故障监测相关测点的固定残差阈值往往需要依赖专家经验和现场设备历史数据分析，造成建模人员设备专业依赖度高、数据分析成本高等缺点；常规的面对海量数据的电厂设备故障实时预警大都采用大数据学习算法，比如深度学习算法等，该类算法具有训练时间长，训练消耗资源大等缺点，消耗时间通常以周计，只能通过在高性能计算机或集群的硬件系统上完成离线训练后，最终将训练好的模型下发到电厂设备运行测进行实时预测，无法实现持续数据积累方式的机器学习模型在线自主学习，无法实现预警模型的动态修正，一旦模型产生误报，则需要对模型进行再次离线训练，造成模型二次训练周期长、成本高。鉴于此，我们提出一种基于快速自主学习的电厂设备实时故障预警方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于快速自主学习的电厂设备实时故障预警方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于快速自主学习的电厂设备实时故障预警方法，包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练；其中，
[0006]快速自主学习模型训练包括以下步骤：
[0007]步骤A1：采集预警模型相关的历史数据，并进行相关的数据预处理，形成原始数据集
[0008]步骤A2：对采集的历史数据集进行平均值标准差计算，形成历史数据特征；
[0009]步骤A3：通过KMeans快速聚类机器学习算法，形成电厂设备运行自主训练识别的k个模式状态，完成聚类核心m
x|s
和聚类数据集的计算；
[0010]步骤A4：通过高斯混合模型快速训练算法，形成电厂设备运行自主训练识别的高斯核；
[0011]步骤A5：最终实现快速自主训练模型的特征构建，完成高斯核协方差矩阵C
x|s
的计算完成模型训练；
[0012]快速自主学习模型在线预测包括以下步骤：
[0013]步骤B1：采集预警模型相关的实时数据，并进行相关的数据预处理，形成原始数据向量
[0014]步骤B2：加载训练好的预警模型的特征数据，构造高斯混合模型高斯核
[0015]步骤B3：采用轻量级EM迭代算法，完成Θ的迭代计算；
[0016]步骤B4：采用基于高斯核距离评判标准的健康度评估算法完成预警模型动态健康度计算，并根据预警模型健康度单一量化指标进行预警逻辑判断，完成模型预测和预警判断；
[0017]快速自主学习模型在线训练包括以下步骤：
[0018]步骤C1：进入本轮实时计算流程，完成预警模型动态加载m
x|s
、C
x|s
，使得本轮计算分析的预警模型始终处于最新状态；
[0019]步骤C2：预警模型实时预测分析，计算预测值x
*
和预测值误差σ2(x
*
)；
[0020]步骤C3：计算基于高斯核距离的健康度单一量化评估指标H，完成预警模型实时动态健康度评估；
[0021]步骤C4：预警逻辑判断，触发当前时刻预警，并进入下一轮实时计算流程；
[0022]步骤C5：触发的预警通过报警合并，进入报警处理流程完成报警诊断；
[0023]步骤C6：诊断结果确定当前预警是否属于正常报警；
[0024]步骤C7：如果是正常报警则向系统用户推送检维修建议；
[0025]步骤C8：如果是误报警，则系统后台自动统计误报警时间段和误报警的测点历史数据存储；
[0026]步骤C9：同时调用快速自主训练算法，对模型进行误报警数据的在线二次训练；
[0027]步骤C10：完成模型在线更新，以保证后续实时计算流程动态加载的模型是在线二次训练后的模型。
[0028]优选的，步骤B3中，
[0029][0030]其中，对实时数据的预测值对实时数据的预测值和预测值误差
进行计算。
[0031]优选的，步骤B4中，预警模型动态健康度计算公式为：
[0032][0033]与现有技术相比，本专利技术的有益效果是：该基于快速自主学习的电厂设备实时故障预警方法，能够对电厂设备故障相关的多个测点的海量数据在普通计算机服务器环境下进行分钟级快速学习，减少模型训练时间成本和计算资源，能够对多测点的预警残差阈值进行动态学习和识别，提供预警模型健康度单一量化指标，减少预警模型开发人员的专业依赖和数据分析人力成本，通过秒级快速学习能够实现对设备运行数据进行实时收集和自主学习，对预警模型进行实时动态修正，从而提高模型的预警精度。
附图说明
[0034]图1为本专利技术的快速自主学习模型训练流程图；
[0035]图2为本专利技术的快速自主学习模型预测流程图；
[0036]图3为本专利技术的快速自主学习模型在线预测和在线训练流程图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本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。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0038]传统的电厂设备故障在线监测采用单测点固定阈值的方式进行，对大部分电厂设备故障捕捉能力差，不能满足电厂用户的监测需求；
[0039]常规的基于机器学习的电厂设备故障预警大都采用故障监测相关测点的固定残差阈值方式进行，严重依赖建模人员的专业水平，同时固定阈值的给定需要大量的人力进行数据分析；
[0040]常规的基于海量数据的电厂设备故障预警大都采用深度学习等算分，由于该类算法的训练计算资源消耗巨大，只能通过离线训练好数据模型之后再进行在线监测，不能满足预警模型在线自主学习的需求。
[0041]一种基于快速自主学习的电厂设备实时故障预警方法，采用快速高效的机器学习实现海量数据的分钟级快速训练和秒级快速预测，实现电厂设备实时在线故障预警，其主要步骤包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练，其中，
[0042]如图1所示，该方法中快速自主学习模型训练其特征在于无需迭代训练逻辑即可完成预警模型训练，能够实现海量数据的分钟级训练，其主要步骤包括：
[0043]步骤A1：采集预警模型相关的历史数据，并进行相关的数据预处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速自主学习的电厂设备实时故障预警方法，其特征在于，包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练；其中，快速自主学习模型训练包括以下步骤：步骤A1：采集预警模型相关的历史数据，并进行相关的数据预处理，形成原始数据集步骤A2：对采集的历史数据集进行平均值标准差计算，形成历史数据特征；步骤A3：通过KMeans快速聚类机器学习算法，形成电厂设备运行自主训练识别的k个模式状态，完成聚类核心m
x|s
和聚类数据集的计算；步骤A4：通过高斯混合模型快速训练算法，形成电厂设备运行自主训练识别的高斯核；步骤A5：最终实现快速自主训练模型的特征构建，完成高斯核协方差矩阵C
x|s
的计算完成模型训练；快速自主学习模型在线预测包括以下步骤：步骤B1：采集预警模型相关的实时数据，并进行相关的数据预处理，形成原始数据向量步骤B2：加载训练好的预警模型的特征数据，构造高斯混合模型高斯核步骤B3：采用轻量级EM迭代算法，完成Θ的迭代计算；步骤B4：采用基于高斯核距离评判标准的健康度评估算法完成预警模型动态健康度计算，并根据预警模型健康度单一量化指标进行预警逻辑判断，完成模型预测和预警判断；快速自主学习模型在线训练包括以下步骤：步骤C1：进入本轮实时计算流程，完...

【专利技术属性】
技术研发人员：厉海涛，任平，谭红旭，张朝磊，
申请(专利权)人：上海恕笃智能科技有限公司，
类型：发明
国别省市：