供热设备故障预测方法技术

本发明专利技术涉及供热设备检测技术领域，具体涉及一种供热设备故障预测方法。包括以下步骤：基于供热设备的历史运行数据进行归一化处理、划分数据集以及设定原始数据；构建训练预测模型；采集供热设备当前的运行数据作为待测样本，将待测样本输入训练预测模型，得到供热设备下一时刻的运行数据的预测值。本发明专利技术引入改进的注意力机制组件，自适应地选择与预测相关的供热设备性能参数并加权，然后利用循环神经网络捕获供热设备属性时间序列的长期依赖关系，利用向量自回归模块捕获供热多变量时间序列的线性关系，结合线性与非线性模型对供热设备实时状态数据进行稳健的预测。备实时状态数据进行稳健的预测。备实时状态数据进行稳健的预测。

【技术实现步骤摘要】
供热设备故障预测方法


[0001]本专利技术涉及供热设备检测
，具体涉及一种供热设备故障预测方法。

技术介绍

[0002]目前，工业互联网正在进入快速成长期。由于技术成熟度和系统复杂的原因，目前供热系统往往重点监测一些关键功能子系统，例如动力系统、电力系统等，获得性能和状态关键参数，人工判断其健康和故障状态，并结合经验，进行定期维护。在这种现行的“定期计划维修”模式下，具有如下缺点：（1）设备运行的安全性和可靠性难以得到保障：“定期计划维修”无法有效处理潜在或突发的异常故障，无法保证供热设备安全、可靠地运行；（2）定期维修维护会造成诸多不必要的拆卸和安装，同时也会产生额外的磨合损耗，甚至导致新的故障；（3）设备维护和维修费用过高: 供热设备的使用和维护保障费用占全寿命周期费用的比例，已达到70%以上，已成为制约供热设备迅速发展的关键所在。
[0003]据麦肯锡测算，预测性维护可减少达50%的停机时间，也可节省设备维护成本10%到40%。对供热系统运行参数的采集与分析，及时发现供热系统中设备的健康状态和存在的问题，并预防潜在故障的发生，制定和执行相应的维修维护策略，已变得十分迫切。因此，开展供热系统设备的故障预测、寿命预测和健康管理( prognostic and health management，PHM)，对于防止突发事件，保证供热系统的安全运行，减小维修维护成本，实现供热系统维护方式从目前的“定期维修”升级到“视情维修( condition based maintenance，CBM)
ꢀ”
，从而提高供热系统维护的效率和失效性，降低供热系统的维修维护成本非常有必要。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种供热设备故障预测方法。
[0005]本专利技术为解决其技术问题所采用的技术方案为：供热设备故障预测方法，包括以下步骤：
[0006]步骤一：基于供热设备的历史运行数据进行归一化处理、划分数据集以及设定原始数据；
[0007]步骤二：构建训练预测模型；
[0008]步骤三：采集供热设备当前的运行数据作为待测样本，将待测样本输入训练预测模型，得到供热设备下一时刻的运行数据的预测值。
[0009]所述步骤一中，供热设备的历史运行数据存储于供热历史数据库中，数据归一化处理是将供热设备的历史运行数据归一化，然后添加滑动窗口转为监督学习问题；
[0010]划分数据集是将历史运行数据随机划分为训练集和测试集，然后使用训练集来生
成模型，再用测试集来测试模型的正确率和误差，以验证模型的有效性；
[0011]设给定窗口内供热所采集的原始数据为：
[0012]；
[0013]表示供热所监测的供热设备属性个数；
[0014]第个时间序列在时刻的观测值表示为；
[0015]表示第时刻的观测值，t=1，2，
…
，T，T表示滑动窗口的大小，表示第个时间序列在窗口内的观测值，i=1，2，
…
，n，n为自然数。
[0016]所述步骤二中包括以下子步骤：
[0017]2‑
1：构建和训练初始的预测模型，初始化模型参数；
[0018]2‑
2：获取新的数据集；
[0019]2‑
3：计算供热设备某时段t的最终预测值；
[0020]2‑
4：基于最终预测值与真实值的误差，更新模型参数，完成最终预测模型的构建及训练。
[0021]所述步骤2
‑
3包括以下子步骤：
[0022]2‑2‑
1：在时刻第个时间序列的重要性表示如下：
[0023] ；
[0024]式中，，，都是需要学习的参数，tanh表示双曲正切函数，是隐藏层的维度，是上一时刻隐藏状态，是上一个时刻的单元状态，m表示需要学习的参数，m为自然数，表示第i个时间序列在窗口内的观测值。
[0025]2‑2‑
2：通过一个softmax函数确保所有注意力之和为1；，表示t时刻第i个时间序列的注意力权值；
[0026]2‑2‑
3：将原始数据化为新的多变量时间序列，在时刻的观测值。
[0027]所述步骤2
‑
3中，包括以下子步骤：2
‑3‑
1：神经网络的隐藏状态由上一时刻和新的时刻的观测值共同决定，即：；其中，是GRU单元；2
‑3‑
2：使用一个Dense层来连接GRU的输出，从而得到供热设备未来一段时间的预测值：2
‑3‑
3：计算供热设备t时段的第二预测值；2
‑3‑
4：将和求均值，得到供热设备t时段最终预测值。
[0028]所述步骤2
‑3‑
2中计算公式如下：；表示时刻GRU单元的隐藏状态。
[0029]所述步骤2
‑3‑
3中计算过程如下：给定输入，其在时刻的观测值表示：；其中，；表示向量自回归模型的系数矩阵，；为
高斯噪声，采用最小二乘法求解最优的系数矩阵，则输出公式如下：；其中表示在时刻向量自回归模块得到的到供热设备的预测值。
[0030]采用梯度下降发反向传播更新神经网络模块、注意力机制组件和向量自回归模块的参数；包括以下子步骤：2
‑4‑
1：使用均方误差MSE作为目标函数，其计算公式如下：；其中，代表第个样本的真实值，代表第个样本的预测值，表示样本数目；2
‑4‑
2：若当前误差小于设定的误差阈值，则判断迭代达到预设最大迭代次数则得到训练好的预测模型，并执行下一步，否则返回步骤2
‑
2继续训练预测模型。
[0031]与现有技术相比，本专利技术具有以下有益效果：1.本专利技术引入改进的注意力机制组件，自适应地选择与预测相关的供热设备性能参数并加权，然后利用循环神经网络捕获供热设备属性时间序列的长期依赖关系，利用向量自回归模块捕获供热多变量时间序列的线性关系，结合线性与非线性模型对供热设备实时状态数据进行稳健的预测。
[0032]2.本专利技术提出的方法简单且不需要人工参与，通过输入注意力自适应地选择相关的供热设备属性，同时通过线性与非线性相结合的方法对供热设备属性进行预测，故障预测的效果更好。
[0033]3.本专利技术提出的方法，既能够学习供热多个设备属性之间的相互依赖关系和时间序列的长期依赖关系，还有助于减轻传统神经网络预测时间序列的输入尺度不敏感性。
附图说明
[0034]图1是本专利技术方法的流程图。
[0035]图2为供热设备原始数据的注意力处理示意图。
[0036]图3为GRU内部结构图。
[0037]图4为本专利技术方法的训练损失。
[0038]图5为换热站出口温度预测值示意图。
[0039]图6为换热站出口温度真实值示意图。
[0040]图7为5种预测方法的均方根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供热设备故障预测方法，其特征在于，包括以下步骤：步骤一：基于供热设备的历史运行数据进行归一化处理、划分数据集以及设定原始数据；步骤二：构建训练预测模型；步骤三：采集供热设备当前的运行数据作为待测样本，将待测样本输入训练预测模型，得到供热设备下一时刻的运行数据的预测值。2.根据权利要求1所述的供热设备故障预测方法，其特征在于，所述步骤一中，供热设备的历史运行数据存储于供热历史数据库中，数据归一化处理是将供热设备的历史运行数据归一化，然后添加滑动窗口转为监督学习问题；划分数据集是将历史运行数据随机划分为训练集和测试集，然后使用训练集来生成模型，再用测试集来测试模型的正确率和误差，以验证模型的有效性；设给定窗口内供热所采集的原始数据为 ：；表示供热所监测的供热设备属性个数；第个时间序列在时刻的观测值表示为；表示第时刻的观测值，t=1，2，
…
，T，T表示滑动窗口的大小，表示第个时间序列在窗口内的观测值，i=1，2，
…
，n，n为自然数。3.根据权利要求2所述的供热设备故障预测方法，其特征在于，所述步骤二中包括以下子步骤：2
‑
1：构建和训练初始的预测模型，初始化模型参数；2
‑
2：获取新的数据集；2
‑
3：计算供热设备某时段t的最终预测值；2
‑
4：基于最终预测值与真实值的误差，更新模型参数，完成最终预测模型的构建及训练。4.根据权利要求3所述的供热设备故障预测方法，其特征在于，所述步骤2
‑
3包括以下子步骤：2
‑2‑
1：在时刻第个时间序列的重要性表示如下： ；式中，，，都是需要学习的参数，tanh表示双曲正切函数，是隐藏层的维度， 是上一时刻隐藏状态，是上一个时刻的单元状态，m表示需要学习的参数，m为自然数，表示第i个时间序列在窗口内的观测值；2
‑2‑
2：通过一个softmax函数确...

【专利技术属性】
技术研发人员：葛振福，王荣鑫，张锐，张伟，王晨，乔宏旭，高翔，聂鑫，徐毅，刘娜，牛淑洁，李振林，王越洋，郝欣，王越，孙扬，马骁骅，
申请(专利权)人：淄博热力有限公司，
类型：发明
国别省市：