一种水泥厂离心风机设备异常检测方法技术

本发明专利技术公开了水泥厂离心风机设备异常检测方法，其特征在于：包括下列步骤：步骤一、采集数据；步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值步骤；四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具体情况有更好地了解。解。解。

【技术实现步骤摘要】
一种水泥厂离心风机设备异常检测方法


[0001]本专利技术属于智能检测
，具体涉及一种水泥厂离心风机设备异常检测方法。

技术介绍

[0002]在水泥行业中，离心风机是生产环节中必不可少的关键设备，例如篦冷机风机群、窑头排风机、窑尾排风机、高温风机、选粉机等，风机的稳定决定了整条生产线的稳定运行。因此需要定期对各个风机进行点检和监控，确保风机的稳定运行，争取第一时间发现风机运行问题与隐患。
[0003]现有技术存在下列缺陷和不足。
[0004]1.现场人工点检与巡检：水泥厂风机设备采用人工方式进行现场设备的点检与巡检，针对重要的风机设备，点巡检频率更高，需要投入大量的人员力量，并且会增加现场的安全隐患。同时依靠人工的检查难以实时发现风机设备内部问题，很多故障异常表现不直观，难以靠人工发现。
[0005]2.中控室监控设备信号：水泥厂中控室进行全厂设备的联动控制与状态监控，但其监控量较少，仅仅采集风机设备的电流、频率、风压与转速，依靠这些参数难以进行风机设备的全方位监测，也没有相匹配的报警策略，仅仅针对单个参数的异常进行报警，不能正确全面地评估风机的运行状态。

技术实现思路

[0006]本专利技术的目的是提供水泥厂离心风机设备异常检测方法用于解决现有技术中只能对风机的单个参数进行异常判断，无法对风机设备进行全方位监测并采用相匹配的报警策略，因此不能正确全面地评估风机的运行状态的技术问题。
[0007]所述的一种水泥厂离心风机设备异常检测方法，包括下列步骤：
[0008]步骤一、采集数据；
[0009]步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；
[0010]步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；
[0011]步骤四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。
[0012]优选的，所述步骤三具体包括：
[0013]数据预处理，将数据集标准化转换后分割为序列；
[0014]模型训练，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分；
[0015]训练中进行阈值计算，在离线训练期间，使用N个观测的多元时间序列，为每个观测计算一个异常评估分数，那么所有异常得分形成一个单变量时间序列{S1，S2，
…
，SN}，然
后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。
[0016]优选的，所述步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值，本方法将GPD函数调整为：
[0017][0018]其中th为初始异常得分阈值，γ和β分别是广义帕累托分布的特征参数与尺度参数，S是单变量时间序列{S1，S2，
…
，SN}的任意值，阈值th以下的部分记为th
‑
S；s是可以设定的异常差值，th
‑
S的结果大于我们设定的异常差值s，计算概率P；
[0019]然后用极大似然估计和的值，然后计算最终的异常阈值，算式如下：
[0020][0021]其中q是S＜th的期望，N
′
是观察的次数，N
′
th
是小于阈值th的Si的个数，Si是单变量时间序列的元素，i＝1，2，
…
，N。
[0022]优选的，检测模型计算得到观测结果xt，xt包含针对各种数据分别计算所得的重构概率以及由各个数据的重构概率综合形成的风机总体的异常评估得分，异常评估得分。
[0023]优选的，所述检测模型采用对抗性学习异常检测，该检测模型建立在一类生成式对抗网络GAN上；生成式对抗网络由两类相互竞争的网络组成，生成器和鉴别器，生成器将从潜分布采样的随机变量z映射到输入数据空间，鉴别器试图区分真实数据样本x(i)和由生成器生成的样本G(z)，这两类网络是互相竞争的，生成器试图生成类似真实数据的样本，而鉴别器试图区分生成器产生的样本和真实数据样本。
[0024]优选的，生成式对抗网络GAN同时学习一个编码器网络E，编码器网络E为变分自编码网络，该编码器网络E在训练期间将数据样本x映射到潜空间z；计算此类模型中数据点x的潜表示只需通过将x传递给编码器网络E即可。
[0025]优选的，所述步骤四中，在线检测模块存储训练好的模型，输入预处理后的序列，得到一个新的观测结果xt，若xt的异常评估得分低于异常阈值，则将xt的判断结果输出为异常，否则为正常；若判断结果为异常，则对xt每个数据维度的贡献进行估计和排序来解释异常情况，数据维度的贡献即该数据的重构概率；展示时根据各个数据对应的重构概率按升序排序，并形成列表A。
[0026]优选的，所述步骤一中，通过传感器和数据采集器采集数据并形成数据集，数据包括风机给定速度、风机电机A、B、C三项定子温度、风机入口温度、风机出口温度、风机出口压力、风机入口压力、风机自由端振动、风机定位端振动、风机变频器速度反馈、风机变频器电流、电压和功率反馈、风机电机自由端与输出端振动。
[0027]本专利技术具有以下优点：本专利技术通过上述实现异常阈值的训练和计算，从而让依据异常阈值最适合当前训练数据对应的风机系统，对异常评估得分确定风机状态提供了最可靠的判断依据，并且通过该方法实现异常阈值的自动训练确定，提高了训练效率。
[0028]通过本专利技术对风机进行监控能实时对风机的运行状态进行全方位监测，并结合检测模型实现对风机状态的智能评估，形成更好的报警策略，不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具
体情况有更好地了解，从而为工作人员理解异常状态和后续的处理解决方案提供足够的线索和依据。
[0029]本专利技术提供的检测模型通过对抗学习来增强模型对正常风机状态的重构识别能力，增大异常状态与正常状态之间差异，而结合了变分自编码网络确保只有信息的主要部分被生成器重构识别，便于进行潜表示计算，提高了训练的效率和模型的检测能力。
附图说明
[0030]图1为本专利技术一种水泥厂离心风机设备异常检测方法的流程图。
[0031]图2为本专利技术中检测模型的示意图。
具体实施方式
[0032]下面对照附图，通过对实施例的描述，对本专利技术具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和伸入的理解。
[0033]如图1
‑
2所示，本专利技术提供了一种水泥厂离心风机设备异常检测方法，包括下列步骤。
[0034]步骤一、采集数据。
[0035]通过传感器和数据采集器采集数据并形成数据集，数据包括风机给定速度、风机电机A、B、C三项定子温度、风机入口温度、风机出口温度、风机出口压力、风机入口压力、风机自由端振动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水泥厂离心风机设备异常检测方法，其特征在于：包括下列步骤：步骤一、采集数据；步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；步骤四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。2.根据权利要求1所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤三具体包括：数据预处理，将数据集标准化转换后分割为序列；模型训练，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分；训练中进行阈值计算，在离线训练期间，使用N个观测的多元时间序列，为每个观测计算一个异常评估分数，那么所有异常得分形成一个单变量时间序列{S1，S2，
…
，SN}，然后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。3.根据权利要求2所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值，本方法将GPD函数调整为：其中th为初始异常得分阈值，γ和β分别是广义帕累托分布的特征参数与尺度参数，S是单变量时间序列{S1，S2，
…
，SN}的任意值，阈值th以下的部分记为th
‑
S；s是可以设定的异常差值，th
‑
S的结果大于我们设定的异常差值s，计算概率P；然后用极大似然估计和的值，然后计算最终的异常阈值，算式如下：其中q是S＜th的期望，N
′
是观察的次数，N
′
th
是小于阈值th的Si的个数，Si是单变量时间序列的元素，i＝1，2，
…
，N。4.根据权利要求3所述的一种水泥厂离心风机设备异常检测方法，其...

【专利技术属性】
技术研发人员：许越，王涵，陈洋，翟润昌，
申请(专利权)人：安徽智质工程技术有限公司，
类型：发明
国别省市：