一种基于LSTM的磨煤机故障预警方法技术

本发明专利技术公开了一种基于LSTM的磨煤机故障预警方法，包括以下步骤：步骤S1：采集磨煤机原始数据，收集训练数据；步骤S2：确定训练集，对训练集进行数据处理；步骤S3：构建LSTM模型，并进行模型训练；步骤S4：测试数据收集，并进行数据处理；步骤S5：应用LSTM模型估算待评估磨煤机的监测测点参数的值；步骤S6：计算计算结果与实际值的偏差；步骤S7：将步骤S6的各偏差值映射为健康度；步骤S8：定义SPC规则；步骤S9：应用SPC规则，判断电潜泵的运行是否异常，从而触发报警机制。本发明专利技术提出一种基于LSTM网络的深度学习模型，该模型可以将磨煤机的运行状态进行量化，即健康度估计，并结合SPC规则判断健康度的变化趋势，进而对磨煤机的健康状况进行预警。警。警。

【技术实现步骤摘要】
一种基于LSTM的磨煤机故障预警方法


[0001]本专利技术涉及一种故障预警方法，尤其涉及一种基于LSTM的磨煤机故障预警方法。

技术介绍

[0002]电力系统建设和发电机组的装机容量不断扩大，对电力设备运行的稳定性要求也越来越高。电力设备是智能电网中的核心部分，电力设备的正常与否直接影响着整个电力系统的安全与稳定。传统设备维护保养采用定期检查和故障后非计划停机维修为主，不仅设备维护效率低，而且还会造成难以估量的损失。在科学技术的推动下，电力企业开始使用故障智能监测系统对发电设备进行状态检修，提高设备管理的效率。
[0003]传统以人工为主的设备维修和管理方式，往往是在设备出现故障之后进行被动的维修，造成的损失难以估量，维修过程中的针对性和经济性较低，不仅维修工艺落后，设备使用寿命得不到有效提升，而且维护和保养费用较大。在现代技术的推动下，故障智能预警系统无疑是电厂设备状态检修发展的主要方向，以预防为主，重点进行设备状态检测，及时发现设备运行过程中的异常状态，对故障诊断进行有效预警，并与工作人员采取针对性的防治措施，最大限度的降低设备故障所造成的经济损失。
[0004]鉴于此，应用开发实用的电力设备故障监测和预警系统，是为了对电力设备进行预知性维修，使设备运行更安全、可靠，进一步提高风险分析能力，变被动消缺为主动预防，加强电力设备维护技术。

技术实现思路

[0005]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于LSTM的磨煤机故障预警方法。
[0006]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于LSTM的磨煤机故障预警方法，包括以下步骤：
[0007]步骤S1：采集磨煤机原始数据，收集训练数据；
[0008]步骤S2：确定训练集，对训练集进行数据处理，并保存标准化模型；
[0009]步骤S3：构建LSTM模型，并进行模型训练；
[0010]步骤S4：测试数据收集，并进行数据处理；
[0011]步骤S5：应用LSTM模型估算待评估磨煤机的监测测点参数的值；
[0012]步骤S6：计算磨煤机各监测测点参数的计算结果与实际值的偏差；
[0013]步骤S7：将步骤S6的各偏差值映射为健康度；
[0014]步骤S8：定义可实时监测电潜泵健康度变化的SPC规则；
[0015]步骤S9：应用步骤S8中定义的SPC规则，实时监控步骤S7计算出来的电潜泵健康度序列值，判断电潜泵的运行是否异常，从而触发报警机制。
[0016]步骤S1的具体内容为：获取由全部磨煤机运行监测参数构成的数据集，分析数据集中磨煤机运行机理及数据缺失情况，选择能够反映磨煤机性能的监测参数，为训练集保
存这些参数项的名称。
[0017]步骤S2的具体内容为：从磨煤机的历史运行数据中截取一年的监测参数的数据作为训练集，为训练集进行参数筛选、数据清洗、参数标准化操作，并保存训练集的标准化模型；
[0018]其中，在参数筛选过程中，监测参数的选择是从步骤S1中保存的数据项中获取的；
[0019]在数据清洗过程中，仅保留正常运行时段内的数据，故障时段内的数据需剔除；数据的缺失修补计算方法采用多阶拉格朗日内插法，具体公式如下：
[0020][0021]其中，P
t
表示t时刻缺失的数据，m1为前推期数，m2为后推期数；
[0022]参数标准化过程采用最大最小值归一化方法，其转换函数如下：
[0023][0024]其中，表示单个数据的取值，x
min
是数据所在列的最小值，x
max
是数据所在列的最大值。
[0025]步骤S3的具体内容为：分别将训练集中磨煤机的每个监测参数值作为模型的目标，除目标参数外其他监测参数值作为模型的输入，进行有监督训练，并保存训练成果模型。
[0026]LSTM模型的传播过程依次经过遗忘门、输入门、单元状态和输出门，其计算更新状态分为以下步骤：
[0027]遗忘门的计算如下式，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置项，[h
t
‑1，X
t
]表示两个向量连接成一个向量，σ为sigmoid函数；
[0028]f
t
＝σ(W
f
·
[h
t
‑1，X
t
]+b
f
)
[0029]输入门的计算如下式，i
t
为输入门信息，W
i
为输入门的权重矩阵，b
i
为输入门的偏置项；
[0030]i
t
＝σ(W
i
·
[h
t
‑1，X
i
]+b
i
)
[0031]单元状态是根据上一次的输出和本次输入来计算；，其中，tanh为数学函数，W
c
为权重矩阵，b
c
为偏置矩阵；
[0032][0033]当前的单元状态c
t
是由上一次的单元状态c
t
‑1按元素乘以遗忘门f
t
，再用当前输入的单元状态按元素乘以输入门i
t
，再将两个积相加产生的，将LSTM关于当记忆和长期的记忆c
t
‑1组合在一起，形成新的单元状态c
t
，其中，符号
·
表示按元素乘，即矩阵对应元素相乘；
[0034][0035]对于输出门，它控制了长期记忆对于当前输出的影响，W
o
为输出门权重矩阵，b
o
为输出门偏置矩阵；
[0036]o
t
＝σ(W
o
·
[h
t
‑1，X
t
]+b
o
)
[0037]LSTM单元的最终输出h
t
，是由输出门和单元状态共同决定；
[0038]h
t
＝o
t
·
tanh(c
t
)
[0039]其中，X
t
为当前网络的输入值，h
t
‑1为上一时刻LSTM的输出值，h
t
和c
t
为LSTM的输出，分别为当前时刻的输出值和单元状态。
[0040]步骤S4中，应用LSTM模型前，对待评估磨煤机的监测测点参数进行选择、并对测点参数值进行处理，具体为：获取当前待评估磨煤机的监测数据，筛选该设备的监测参数项，并对其筛选结果集进行标准化，这两步的处置依据来自步骤S1、步骤S2所保存的参数项列表和标准化模型。
[0041]步骤S5的具体内容为：根据步骤S4，应用LSTM训练模型，估算当前磨煤机的各监测参数值。...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的磨煤机故障预警方法，其特征在于：包括以下步骤：步骤S1：采集磨煤机原始数据，收集训练数据；步骤S2：确定训练集，对训练集进行数据处理，并保存标准化模型；步骤S3：构建LSTM模型，并进行模型训练；步骤S4：测试数据收集，并进行数据处理；步骤S5：应用LSTM模型估算待评估磨煤机的监测测点参数的值；步骤S6：计算磨煤机各监测测点参数的计算结果与实际值的偏差；步骤S7：将步骤S6的各偏差值映射为健康度；步骤S8：定义可实时监测电潜泵健康度变化的SPC规则；步骤S9：应用步骤S8中定义的SPC规则，实时监控步骤S7计算出来的电潜泵健康度序列值，判断电潜泵的运行是否异常，从而触发报警机制。2.根据权利要求1所述的基于LSTM的磨煤机故障预警方法，其特征在于：所述步骤S1的具体内容为：获取由全部磨煤机运行监测参数构成的数据集，分析数据集中磨煤机运行机理及数据缺失情况，选择能够反映磨煤机性能的监测参数，为训练集保存这些参数项的名称。3.根据权利要求2所述的基于LSTM的磨煤机故障预警方法，其特征在于：所述步骤S2的具体内容为：从磨煤机的历史运行数据中截取一年的监测参数的数据作为训练集，为训练集进行参数筛选、数据清洗、参数标准化操作，并保存训练集的标准化模型；其中，在参数筛选过程中，监测参数的选择是从步骤S1中保存的数据项中获取的；在数据清洗过程中，仅保留正常运行时段内的数据，故障时段内的数据需剔除；数据的缺失修补计算方法采用多阶拉格朗日内插法，具体公式如下：其中，P
t
表示t时刻缺失的数据，m1为前推期数，m2为后推期数；参数标准化过程采用最大最小值归一化方法，其转换函数如下：其中，表示单个数据的取值，x
min
是数据所在列的最小值，x
max
是数据所在列的最大值。4.根据权利要求3所述的基于LSTM的磨煤机故障预警方法，其特征在于：所述步骤S3的具体内容为：分别将训练集中磨煤机的每个监测参数值作为模型的目标，除目标参数外其他监测参数值作为模型的输入，进行有监督训练，并保存训练成果模型。5.根据权利要求4所述的基于LSTM的磨煤机故障预警方法，其特征在于：所述LSTM模型的传播过程依次经过遗忘门、输入门、单元状态和输出门，其计算更新状态分为以下步骤：遗忘门的计算如下式，W
f
为遗忘门的权重矩阵，b
f
为遗忘门的偏置项，[h
t
‑1，X
t
]表示两个向量连接成一个向量，σ为sigmoid函数；f
t
＝σ(W
f
·
[h
t
‑1，X
t
]+b
f
)输入门的计算如下式，i
t
为输入门信息，W
i
为输入门的权重矩阵，b
i
为输入门的偏置项；i
t
＝σ(W1·
[h
t
‑1，X
i
]+b
i
)
单元状态是根据上一次的输出和本次输入来计算；,其中，tanh为数学函数，W
c
为权重矩阵，b
c
为偏置矩阵；当前的单元状态c
...

【专利技术属性】
技术研发人员：孙贺贺，李郭敏，
申请(专利权)人：未必然数据科技北京有限公司，
类型：发明
国别省市：