一种基于机器学习模型的电站辅机故障诊断方法和系统技术方案

本说明书实施例提供一种基于机器学习模型的电站辅机故障诊断方法和系统，其中该方法包括：基于时间窗确定电站辅机的运行向量；基于运行向量，判断电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量；预设条件为运行向量与历史参考向量的向量相似度不低于预设阈值；响应于存在满足预设条件的历史参考向量，基于历史参考向量对应的设备运行信息确定电站辅机的故障诊断信息；响应于不存在满足预设条件的历史参考向量，利用映射模型对运行向量进行处理；以及，基于映射模型的输出确定电站辅机的故障参考信息；映射模型通过与预测模型联合构建第二联合模型训练获得，预测模型与映射模型为机器学习模型。模型与映射模型为机器学习模型。模型与映射模型为机器学习模型。

【技术实现步骤摘要】
一种基于机器学习模型的电站辅机故障诊断方法和系统
分案说明
[0001]本申请是针对申请日为2022年07月18日，申请号为202210839398.2，专利技术名称为“一种基于数据驱动的电站辅机故障诊断方法及系统”的中国申请提出的分案申请。


[0002]本说明书涉及电站辅机管理
，特别涉及一种基于机器学习模型的电站辅机故障诊断方法及系统、装置、存储介质。

技术介绍

[0003]目前的电站辅机故障预测方法都是基于同一种类、同一型号设备的运行参数对同一种类、同一型号设备的运行情况进行预测，但是实际中同一型号设备的运行数据往往有限，有可能造成模型训练数据不足，导致无法训练出符合使用需求的模型等。同时，由于现有的方法并没有考虑到不同型号的设备之间的差异，因此也无法实现借用同种类其他型号的设备运行数据来预测。
[0004]因此，希望提供一种基于机器学习模型的电站辅机故障诊断方法和系统，能够基于存在差异的设备间的数据预测设备故障或进行故障诊断。

技术实现思路

[0005]本说明书实施例之一提供一种基于机器学习模型的电站辅机故障诊断方法，包括：基于时间窗确定电站辅机的运行向量；基于所述运行向量，判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量；所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值；响应于存在满足所述预设条件的所述历史参考向量，基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息；响应于不存在满足所述预设条件的所述历史参考向量，利用映射模型对所述运行向量进行处理；以及，基于所述映射模型的输出确定所述电站辅机的故障参考信息；所述映射模型通过与预测模型联合构建第二联合模型训练获得，所述预测模型与所述映射模型为机器学习模型。
[0006]本说明书另一实施例提供一种基于机器学习模型的电站辅机故障诊断系统。所述系统包括第一确定模块、判断模块、映射模块以及第二确定模块。所述第一确定模块用于基于时间窗确定电站辅机的运行向量；所述判断模块，用于基于所述运行向量，判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量；所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值；所述映射模块，用于响应于不存在满足所述预设条件的所述历史参考向量，利用映射模型对所述运行向量进行处理，所述映射模型通过与预测模型联合构建第二联合模型训练获得，所述预测模型与所述映射模型为机器学习模型；所述第二确定模块，用于基于所述映射模型的输出确定所述电站辅机的故障参考信息。
[0007]本说明书另一实施例提供一种基于机器学习模型的电站辅机故障诊断装置，所述装置包括至少一个存储介质和至少一个处理器。所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令，以实现如上述任一项实施例中所述的基于机器学习模型的电站辅机故障诊断方法。
[0008]本说明书另一实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行基于机器学习模型的电站辅机故障诊断方法。
附图说明
[0009]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0010]图1是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断方法的应用场景示意图；
[0011]图2是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断系统的模块示意图；
[0012]图3是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断方法的示例性流程图；
[0013]图4是根据本说明书一些实施例所示的第一联合模型的示例性结构图；
[0014]图5是根据本说明书一些实施例所示的确定故障参考信息的示例性流程图；
[0015]图6是根据本说明书一些实施例所示的第二联合模型的示例性结构图。
具体实施方式
[0016]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0017]应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0018]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0019]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0020]图1是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断系统的应用场景示意图。如图1所示，基于数据驱动的电站辅机故障诊断系统的应用场景100可以包括电站辅机110、处理器120、存储设备140、终端150、网络160。
[0021]基于数据驱动的电站辅机故障诊断系统可以通过实施本说明书中披露的方法和/或过程来确定电站辅机的故障信息。例如，当电站辅机发生故障时，可以基于本说明书披露的方法来确定发生故障的电站辅机以及故障信息，从而可以针对性的及时进行修复。再例如，可以实时监控电站辅机的运行参数，并可以基于本说明书披露的方法来预计可能发生故障的电站辅机以及故障信息，进而进行相关调整以降低故障的发生。
[0022]电站辅机110可以指电站生产设备辅助机械。电站辅机100可以包括锅炉除渣设备110
‑
1、锅炉除灰设备110
‑
2、输煤碎煤设备110
‑
3、水处理设备110
‑
4、烟风道系列设备(图中未示出)、电动阀门装置(图中未示出)等。
[0023]处理器120可以处理与基于数据驱动的电站辅机故障诊断系统相关的数据和/或信息。在一些实施例中，处理器120从电站辅机110、存储设备140和/或终端150以访问信息和/或数据。例如，处理器120可以从电站辅机110和/或从存储设备140获取电站辅机110的运行参数等。在一些实施例中，处理器120可以处理获取的信息和/或数据。例如，处理器120可以基于获取的电站辅机110的运行参数确定电站辅机的运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习模型的电站辅机故障诊断方法，包括：基于时间窗确定电站辅机的运行向量；基于所述运行向量，判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量；所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值；响应于存在满足所述预设条件的所述历史参考向量，基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息；响应于不存在满足所述预设条件的所述历史参考向量，利用映射模型对所述运行向量进行处理；以及，基于所述映射模型的输出确定所述电站辅机的故障参考信息；所述映射模型通过与预测模型联合构建第二联合模型训练获得，所述预测模型与所述映射模型为机器学习模型。2.根据权利要求1所述的方法，所述运行向量基于表示模型对所述电站辅机的运行参数的处理获取，所述表示模型通过与预测模型的联合训练获得，所述预测模型与所述表示模型为机器学习模型。3.根据权利要求1所述的方法，所述第二联合模型包括：基于所述电站辅机的运行向量通过所述映射模型获得所述预设设备的运行向量；基于多个时间窗的所述预设设备的所述运行向量通过所述预测模型得到所述预设设备的设备分类信息；所述第二联合模型在训练时的损失函数包括所述预设设备的设备分类信息与所述预设设备的设备参数的损失项。4.根据权利要求1所述的方法，所述响应于不存在满足所述预设条件的所述历史参考向量，利用映射模型对所述运行向量进行处理，包括：响应于不存在满足预设条件的历史参考向量，利用所述映射模型将所述运行向量映射为预设设备的参考运行向量；基于所述参考运行向量及所述预设设备对应的历史数据库，确定所述电站辅机的故障参考信息。5.根据权利要求4所述的方法，所述参考运行向量通过所述映射模型获得，所述映射模型的输入包括所述电站辅机的运...

【专利技术属性】
技术研发人员：赵长存，
申请(专利权)人：湖南金琅玛节能环保科技有限公司，
类型：发明
国别省市：