一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CAE
‑
BiLSTM的动设备故障预警方法


[0001]本专利技术涉及一种动设备故障预警方法，尤其涉及一种基于
CAE
‑
BiLSTM
的动设备故障预警方法
。

技术介绍

[0002]随着现代工业互联网技术的发展和生产现代化，以往的现场巡检和离线监测方法，无法有效监测设备突发性和偶发性故障
。
而机组状态的优劣事关生产平台的安全有效运行，动设备非计划停机对平台连续性生产会造成一定的影响，而动设备在线实时监控能有效解决这一难题
。
首先，在线实时监测技术可以将传统的定期维护转化为视情维修；其次，离线监测方式不能实时有效记录设备故障数据，在线实时监控技术可以实时记录设备运行数据，通过对长时间监测数据进行汇总分析，比较精确的评估设备运行状态，改进设备管理方式，目前现有的动设备故障预警方法及不足：
[0003]一
、
基于动设备运行机理的模型：该方法与控制理论紧密结合，通过设备运行机理建立数学模型来预测，并将其与实际测量值进行比较，获得残差；对残差进行分析以确定过程是否发生故障
。
这种方式存在着不足是，多数机理模型均为简化的线性系统，而实际工业过程中，往往是非线性
、
自由度较高且多变量耦合的系统，使用效果并不理想
。
[0004]二
、
基于专业知识的方法：该方法以人的经验知识为基础，推理出故障特征，即在动设备出现故障后，专家通过解剖设备，发现问题，结合故障前历史监测参数变化情况，总结出设备故障的定性或定量特征，通过这些特征完成设备故障预警和监测
。
这种方式存在着不足是，预警准确度对专家知识的丰富程度和专家知识水平的高低具有很强的依赖性，并且很多经验很难用一种合理的形式化表达方式进行描述
。

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
CAE
‑
BiLSTM
的动设备故障预警方法
。
[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
CAE
‑
BiLSTM
的动设备故障预警方法，包括：
[0007]步骤
S1
：获取动设备在正常状态下运行的原始数据并进行原始数据的预处理；
[0008]步骤
S2
：截取
S1
中的部分进行预处理后的原始数据作为训练集，并对训练集进行参数处理，得到标准化模型；
[0009]步骤
S3
：构建
CAE
‑
BiLSTM
预测模型，将训练集中的原始数据作为预测模型的目标值，未作为训练集的其他原始数据作为预测模型的输入，利用卷积自编码器
CAE
对训练集中的原始数据进行数据降维，得到重构输出后的重构数据；重构数据进入到双向短期神经网路
BiLSTM
中从正反两个方向进行建模，建模后得到的新数据进入到全连接层进行分类，从而得到预测模型的目标值，并保存训练后的预测模型；
[0010]步骤
S4
：利用在正常状态下运行的原始数据，应用
CAE
‑
BiLSTM
预测模型建立均方
根误差
RMSE
的安全阈值；
[0011]步骤
S5
：在待监测状态下运行监测数据，并对监测数据进行预处理，获得标准化结构；
[0012]步骤
S6
：利用
RMSE
计算真实的监测数据与
CAE
‑
BiLSTM
预测模型中预测值之间的残差；
[0013]步骤
S7
：判断步骤
S6
计算出的各个监测参数的
RMSE
与
RMSE
的安全阈值之间的大小关系，进而判断动设备是否发生故障
。
[0014]进一步地，步骤
S1
中对原始数据进行预处理，具体包括以下步骤：
[0015]步骤
S11
，采集动设备在正常状态下运行的原始数据，获取由全部动设备运行监测参数构成的数据集；
[0016]步骤
S12
，分析数据集中运行的机理及数据缺失情况；
[0017]步骤
S13
，选择能够反应设备性能的原始数据参数作为监测参数；
[0018]步骤
S14
，保存已选择并作为监测参数的参数项名称
。
[0019]进一步地，步骤
S2
中，从动设备历史运行的原始数据中截取作为监测参数的原始数据构成训练集
。
参数处理训练集包括参数筛选
、
数据清洗
、
参数标准化，并保存训练集的标准化模型；训练集在所述清洗过程中，仅保留正常时段内运行的原始数据，剔除故障时段内运行的原始数据；训练集在所述参数标准化的过程中，和所述步骤
S5
中的标准化结构的获得均利用
Z
‑
score
的方法，使得新的
X
数据集方差为1，均值为0，处理后的原始数据和监测数据均符合标准正态分布，应用公式为：
[0020]X
＝
(x
‑
μ
)/
σ
；
[0021]其中，
μ
为正态分布的位置参数，
X
为以
μ
的对称轴，
σ
为离散程度
。
[0022]步骤
S3
中利用卷积编码器
CAE
对原始数据进行数据降维，具体包括以下步骤：
[0023]步骤
S31
，卷积操作：在卷积层初始化
k
个卷积核
W
，每个卷积核搭配一个偏置
b
，与输入
x
卷积后生成
k
个特征图
h
，激活函数是
σ
，公式为：
[0024]h
k
＝
σ
(x*w
k
+b
k
)
；
[0025]其中，
h
为特征图；
W
为卷积核；
k
为卷积核个数；
σ
为激活函数；
x
为输入数据；
b
为当前的偏置；
[0026]步骤
S32
，池化操作：在池化层对步骤
S31
生成的特征图进行池化操作，保留池化时位置关系的矩阵；
[0027]步骤
S33<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CAE
‑
BiLSTM
的动设备故障预警方法，其特征在于，包括：步骤
S1
：获取动设备在正常状态下运行的原始数据并进行原始数据的预处理；步骤
S2
：截取
S1
中的部分进行预处理后的原始数据作为训练集，并对训练集进行参数处理，得到标准化模型；步骤
S3
：构建
CAE
‑
BiLSTM
预测模型，将训练集中的原始数据作为预测模型的目标值，未作为训练集的其他原始数据作为预测模型的输入，利用卷积自编码器
CAE
对训练集中的原始数据进行数据降维，得到重构输出后的重构数据；重构数据进入到双向短期神经网路
BiLSTM
中从正反两个方向进行建模，建模后得到的新数据进入到全连接层进行分类，从而得到预测模型的目标值，并保存训练后的预测模型；步骤
S4
：利用在正常状态下运行的原始数据，应用
CAE
‑
BiLSTM
预测模型建立均方根误差
RMSE
的安全阈值；步骤
S5
：在待监测状态下运行监测数据，并对监测数据进行预处理，获得标准化结构；步骤
S6
：利用
RMSE
计算真实的监测数据与
CAE
‑
BiLSTM
预测模型中预测值之间的残差；步骤
S7
：判断步骤
S6
计算出的各个监测参数的
RMSE
与
RMSE
的安全阈值之间的大小关系，进而判断动设备是否发生故障
。2.
根据权利要求1所述的基于
CAE
‑
BiLSTM
的动设备故障预警方法，其特征在于：所述步骤
S1
中对原始数据进行预处理，具体包括以下步骤：步骤
S11
，采集动设备在正常状态下运行的原始数据，获取由全部动设备运行监测参数构成的数据集；步骤
S12
，分析数据集中运行的机理及数据缺失情况；步骤
S13
，选择能够反应设备性能的原始数据参数作为监测参数；步骤
S14
，保存已选择并作为监测参数的参数项名称
。3.
根据权利要求2所述的基于
CAE
‑
BiLSTM
的动设备故障预警方法，其特征在于：所述步骤
S2
中，从动设备历史运行的原始数据中截取作为监测参数的原始数据构成训练集
。4.
根据权利要求3所述的基于
CAE
‑
BiLSTM
的动设备故障预警方法，其特征在于：所述步骤
S2
中参数处理训练集包括参数筛选
、
数据清洗
、
参数标准化，并保存训练集的标准化模型；训练集在所述清洗过程中，仅保留正常时段内运行的原始数据，剔除故障时段内运行的原始数据；训练集在所述参数标准化的过程中，和所述步骤
S5
中的标准化结构的获得均利用
Z
‑
score
的方法，使得新的
X
数据集方差为1，均值为0，处理后的原始数据和监测数据均符合标准正态分布，应用公式为：
X
＝
(x
‑
μ
)/
σ
；其中，
μ
为正态分布的位置参数，
X
为以
μ
的对称轴，
σ
为离散程度
。5.
根据权利要求1所述的基于
CAE
‑
BiLSTM
的动设备故障预警方法，其特征在于：所述步骤
S3
中利用卷积编码器
CAE
对原始数据进行数据降维，具体包括以下步骤：步骤
S31
，卷积操作：在卷积层初始化
k
个卷积核
W
，每个卷积核搭配一个偏置
b
，与输入
x
卷积后生成
k
个特征图
h
，激活函数是
σ
，公式为：
h
k
=
σ
(x*W
k
+b
k
)
；其中，
h
为特征图；
W
为卷积核；
k
为卷积核个数；
σ
为激活函数；
x
为输入数据；
b
为当前的偏置；
步骤
S32
，池化操作：在池化层对步骤
S31
生成的特征图进行池化操作，保留池化时位置关系的矩阵；步骤
S33
，反池化操作：在池化层对步骤
S32
生成的特征图进行...

【专利技术属性】
技术研发人员：孙贺贺，李郭敏，曾珍，
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：