【技术实现步骤摘要】
本专利技术涉及旋转机械故障预警，具体涉及一种面向旋转机械的多级预警方法、装置、设备及介质。
技术介绍
1、近年来，随着大数据、人工智能和边缘计算等先进数字技术的发展，对于设备故障预警技术的研究和应用也在不断进步，目前设备的故障预警技术已成功地应用在发电机、离心压缩机、燃气轮机和风机等多种大型旋转机械。现有的旋转机械故障预警技术主要分为三大类：基于知识、机理和数据驱动的方法。其中数据驱动的方法通过挖掘设备历史运行数据中的内在信息，建立数学模型来表达过程状态，根据模型来实现对设备的状态监测。随着大数据时代的到来，一系列广泛的数据驱动故障预警方法，如机器学习、深度学习，已经被广泛应用于监测工业设备的运行状态，并对设备的潜在故障给出报警。
2、基于机器学习的方法通常与信号处理技术相结合，典型的方法是基于人工神经网络模型以及其优化改进模型。基于深度学习的方法相比神经网络算法具有更加深层的结构，并具备特征自学能力，通过将原始数据转变为更高阶的特征，不断调整模型参数，使模型具备更强的表征能力，但其学习过程高度依赖于数据的质量和数量。
3、现阶段针对工业装备的故障预警方法往往只结合单一的状态监测模型和单一的故障阈值指标对设备进行故障预警。若出现了指标偏离的情况则被认为是出现故障，从而达到故障预警的目的。然而以旋转机械为主要代表的旋转机械，其设计复杂，零部件较多，单一的状态监测模型和单一的故障阈值指标往往不足以正确反应设备的运行状态，导致误报频发，设备频繁停机将带来不小的经济损失。因此，亟需一种能够最大程度的保证机器设备安
技术实现思路
1、为解决现有技术中存在的问题，本专利技术提供了一种面向旋转机械的多级预警方法、装置、设备及介质，通过结合高斯过程回归模型、基于贝叶斯优化的长短期记忆网络模型和基于优化的自联想核回归模型对旋转机械的运行状态进行预测；并结合3σ、mse、多变量贝叶斯因子和多变量排列熵预警指标对旋转机械进行故障预警，解决了上述
技术介绍
中提到的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种面向旋转机械的多级预警方法，包括如下步骤：
3、s1、采集旋转机械设备运行过程中的运行数据；
4、s2、对采集的数据进行数据预处理；
5、s3、使用滑动窗口对预处理后的数据进行处理，构建数据集并划分为训练集与测试集；
6、s4、分别搭建高斯过程回归模型(gp)、基于贝叶斯优化的长短期记忆网络模型(bayes-lstm)和基于优化的自联想核回归模型(oakr)，并利用训练集数据对各模型进行训练；
7、s5、采用测试集数据对训练好的模型进行预测，将得到的预测值与真实值做差生成残差序列；
8、s6、确定各模型的阈值指标，对生成的残差序列进行判断，若超出阈值，则发出预警。
9、优选的，在步骤s2中，所述的数据预处理包括数据降采样、数据清洗、数据去噪、数据降维以及数据标准化。
10、优选的，在步骤s6中，确定各模型的阈值指标具体包括：
11、高斯过程回归模型gp选择mse、多变量排列熵和多变量贝叶斯因子阈值指标进行故障预警；
12、基于贝叶斯优化的长短期记忆网络模型bayes-lstm选择mse、多变量排列熵和3σ阈值指标进行故障预警；
13、基于优化的自联想核回归模型oakr选择mse、多变量排列熵和3σ阈值指标进行故障预警。
14、优选的，阈值指标的阈值具体包括如下：
15、1)在3σ阈值指标中，残差序列的残差值如果在区间[μ+3σ,μ-3σ]之内，则判断为故障，其中μ表示残差序列数据的均值，σ表示残差序列数据的方差；
16、2)在mse阈值指标中，均方误差mse用来检测模型预测值与真实值之间的残差，n个测试样本的平均均方误差计算公式如下：
17、
18、式中n为测试样本总数，p为模型变量总数，为第i个样本的第j个变量的真实值，为模型对应第i个样本的第j个变量的预测值；
19、将设置为故障报警阈值，如果超过该报警阈值，则判断为故障；
20、3)在多变量贝叶斯因子阈值指标中，多变量贝叶斯因子的表达式如下：
21、
22、设健康和故障的概率均为0.5，那么贝叶斯置信度λ表示为：
23、
24、当贝叶斯因子η→0，置信度λ→0％，表示趋于故障状态；
25、当贝叶斯因子η→∞，置信度λ→100％，表示趋于健康状态；
26、设定贝叶斯置信度故障预警阈值为70％，低于70％则判断为故障；
27、4)在多变量排列熵指标中，多变量排列熵的计算公式为：
28、
29、式中，pr表示原始多变量时间序列的边缘相对频率，m表示时间序列相空间重构的嵌入维数，l表示时间序列点数量；熵值的计算结果波动性较大，为了更好地从结果中提取更有利于分析的信息，将累积和cusum算法引入结果的分析中；
30、对于任意一个多变量排列熵的时间序列cusum的计算公式如下：
31、
32、式中，supper(t)表示上限累计和，slower(t)表示为下限累计和，μh和σh分别为机组健康时刻熵值的均值与方差，α是检测均值偏移的参数；
33、当机组发生异常/故障状态时通常会引起熵值降低，因此无需设置报警预警上限，只需考虑下限累积和slower(t)即可；当slower(t)≤μs-3σs时，则判断为故障，μs和σs分别为机组健康运行时段的下限累积和slower(t)的均值与方差。
34、优选的，在步骤s6中，所述的预警是采用多级预警策略来预警，多级预警策略具体包括如下：
35、当其中一个模型中某一个报警指标发生预警时，启动一级黄色报警，提醒运维人员应该注意该机组；
36、当其中一个模型中有两个或两个以上预警指标发生预警时，启动二级橙色预警，提醒运维人员重点关注该机组运行状态；
37、当有两个或两个以上的模型发生二级橙色预警时，将启动三级红色预警，提醒运维人员将机组停机检修。
38、另一方面，为实现上述目的，本专利技术还提供了如下技术方案：一种面向旋转机械的多级预警装置，所述装置包括：
39、数据采集模块(110)、采集旋转机械设备运行过程中的运行数据；
40、数据预处理模块(120)、对采集的数据进行数据预处理；
41、数据集构建模块(130)、使用滑动窗口对预处理后的数据进行处理，构建数据集并划分为训练集与测试集；
42、模型构建模块(140)、分别搭建高斯过程回归模型gp、基于贝叶斯优化的长短期记忆网络模型bayes-lstm和基于优化的自联想核回归模型oakr，并利用训练集数据对各模型进行训练；...
【技术保护点】
1.一种面向旋转机械的多级预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向旋转机械的多级预警方法，其特征在于：在步骤S2中，所述的数据预处理包括数据降采样、数据清洗、数据去噪、数据降维以及数据标准化。
3.根据权利要求1所述的面向旋转机械的多级预警方法，其特征在于：在步骤S6中，确定各模型的阈值指标具体包括：
4.根据权利要求3所述的面向旋转机械的多级预警方法，其特征在于：
5.根据权利要求1所述的面向旋转机械的多级预警方法，其特征在于：在步骤S6中，所述的预警是采用多级预警策略来预警，多级预警策略具体包括如下：
6.一种面向旋转机械的多级预警装置，其特征在于，所述装置包括：
7.一种电子设备，其特征在于：所述电子设备包括：处理器(210)；和存储器(220)，用于存储一个或多个程序；
8.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器(210)执行时实现如权利要求1-5中任一项所述的面向旋转机械的多级预警方法。
【技术特征摘要】
1.一种面向旋转机械的多级预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向旋转机械的多级预警方法，其特征在于：在步骤s2中，所述的数据预处理包括数据降采样、数据清洗、数据去噪、数据降维以及数据标准化。
3.根据权利要求1所述的面向旋转机械的多级预警方法，其特征在于：在步骤s6中，确定各模型的阈值指标具体包括：
4.根据权利要求3所述的面向旋转机械的多级预警方法，其特征在于：
5.根据权利要求1所述的面向旋转机械...
【专利技术属性】
技术研发人员：姜孝谟，惠怀宇，张可欣，陈荟泽，孟文清，
申请(专利权)人：大连蓝雪智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。