[發明專利]基于聚類的設備運行監測方法及系統

有效

• 申請號: 201910551256.4
• 申請日: 2019-06-24
• 公開（公告）號: CN112131069B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 孫耕;魏五星;吳禮華;徐婉芬;吳玲
• 申請（專利權）人: 中船重工特種設備有限責任公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F18/23213;G06F18/214
• 代理公司: 武漢智權專利代理事務所(特殊普通合伙) 42225
• 代理人: 沈林華

1.一種基于聚類的設備運行監測方法，其特征在于，包括以下步驟：

采集設備訓練運行時的多個訓練數據集，通過相關性分析分別將每個訓練數據集分成多個訓練數據組，每個訓練數據組包含一個主訓練數據成分；

使用K均值聚類算法對所述訓練數據集的所有主訓練數據成分進行訓練學習，聚類生成第一聚類模型，每個訓練數據集的所有主訓練數據成分形成一個點，第一聚類模型將所有訓練數據集的所有主訓練數據成分形成的點聚類至多個工況類別區域；

采集設備實時運行的至少一個監測數據集，通過相關性分析將該監測數據集分成多個監測數據組，每個監測數據組包括一個主監測數據成分，該監測數據集的所有主監測數據成分形成一判斷點；

根據所述判斷點和第一聚類模型中各個工況類別區域，判斷設備運行是否正常。

2.如權利要求1所述的基于聚類的設備運行監測方法，其特征在于，根據所述判斷點和第一聚類模型中各個工況類別區域，判斷設備運行是否正常，包括以下步驟：

每種工況類別區域包括正常運行區域和異常運行區域，若所述判斷點落入第一聚類模型中的一種工況類別的正常運行區域，則設備運行正常；

若所述判斷點未落入第一聚類模型中所有工況類別區域或者落入第一聚類模型中一種工況類別的異常運行區域，則設備運行異常。

3.如權利要求1所述的基于聚類的設備運行監測方法，其特征在于，還包括以下步驟：

基于離散時間馬爾科夫鏈IMC，對第一聚類模型中各個工況類別之間相互轉換的概率進行計算，根據計算結果生成工況轉換模型。

4.如權利要求3所述的基于聚類的設備運行監測方法，其特征在于，還包括以下步驟：

采集設備實時運行的連續兩個監測數據集，若該兩個監測數據集對應的判斷點分別落入第一聚類模型中兩種工況類別的正常運行區域，查詢工況轉換模型中記錄的對應于該兩種工況類別發生轉換的概率，若概率低于預設的閾值，則設備運行異常；反之，則設備運行正常。

5.如權利要求1所述的基于聚類的設備運行監測方法，其特征在于，還包括以下步驟：

每個訓練數據集的每個訓練數據組包括一個主訓練數據成分、或者一個主訓練數據成分和至少一個次訓練數據成分；

使用K均值聚類算法對所有訓練數據集的所有訓練數據組的所有訓練數據成分進行訓練學習，聚類生成多個與訓練數據組對應第二聚類模型；當每個訓練數據組包括一個主訓練數據成分時，對應的第二聚類模型記錄該訓練數據組的主訓練數據成分形成一個點的分布狀態，當每個訓練數據組包括一個主訓練數據成分和至少一個次訓練數據成分時，對應的第二聚類模型記錄該訓練數據組的訓練數據成分形成一個點的分布狀態。

6.如權利要求5所述的基于聚類的設備運行監測方法，其特征在于，還包括以下步驟：

采集設備實時運行的一個監測數據集，若該監測數據集的所有主成分監測數據形成的判斷點落入第一聚類模型中的正常運行區域，且該監測數據集的每個監測數據組的訓練數據成分形成的判斷點均滿足多個第二聚類模型記錄的分布狀態要求，則設備運行正常；反之，設備運行異常。

7.一種用于如權利要求1所述的基于聚類的設備運行監測方法的系統，其特征在于，包括：

第一分析模塊，其用于采集設備訓練運行時的多個訓練數據集，通過相關性分析分別將每個訓練數據集分成多個訓練數據組，每個訓練數據組包含一個主訓練數據成分；

第一學習模塊，其用于使用K均值聚類算法對所述訓練數據集的所有主訓練數據成分進行訓練學習，聚類生成第一聚類模型，每個訓練數據集的所有主訓練數據成分形成一個點，第一聚類模型將所有訓練數據集的所有主訓練數據成分形成的點聚類至多個工況類別區域；

第一分析模塊，其用于采集設備實時運行的至少一個監測數據集，通過相關性分析將該監測數據集分成多個監測數據組，每個監測數據組包括一個主監測數據成分，該監測數據集的所有主監測數據成分形成一判斷點；

第一判斷模塊，其用于根據所述判斷點和第一聚類模型中各個工況類別區域，判斷設備運行是否正常。