[發明專利]基于多輸入多輸出卷積神經網絡的設備智能預警方法

在審

• 申請號: 202011491711.5
• 申請日: 2020-12-16
• 公開（公告）號: CN112580784A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 劉東舉;張振宇;孟兆博;李昊
• 申請（專利權）人: 哈爾濱電站設備成套設計研究所有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04;G06K9/62;G06F17/16
• 代理公司: 哈爾濱東方專利事務所 23118
• 代理人: 陳曉光

本發明涉及一種基于多輸入多輸出卷積神經網絡的設備智能預警方法。目前，在發電、化工等傳統工業領域，運行人員通常通過監視控制系統中接入的設備各傳感器信號來判斷設備運行狀態，但對單個傳感器信號的監視不能及時發現設備的異常狀態。一種基于多輸入多輸出卷積神經網絡的設備智能預警方法，選取設備相關歷史數據，并進行預處理；構建多輸入多輸出卷積神經網絡；利用經預處理后的設備相關歷史數據對多輸入多輸出卷積神經網絡進行訓練，得到智能預警模型，并分析訓練結果，得到殘差閾值；獲取設備相關實時數據，利用智能預警模型計算預測值，并根據殘差閾值判斷設備運行狀態。本發明主要應用于設備故障預警領域。

技術領域

本發明涉及一種基于多輸入多輸出卷積神經網絡的設備智能預警方法。

背景技術

目前，在發電、化工等傳統工業領域，運行人員通常通過監視控制系統中接入的設備各傳感器信號來判斷設備運行狀態，但對單個傳感器信號的監視不能及時發現設備的異常狀態。當設備處于劣化狀態時，相關傳感器信號并沒有到達控制系統設置的報警閾值，如果運行人員沒有發現，設備將長期處于劣化狀態運轉，直至控制系統對于傳感器信號設置的報警出現，這時設備通常已經出現較大故障。

設備運行狀態是通過各相關傳感器信號共同反映出來的，所以有一定技術與經驗積累的運行人員會同時監測與設備相關的多個傳感器信號，在這些運行人員的認知中，會對各運行工況下該設備各傳感器信號應處于的值有一定的概念，當某些信號偏離值太多時，即使未到達控制系統報警閾值，仍可判定該設備狀態異常，并及時進行檢修處理，避免出現更大的故障導致設備停運。但受限于以下因素：運行人員的技術與經驗積累水平不一、運行人員的精力與注意力難以長期維持在較高水平、同時監視所有設備相關傳感器信號趨勢曲線是難以實現的、運行人員對于設備各傳感器應處于值范圍的認知是不精確的，導致常態下對設備的監測仍主要依靠于控制系統單一信號的報警。

隨著機器學習、深度學習等人工智能技術的發展，如何利用計算機對設備各關聯傳感器信號進行分析，挖掘其內在聯系，從而實時監測設備運行狀態，實現設備故障智能預警，成為人工智能技術在工業領域應用的熱點問題。目前這方面的應用主要以機器學習技術的運用為主要手段，如支持向量機算法、隨機深林算法、XGBoost算法等，而機器學習算法在處理海量數據集時可能會出現效率低下、效果不理想，甚至訓練不收斂等問題，所以利用上述算法在進行設備傳感器信號內在聯系分析時，必須對樣本數據進行大規模壓縮，造成數據資源的浪費，且任何數據壓縮方式都會產生關聯特征的丟失，進而對預測精度產生影響。其次，隨著時間推移，設備運行各傳感器信號之間的內在聯系并不是一成不變的，需定期對預測模型進行更新，才能避免預測精度的下降，但傳統機器學習算法對于增量學習問題的處理是十分困難的。另一方面，目前業界大部分設備故障預警應用，在利用機器學習算法對數據進行分析時，往往采用并行方式實現對多維特征的預測，即同時構建N（需預測特征個數）個多輸入單輸出預測模型，這種方式會導致模型訓練參數、訓練時間成倍增長，并且會使機器學習算法本就難以處理的增量學習問題變得更加復雜。

深度學習技術能夠有效的對海量數據進行充分利用，隨著深度的增加，在理論上能夠獲得更高的精確度，并且能夠方便的進行增量學習。近年來，CPU、GPU的計算性能實現了大幅度提升，以卷積神經網絡、循環神經網絡為代表的深度學習技術得以突破計算瓶頸，獲得了大規模應用，目前已廣泛應用于圖像處理、語音識別、智能駕駛等領域，應用效果十分理想。深度神經網絡應用主要由互聯網公司引領，這些公司面向用戶日常生活的應用需求設計了大量應用場景，覆蓋了用戶生活的方方面面，但是對于工業領域的應用仍處于較低的水平。另一方面，受應用場景所限，目前深度神經網絡主要應用于處理對單特征的分類問題，對于處理多特征回歸預測問題的解決方案較少。

發明內容