[發明專利]基于無監督學習機制的電廠輔機設備異常工況檢測方法

在審

• 申請號: 202310550153.2
• 申請日: 2023-05-16
• 公開（公告）號: CN116561691A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 李玥;雷曉龍;劉曉燕;伍文華;劉興;蔡紹旺
• 申請（專利權）人: 東方電氣集團科學技術研究院有限公司;東方電氣集團東方汽輪機有限公司;東方電氣股份有限公司
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/213;G06F18/25;G06F18/2411;G06N3/088;G06N20/10
• 代理公司: 成都天嘉專利事務所(普通合伙) 51211
• 代理人: 蘇丹

1.一種基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：包括如下步驟：

步驟(1)：從數據庫中提取正常狀態的數據并構建訓練數據集；

步驟(2)：對訓練數據集進行特征提取并訓練異常檢測模型；

步驟(3)：利用異常檢測模型獲得數據集的評估值；

步驟(4)：選取測試數據集，將測試數據集作為異常檢測模型的輸入，根據連續多個數據點的評估值作為判斷設備異常工況的依據。

2.根據權利要求1所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：步驟(1)中數據庫中的數據包括電廠輔機設備的實時運行數據和歷史運行數據。

3.根據權利要求2所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：所述電廠輔機設備的實時運行數據和歷史運行數據包括：(1)基本運行數據：設備的功率、轉速；(2)監測數據：設備運行中所產生的振動、聲音；(3)間接數據：流體在管道中的壓力、流量、流速、溫度。

4.根據權利要求1所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：步驟(2)中特征提取所提取的特征包括：

1)時域特征：均值、方差、最小值、最大值、極差、偏度、峰度、自相關函數、偏自相關函數、移動平均、移動標準差和指數加權移動平均；

2)頻域特征：傅里葉變換系數、功率譜密度、頻帶能量比、頻率熵；

3)時頻域特征：小波變換系數、瞬時頻率、能量譜密度。

5.根據權利要求4所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：對上述特征值進行分析、加權和融合，通過對多個特征值的融合來形成新的、更有代表性的特征，以提供更多的信息，進而提高模型的預測準確性。

6.根據權利要求2所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：所述步驟(2)中的異常檢測模型基于One?Class?Deep?SVDD算法，對從步驟(1)獲得的歷史數據中的正常工況的數據進行建模。

7.根據權利要求6所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：使用深度神經網絡訓練一個單類支持向量機模型，將數據樣本從輸入空間為維度是d的實數集，并映射到高維的輸出空間為維度是p的實數集，中，并在該空間中找到一個超球體，將所有正常樣本都包含在內,其目標函數為：

其中，x_i為第1個樣本，c和R分別為映射空間中超球體的圓心和半徑，為數據經過深度神經網絡f映射后的數據表達，L和W分別為該神經網絡的總層數和權重，W^l為第l層的權重，‖.‖_F為Frobenius范數，v和λ為超參數，n為樣本總數。在映射空間中處于該超球體外的數據即為異常情況。

8.根據權利要求1所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：步驟(3)中數據集的評估值為實時數據與超球體的圓心在映射空間中的距離，即異常評分s(x)，計算方法為：

s(x)＝‖f(x_i；W^*)-c‖²

其中W^*為深度神經網絡f訓練后的權重。

9.根據權利要求1所述的基于無監督學習機制的電廠輔機設備異常工況檢測方法，其特征在于：步驟(4)中判斷故障狀態的依據為在連續的時間點，將連續時間點所對應的數據點[x_t9,x_t2,…,x_t]作為異常檢測模型的輸入，得出的異常評分[s_t1,s_t2,…,s_tn]，然后計算平均異常評分s_avr，如果s_avrR^*,則認為設備處于異常狀態，其中R^*為超球體在映射空間中的半徑。