[发明专利]一种基于异常因子提取的电气设备温度实时预警方法

说明书

本发明公开了一种基于异常因子提取的电气设备温度实时预警方法，包括：(1)使用红外传感器等间隔采集电气设备运行时的温度数据，获取温度数据流t_i(i＝0，1，2，...n)；(2)对采集到的温度数据流进行预处理，预处理后得到统一形式的输入数据集(3)对数据集中的每一个T_k，计算其局部异常因子值L_OF；(4)将计算得到的局部异常因子值L_OF与预设值进行比较，分析并相应地作出实时预警。本发明能够基于红外传感器采集到的温度数据流，无监督地、实时地对电气设备运行状态进行监测和预警，并且一般不需要根据被监测设备的具体型号规格性能参数进行调整；在面对多监测数据流情况时，也能对个别异常信号进行很好的表征和预警。

技术领域

本发明属于电气设备红外故障诊断领域，尤其是涉及一种基于异常因子提取的电气设备温度实时预警方法。

背景技术

随着社会经济发展以及“工业4.0”的提出，越来越多的电气设备被广泛应用于轨道交通和大型楼宇的暖通系统、空天系统和各类动力系统的关键部分、以及工业生产现场及其设备房等。这些电气设备数目众多、种类复杂，一旦其中的关键设备运行发生异常，极有可能引发严重的安全事故，威胁到社会经济发展效益和公众生命财产安全。因此，通过对系统关键设备的实时预警和故障诊断，实现其全生命周期管理与预测性维护，确保关键系统的重要设备能够可靠运行十分重要。

近年来，在电气设备故障诊断与预测性维护领域涌现了不少基于数据驱动的自动化和智能化设备运行查异和实时预警方法，例如基于贝叶斯网络图模型的故障诊断方法、通过比例危险生存模型估计设备的剩余使用寿命、基于指数退化模型或相似性模型的预测性维护方法、以及各类集成方法等，这些方法被证实有效，同时又被不断改进，日臻完备和先进。

但是，上述介绍的设备运行实时预警和状态监测方法都不可避免地存在以下相似问题：都属于监督学习的范畴，其模型的成功构建依赖于大量带标签数据集，这限制了模型的进一步推广使用；并且，在运用时，需要根据被检测设备的具体型号规格性能参数做出相应的调整，这同样在一定程度上制约了模型的泛化能力；此外，上述方法一般需要将多传感器采集的多数据流进行融合(例如主成成分分析)作为模型的输入，以实现对关键系统重要电气设备的在线查异和实时预警，这不可避免地会丢失部分信息，于是传感器采集到的异常信号可能不会被察觉与表征，影响这些实时预警方法自身的可靠性与鲁棒性。

发明内容

本发明提供了一种基于异常因子提取的电气设备温度实时预警方法，能够基于红外传感器采集到的温度数据流，无监督地、实时地对电气设备运行状态进行监测和预警。

一种基于异常因子提取的电气设备温度实时预警方法，包括：

(1)使用红外传感器等间隔采集电气设备运行时的温度数据，获取温度数据流t_i(i＝0,1,2,…n)；

(2)对采集到的温度数据流进行预处理，定义

T_k＝(t_k，t_k-1)

其中，k＝1，2，...n，预处理后得到统一形式的输入数据集

(3)对数据集中的每一个T_k，计算其局部异常因子值L_OF；

(4)将计算得到的局部异常因子值L_OF与预设值进行比较，分析并相应地作出实时预警。

本发明事先不需要知道被监测设备的具体型号、规格及性能参数，在面对多监测数据流情况时，能对个别异常信号进行很好的表征和预警。

作为优选，步骤(1)中，所述红外传感器的采集间隔设置为5～30s，顾算法处理速度和电气设备运行工况的相对平稳性。