[发明专利]基于数据重构的设备异常状态检测方法

说明书

本发明公开了一种基于数据重构的设备异常状态检测方法，包括以下步骤：步骤10，离线基准工况重构模型训练，包括：数据收集；对收集的原始数据进行加工；将处理后的数据分为两个子集：模型训练集与模型测试集，基于训练数据和选定的建模算法建立信号重构模型；将训练得到的重构模型应用于测试集，得到模型预测值与实际工况观测值残差的分布；计算测试集残差分布的包括μ^*、σ^*2、90％分位点δ^*的统计量；步骤20，在线实时状态监测与异常探测，具体如下：实时计算重构模型预测值和在线观测值的残差；统计异常判定时刻前一段固定时长内的预测残差；根据定义计算包括MF、VF、QF、PMF、PVF和QFP；得到单一部件实时运行状态的健康度指标。

技术领域

本发明属于设备检测技术领域，具体涉及一种基于数据重构的设备异常状态检测方法。

背景技术

现有技术中，对于机械设备的故障检测及告警多采用设置固定阈值的方法，将设备的某一参数设定一阈值范围，在超过阈值时进行告警。阈值判定法最大的不足在于其阈值通常较为固定，多数情况下需要依赖专家或使用经验划定，判定条件单一，难以平衡虚警和漏警率。以SPRT方法为例，该方法中需要设定四个参数才能得出异常状态判断的上下阈值线，参数选择需要依赖使用者经验。此外，阈值判定法的情景适应能力通常较弱，在故障或异常的晚期识别效果较好，在早期故障识别方面尚难以取得理想的结果。

设备正常运行工况下，其一些状态监测参数之间存在一定的依赖关系，当异常发生时，参数的变化会与这一依赖关系所确定的变化范围发生较为显著的偏离。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于数据重构的设备异常状态检测方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于数据重构的设备异常状态检测方法，记部件正常运行状态下重构模型预测残差的分布为r^*，其均值为μ^*、方差为σ^*2、90％分位点为δ^*，记部件实时运行状态下重构模型预测残差的分布为r，其均值为μ、方差为σ²，包括以下步骤：

步骤10，离线基准工况重构模型训练，包括：

步骤101，数据收集，从当前设备或同类设备历史运行数据库中选取正常运行阶段的数据作为基准运行工况数据；

步骤102，对收集的原始数据进行加工，包括数据清洗、特征提取、特征选择和数据归一化；

步骤103，将处理后的数据分为两个子集：模型训练集与模型测试集，基于训练数据和选定的建模算法建立信号重构模型；

步骤104，将训练得到的重构模型应用于测试集，得到模型预测值与实际工况观测值残差的分布；

步骤105，计算测试集残差分布的包括均值μ^*、方差σ^*2、90％分位点δ^*的统计量，存储计算的统计量，作为后续异常识别的参考基准；

步骤20，在线实时状态监测与异常探测，用于当信号重构模型和异常判定参考基准都已经准备完善，将模型部署在部件上开展实时状态监测与异常探测，具体步骤如下：

步骤201，实时计算重构模型预测值和在线观测值的残差；

步骤202，统计异常判定时刻点前一段固定时长内的预测残差，确保该固定时长内有足够的数据样本，计算预测残差的均值μ、方差σ²；

步骤203，根据定义计算包括均值特征因子、方差特征因子、分位点特征因子、偏离概率、波动概率和显著概率的指标量；

步骤204，得到单一部件实时运行状态的健康度指标。