[发明专利]一种基于自编码器的汽动给水泵设备异常状态预警方法

说明书

本发明涉及一种基于自编码器的汽动给水泵设备异常状态预警方法，包括：步骤1、选取汽动给水泵设备关键部件的全部状态参数，并把部分状态参数进行扩维处理；步骤2、数据预处理。本发明的有益效果是：本发明基于自编码器深度学习模型对汽动给水泵运行中各测点的异常状态进行识别并预警。通过建立基于自编码器的汽动给水泵深度学习模型，计算评估值与置信区间，监测汽动给水泵运行状态并对异常状态进行预警。这将给随后的设备维护计划制定提供坚实的支撑，对于对可靠性要求严格的设备维护管理大有裨益，在工程实际应用方面具有广阔前景。本发明可以有效得辨识设备运行中的异常状况，为汽动给水泵状态异常预警研究提供了一种崭新的思路。

技术领域

本发明涉及可靠性维护工程技术领域，尤其包括一种基于自编码器的汽动给水泵设备异常状态预警方法。

背景技术

目前，电厂关键设备的状态监测是保证设备可靠性的重要手段，随着电力行业体制改革不断深入，技术不断迭代更新，存在设备类型、数据结构多样化等特点，常规监测方法无法及时发现设备的早期劣化。实现设备的智能化实时监督，及时发现设备故障并提供维护对电厂生产的安全性和经济性具有重要意义。

人工智能技术可有效利用上述丰富的数据信息进行自主学习与智能判别，在数据分布发生变化时对故障进行准确预警。自编码器是神经网络的一种，对于复杂数据的降维和特征自学习非常有效，可实现特征的自适应提取，从而对数据进行抽象表示，并获得较好的非线性映射能力。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于自编码器的汽动给水泵设备异常状态预警方法。

这种基于自编码器的汽动给水泵设备异常状态预警方法，包括以下步骤：

步骤1、选取汽动给水泵设备关键部件的全部状态参数，并把部分状态参数进行扩维处理；

步骤2、数据预处理：

步骤2.1、数据集划分：在构建和训练模型时，对步骤1中选取的状态参数采集足量数据，将数据划分为训练数据集和测试数据集；训练数据集和测试数据集的数据量比例一般为7：3左右；

步骤2.2、停机数据剔除：若数据包含部分停机数据，则将数据进行可视化处理后，将停机数据进行剔除；所述停机数据为一段时间直线大范围下降的数据；

步骤2.3、空值数据处理：若某测点的数据缺失量超过一定百分比，则对此测点进行删除操作；所述删除操作为剔除含有空值的一整条数据，即若在某一时间点含有空值数据则对该时间点的所有测点的数据剔除；

步骤2.4、采用箱线图法去除毛刺数据，并寻找异常值：

异常极大值＝75％分位点值+3.5×(75％分位点值–25％分位点值)

异常极小值＝25％分位点值–3.5×(75％分位点值–25％分位点值)

所述毛刺数据为突然偏离正常数据范围的数据；所述正常数据为处于异常极小值和异常极大值之间的数据；

步骤2.5、采用以下归一化公式进行归一化处理：

其中，x^*表示归一化后的实测数据，x表示实测数据，x_min表示数据集中实测数据的最小值，x_max表示数据集中实测数据的最大值；

步骤3、构建自编码器深度学习预警模型，对实测数据进行上下置信计算，对汽动给水泵运行中的异常状态进行识别并预警；随着数据更新，定期更新自编码器深度学习预警模型；

步骤3.1、根据实际数据，构建一定层数网格结构的自编码器深度学习预警模型；将该自编码器深度学习预警模型的网络依次根据测点倍数进行升维，升到一定维数的中间状态后，再进行降维，降维到n维的矩阵后进行输出，其中n为输入数据的测点数；