[发明专利]基于多输入多输出ResNet的设备智能预警方法

说明书

基于多输入多输出ResNet网络的设备智能预警方法。利用深度残差网络ResNet处理数据预测回归问题，并通过对训练数据集和ResNet网络的合理构造，实现一张网络同时对多特征进行预测回归，降低了训练参数数量，提升了训练速度和效率。本发明包括如下步骤：选取设备相关历史数据，并进行预处理；构建多输入多输出ResNet网络；利用经预处理后的设备相关历史数据对多输入多输出ResNet网络进行训练，得到智能预警模型，并分析训练结果，得到残差阈值；获取设备相关实时数据，利用智能预警模型计算预测值，并根据残差阈值判断设备运行状态。本发明用于设备智能预警。

技术领域

本发明涉及设备故障预警领域，特别涉及一种基于多特征预测深度残差网络ResNet对设备状态进行预测的方法。

背景技术

在发电、化工等传统工业领域，运行人员通常通过监视控制系统中接入的设备各传感器信号来判断设备运行状态，但对单个传感器信号的监视不能及时发现设备的异常状态。当设备处于劣化状态时，相关传感器信号并没有到达控制系统设置的报警阈值，如果运行人员没有发现，设备将长期处于劣化状态运转，直至控制系统对于传感器信号设置的报警出现，这时设备通常已经出现较大故障。

设备运行状态是通过各相关传感器信号共同反映出来的，所以有一定技术与经验积累的运行人员会同时监测与设备相关的多个传感器信号，在这些运行人员的认知中，会对各运行工况下该设备各传感器信号应处于的值有一定的概念，当某些信号偏离值太多时，即使未到达控制系统报警阈值，仍可判定该设备状态异常，并及时进行检修处理，避免出现更大的故障导致设备停运。但受限于以下因素：运行人员的技术与经验积累水平不一、运行人员的精力与注意力难以长期维持在较高水平、同时监视所有设备相关传感器信号趋势曲线是难以实现的、运行人员对于设备各传感器应处于值范围的认知是不精确的，导致常态下对设备的监测仍主要依靠于控制系统单一信号的报警。

随着机器学习、深度学习等人工智能技术的发展，如何利用计算机对设备各关联传感器信号进行分析，挖掘其内在联系，从而实时监测设备运行状态，实现设备故障智能预警，成为人工智能技术在工业领域应用的热点问题。目前这方面的应用主要以机器学习技术的运用为主要手段，如支持向量机算法、随机深林算法、XGBoost算法等，而机器学习算法在处理海量数据集时可能会出现效率低下、效果不理想，甚至训练不收敛等问题，所以利用上述算法在进行设备传感器信号内在联系分析时，必须对样本数据进行大规模压缩，造成数据资源的浪费，且任何数据压缩方式都会产生关联特征的丢失，进而对预测精度产生影响。其次，随着时间推移，设备运行各传感器信号之间的内在联系并不是一成不变的，需定期对预测模型进行更新，才能避免预测精度的下降，但传统机器学习算法对于增量学习问题的处理是十分困难的。另一方面，目前业界大部分设备故障预警应用，在利用机器学习算法对数据进行分析时，往往采用并行方式实现对多维特征的预测，即同时构建N（需预测特征个数）个多输入单输出预测模型，这种方式会导致模型训练参数、训练时间成倍增长，并且会使机器学习算法本就难以处理的增量学习问题变得更加复杂。

深度学习技术能够有效的对海量数据进行充分利用，随着深度的增加，在理论上能够获得更高的精确度，并且能够方便的进行增量学习。近年来，CPU、GPU的计算性能实现了大幅度提升，以卷积神经网络、循环神经网络为代表的深度学习技术得以突破计算瓶颈，获得了大规模应用，目前已广泛应用于图像处理、语音识别、智能驾驶等领域，应用效果十分理想。深度神经网络应用主要由互联网公司引领，这些公司面向用户日常生活的应用需求设计了大量应用场景，覆盖了用户生活的方方面面，但是对于工业领域的应用仍处于较低的水平。另一方面，受应用场景所限，目前深度神经网络主要应用于处理对单特征的分类问题，对于处理多特征回归预测问题的解决方案较少。