[发明专利]一种工业信号异常预警方法、系统、存储介质及计算设备

说明书

本发明涉及一种工业信号异常预警方法、系统、存储介质及计算设备，其包括：获取历史数据作为样本数据集；对样本集数据集进行预处理，获取结构化可分析的数据集；将数据集划分为训练集和测试集，根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵，构建测试集与第一过程记忆矩阵之间的第一相似度模型；采用第一相似度模型对测试集进行预测，得到测试集预测值与实际值之间的差值，即测试残差；对测试残差进行趋势分布概率检验，根据检验结果识别设备运行异常或故障。本发明能有效识别监测信号异常，实现早期预警，提高工业设备管理水平、降低设备运维成本；可广泛应用于预测性维护领域。

技术领域

本发明涉及预测性维护领域，特别是关于一种工业信号异常预警方法、系统、存储介质及计算设备。

背景技术

工业设备之间的高耦合性、系统的复杂性，以及特殊的服役环境，导致其极易发生故障，甚至引发重大安全生产事故，造成重大经济损失和不良社会影响。2015年6月，浙江恒洋热电有限公司汽轮机厂房内2号汽轮机设备爆炸引在厂房内引发重大火灾，直接经济损失约900万元。可见，为保证工业设备生产过程的安全平稳运行，防止生产中断带来重大损失，通过可靠的状态监控技术对设备进行健康管理，实时对设备特征参数进行监测和预警分析，判断设备是否存在异常或故障就显得尤为迫切和重要。

早期设备故障预警技术大多采用基于机理模型的方法，但该方法在面对多变量耦合的复杂系统时适用性较差。后来发展为基于知识的方法，即在设备出现异常征兆时由专家和操作人员的“知识”为依据进行故障推理和演绎，该方法对专家知识依赖性太强，应用范围窄。随着智能化仪表的广泛应用和数字信息技术的高速发展，海量的过程数据得以有效地监测、收集和存储，企业在生产方式、管理理念等方面发生了重大转变，使得基于数据驱动的方法在工业设备故障预警和诊断中占据着主导地位。

目前，典型的故障预警算法主要有聚类分析、神经网络等。但当故障样本数据不足时，很难有效划分设备运行状态，及时准确发现异常的起始点，而基于深度学习的模型在训练阶段需要大量标记的数据集，而在实际工业系统中，非正常工况下的样本数据量往往不足。

发明内容

针对上述问题，本发明的目的是提供一种工业信号异常预警方法、系统、存储介质及计算设备，其能有效识别监测信号异常，实现早期预警，提高工业设备管理水平、降低设备运维成本。

为实现上述目的，本发明采取以下技术方案：一种工业信号异常预警方法，其包括：获取历史数据作为样本数据集；对所述样本集数据集进行预处理，获取结构化可分析的数据集；将所述数据集划分为训练集和测试集，根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵，构建所述测试集与所述第一过程记忆矩阵之间的第一相似度模型；采用所述第一相似度模型对所述测试集进行预测，得到所述测试集预测值与实际值之间的差值，即测试残差；对所述测试残差进行趋势分布概率检验，根据检验结果识别设备运行异常或故障。

进一步，所述根据所述样本数据集进行预处理，获取结构化可分析的数据集，包括：对样本数据集进行数据清洗，剔除设备停机数据和无效数据，获取运行状态数据，清除冗余测点，形成有效的数据集。

进一步，所述根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的过程记忆矩阵，包括：在所述训练集中选取涵盖设备所有正常运行工况的样本构建第二过程记忆矩阵，基于相似性原理建立所述训练集与所述第二过程记忆矩阵之间的第二相似度模型，采用所述第二相似度模型对所述训练集进行预测，得到所述训练集实际值与所述第二相似度模型预估值之间的残差，即训练残差；通过所述训练残差对所述第二过程记忆矩阵进行优化，得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵。