[发明专利]基于无监督学习机制的电厂辅机设备异常工况检测方法

权利要求书

1.一种基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：包括如下步骤：

步骤(1)：从数据库中提取正常状态的数据并构建训练数据集；

步骤(2)：对训练数据集进行特征提取并训练异常检测模型；

步骤(3)：利用异常检测模型获得数据集的评估值；

步骤(4)：选取测试数据集，将测试数据集作为异常检测模型的输入，根据连续多个数据点的评估值作为判断设备异常工况的依据。

2.根据权利要求1所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：步骤(1)中数据库中的数据包括电厂辅机设备的实时运行数据和历史运行数据。

3.根据权利要求2所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：所述电厂辅机设备的实时运行数据和历史运行数据包括：(1)基本运行数据：设备的功率、转速；(2)监测数据：设备运行中所产生的振动、声音；(3)间接数据：流体在管道中的压力、流量、流速、温度。

4.根据权利要求1所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：步骤(2)中特征提取所提取的特征包括：

1)时域特征：均值、方差、最小值、最大值、极差、偏度、峰度、自相关函数、偏自相关函数、移动平均、移动标准差和指数加权移动平均；

2)频域特征：傅里叶变换系数、功率谱密度、频带能量比、频率熵；

3)时频域特征：小波变换系数、瞬时频率、能量谱密度。

5.根据权利要求4所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：对上述特征值进行分析、加权和融合，通过对多个特征值的融合来形成新的、更有代表性的特征，以提供更多的信息，进而提高模型的预测准确性。

6.根据权利要求2所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：所述步骤(2)中的异常检测模型基于One Class Deep SVDD算法，对从步骤(1)获得的历史数据中的正常工况的数据进行建模。

7.根据权利要求6所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：使用深度神经网络训练一个单类支持向量机模型，将数据样本从输入空间为维度是d的实数集，并映射到高维的输出空间为维度是p的实数集，中，并在该空间中找到一个超球体，将所有正常样本都包含在内,其目标函数为：

其中，x_i为第1个样本，c和R分别为映射空间中超球体的圆心和半径，为数据经过深度神经网络f映射后的数据表达，L和W分别为该神经网络的总层数和权重，W^l为第l层的权重，‖.‖_F为Frobenius范数，v和λ为超参数，n为样本总数。在映射空间中处于该超球体外的数据即为异常情况。

8.根据权利要求1所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：步骤(3)中数据集的评估值为实时数据与超球体的圆心在映射空间中的距离，即异常评分s(x)，计算方法为：

s(x)＝‖f(x_i；W^*)-c‖²

其中W^*为深度神经网络f训练后的权重。

9.根据权利要求1所述的基于无监督学习机制的电厂辅机设备异常工况检测方法，其特征在于：步骤(4)中判断故障状态的依据为在连续的时间点，将连续时间点所对应的数据点[x_t9,x_t2,…,x_t]作为异常检测模型的输入，得出的异常评分[s_t1,s_t2,…,s_tn]，然后计算平均异常评分s_avr，如果s_avrR^*,则认为设备处于异常状态，其中R^*为超球体在映射空间中的半径。