基于无监督学习机制的电厂辅机设备异常工况检测方法与流程

1.本发明属于智慧电厂设备应用领域，尤其涉及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。


背景技术：

2.电厂辅机设备是为了辅助发电机组运行而设置的一系列设备，包括给水系统、循环水系统、通风系统、冷却系统等。这些设备并不直接参与发电过程，但是对于保障发电机组的安全稳定运行以及提高发电效率具有重要作用：给水系统和循环水系统可以有效地回收废热，提高锅炉的热效率，从而提高整个电站的发电效率；通风系统和冷却系统可以控制发电机组的温度和湿度，确保其正常运行。电厂辅机设备可以有效地控制发电机组的工作环境，降低设备的损耗和磨损，延长设备的使用寿命。因此，电厂辅机设备是电站发电运行的必要组成部分，对于保障发电机组的安全稳定运行和提高发电效率具有重要作用。
3.辅机设备出现异常工况可能对设备本身造成损坏，影响设备的可靠性和稳定性，进而对发电设备的运行和人员的安全构成威胁。进一步地，这会导致电厂停产或者设备损坏，给电厂带来巨大的经济损失。通过对辅机设备的异常工况检测，可以预先发现设备的问题，进行及时的维修或更换，消除隐患，保障电力系统的安全运行。同时，通过及早了解设备的运行状况，从而优化设备的维护计划，有延长设备的使用寿命和提高设备的效率。总的来说，对电厂辅机设备的异常工况检测非常重要，可以保障电力系统的安全运行，优化设备维护计划，提高设备的可靠性和稳定性，降低生产成本。
4.目前，针对电厂辅机设备的异常工况，有多种检测方法。其中一种方法针对驱动电机，通过对支持轴承的振动数据进行机理分析，如振动幅值或振动相位差值超过预设阈值，则判断驱动电机地脚螺栓可能松动或断联轴器角度可能存在不对中；另外一种方法是通过对故障数据和耦合数据进行关联关系分析并确定关联规则，根据该关联规则生成故障预测模型；还有一种方法利用回归模型的预测值和实际数据的差值进行故障检测。
5.现有相关专利，专利号为cn202111637049.4，名称为《一种火电厂辅机设备故障识别方法、系统、设备和存储介质》的发明专利，其内容为：本发明提供了一种火电厂辅机设备故障识别方法，包括，采集历史故障时刻的辅机运行参数，并根据故障类型对数据进行标注；对故障数据进行小波分解重构；对重构后的历史故障数据进行聚类；对历史数据进行归一化处理；对聚类后的历史故障数据与待识别故障数据基于运行参数的变化值和实际值进行分类匹配，输出故障类型。上述发明专利通过小波分解重构，滤除高频噪声，还原故障数据的真实表征，然后将故障数据进行聚类，之后再通过参数的变化值和实际值两个维度比对待识别数据和历史故障数据。该专利使用标注后的故障数据构建故障检测模型，然而在火电厂实际生产过程中，故障发生的情况极少，故障样本数量不足的情况下，模型可能过拟合，导致在实际应用中泛化能力较差；同时，火电厂辅机设备的正常工况数据通常远多于故障数据，这种不平衡的数据分布可能导致模型在训练时对正常工况过拟合，对故障情况的识别能力较弱；另外，火电厂的故障模式可能随着时间的推移而发生变化，模型需要定期使
25.其中w
*
为深度神经网络f训练后的权重。
26.进一步地，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
tn
]作为异常检测模型的输入，得出的异常评分[s
t)
,s
t2
,
…
,s
tn
]，然后计算平均异常评分s
avr
，如果s
avr
》r
*
,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。
[0027]
本技术的有益效果如下：
[0028]
1、本技术具有无需人工标注数据、自适应学习能力强、适应性强、鲁棒性强和能够处理大规模数据的优点。
[0029]
2、现有技术中需要大量的人工标注数据来训练模型，而本方法无需人工标注数据，可以自动从数据中学习特征和模式，节省了大量的时间和人力成本。
[0030]
3、不同于现有技术中需要后台人为标记异常数据，本技术基于无监督学习机制的电厂辅机设备异常工况在线检测方法可以自适应地学习和调整模型参数，从而更好地适应设备运行环境的变化。
[0031]
4、在现有电厂辅机设备故障检测技术中，由于设备工作状态和故障状态的数据样本非常有限，模型很可能会出现过拟合问题，即模型只能对已知的故障样本进行有效识别，而无法很好地泛化到未知的故障样本。同时，模型也可能会出现欠拟合问题，即模型无法对已知的故障样本进行有效识别，也无法泛化到未知的故障样本。而本方法不需要预先知道异常工况的具体类别，可以自动从数据中发现异常模式和异常工况，具有更好的适应性。
[0032]
5、本方法不受训练数据中标签的质量和数量限制，可以处理标签不准确、不完整、缺失等情况，具有更强的鲁棒性。
[0033]
6、本方法可以处理大规模处理电厂辅机设备运行的实时数据，而现有技术中标注的数据规模限制了其应用范围。
附图说明
[0034]
图1为本发明提供的检测方法的流程图。
[0035]
图2为本发明提供的检测方法的具体实施方式。
具体实施方式
[0036]
为了更好的理解上述技术方案，下面将结合附图通过具体实施例进行进一步的说明，需要注意的是本发明技术方案包括但不限于以下实施例。
[0037]
实施例1
[0038]
如图1所示，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，包括如下步骤：
[0039]
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(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。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。实际辅机机组出于成本和可靠性考虑，安装的传感器有限，通常只能获得上述运行数据中的一部分。
[0040]
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(2)中特征提取
所提取的特征包括：
[0041]
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；
[0042]
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；
[0043]
3)时频域特征：小波变换系数、瞬时频率、能量谱密度。
[0044]
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。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；具体方法为：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：
[0045][0046]
其中，xi为第i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。
[0047]
步骤(3)：利用异常检测模型获得数据集的评估值；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：
[0048]
s(x)＝‖f(xi；w
*
)-c‖2[0049]
其中w
*
为深度神经网络f训练后的权重。
[0050]
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。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
avr
》r
*
,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。
[0051]
实施例2
[0052]
如图1所示，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，包括如下步骤：
[0053]
步骤(1)：建立电厂辅机设备运行数据库，其中包括但不限于：流体在管道中的压力、流量、流速、温度，辅机机组的功率、转速，辅机运行中所产生的振动、声音。
[0054]
步骤(2)：将步骤(1)中获得的辅机设备运行数据进行分类归纳：标签d1代表设备的基本运行参数，既设备的功率、转速；标签d2代表设备运行时管道中的流体参数，既流体的压力、流量、流速、温度；标签d3代表设备运行中的监测参数，既设备产生的振动、声音。
[0055]
步骤(3.1)：从步骤(2)建立的标签为d1和d2的2个设备运行数据库中提取数据，所述数据为低频时序数据，对提取的数据进行时域指标分析并提取特征值。所述特征值包括并不限于：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。然后将提取的特征值打上时间戳后分别加入标签
为f1特征库和f2的特征库。
[0056]
步骤(3.2)：从步骤(2)建立的标签为d3备运行数据库中提取数据，所述数据为高频时序数据，对提取的数据进行时域指标分析、频域指标分析及时频域指标分析，并提取特征值。所述特征值包括并不限于：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。然后将提取的特征值打上时间戳后加入标签为f3的特征库。
[0057]
步骤(4)：对步骤(3.1)和步骤(3.2)建立的特征库f1、f2和f3中的特征值进行分析，选择其中最相关或最重要的特征，降低特征维度。同时对选出的多特征进行加权和融合，通过将多个特征值结合起来形成新的、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、降低模型的过拟合风险、提高模型的鲁棒性，以及增强特征的可解释性。将步骤(3)中建立的f1、f2和f3三个特征库中的特征值经过选择、加权和融合后，形成的新的融合特征值。然后将融合特征值打上时间戳后加入标签为f4的特征库。
[0058]
步骤(5.1)：从步骤(4)建立的特征库f4中提取数据，建立训练数据库；提取规则为：读取特征值和时间戳，选择并提取时间戳在设备正常运行时间区间内的数据。
[0059]
步骤(5.2)：基于one class deep svdd算法，构建基于无监督学习机制的异常检测模型。具体而言，使用深度神经网络训练一个单类支持向量机模型，将从步骤(4)中提取出的特征值作为输入样本，从输入空间并映射到高维的输出空间中，并尝试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：
[0060][0061]
其中，3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，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。
[0062]
步骤(6.1)：从步骤(2)建立的3个设备运行数据库中提取实时运行数据，提取特征后作为异常检测模型的输入值。
[0063]
步骤(6.2)：计算实时数据在映射空间中与步骤(5.2)得出的超球体的圆心的距离，即异常评分s(x)，计算方法为：
[0064]
s(x)＝‖f(xi；w
*
)-c‖2[0065]
其中w
*
为深度神经网络f训练后的权重。
[0066]
步骤(6.3)：在连续的时间点，既[x
t9
,x
t2
,
…
,x
t《
]上，重复步骤(6.1)和步骤(6.2)，得出对应的异常评分[s
t1
,s
t2
,
…
,s
tn
]。
[0067]
步骤(6.4)：根据步骤(6.3)算出的连续时间点的异常评分，计算其平均值s
avr
。如果s
avr
》r
*
,则认为设备机组处于异常状态，其中r
*
为步骤(5.2)中训练后的超球体在映射空间中的半径。
[0068]
如图2所示，图中辅机设备运行数据库1；d1数据库储存设备的基本运行参数1-1；d2数据库储存设备的间接参数1-2；d3数据库储存设备运行中的监测参数1-3；辅机设备运行数据特征库2；f1特征库储存d1数据库根据步骤(2)所诉方法提前的特征值2-1；f2特征库
储存d2数据库根据步骤(2)所诉方法提前的特征值2-2；f3特征库储存d3数据库根据步骤(2)所诉方法提前的特征值2-3；f4融合特征库3，异常检测模型训练4，实时运行特征库5，最近的运行特征f
t0 5-1，次近的运行特征f
t1
5-2，最近第三位的运行特征f
t2
5-3，最近第n+1位的运行特征f
tn
5-4，异常检测模型6，辅机设备实时运行数据的异常评分7、最近的异常评分s
t0 7-1，次近的异常评分s
t1
7-2，最近第三位的异常评分s
t2
7-3，最近第n+1位的异常评分s
tn
7-4，平均异常评分s
avr 8。

技术特征：
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
avr
>r
*
,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。

技术总结
本发明属于智慧电厂设备应用领域，尤其涉及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，包括如下步骤：从数据库中提取正常状态的数据并构建训练数据集；对训练数据集进行特征提取并训练异常检测模型；利用异常检测模型获得数据集的评估值；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。本申请具有无需人工标注数据、自适应学习能力强、适应性强、鲁棒性强和能够处理大规模数据的优点。无需人工标注数据，可以自动从数据中学习特征和模式，节省了大量的时间和人力成本。间和人力成本。间和人力成本。


技术研发人员：李玥 雷晓龙 刘晓燕 伍文华 刘兴 蔡绍旺
受保护的技术使用者：东方电气集团东方汽轮机有限公司 东方电气股份有限公司
技术研发日：2023.05.16
技术公布日：2023/8/9