一种基于自编码器的汽动给水泵设备异常状态预警方法
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，xmin表示数据集中实测数据的最小值，xmax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；
步骤3.2、将归一化后的数据作为输入数据输入该自编码器深度学习预警模型，自编码器深度学习预警模型经过自编码过程，形成一个中间状态，再经过解码过程生成重构数据；用重构数据和输入数据计算均方误差作为损失函数MSE：
其中N为输入数据量，ypre表示重构数据值，yreal表示输入数据值；将重构数据进行反向传播，不断更新神经网络连接权值，用自编码器深度学习预警模型的网络总结设备测点正常数据的总体特征，形成汽动给水泵设备的数据特征网络；
步骤3.3、基于dropout机制对自编码器深度学习预警模型进行优化，防止网络的过拟合问题；
步骤3.4、引入置信区间比较汽动给水泵设备实时数据与历史正常工况的差异关系来全面评估当前汽动给水泵设备的运行状态，评定测试数据或实测数据是否为异常数据，实现设备预警和在线状态监测：首先计算训练集数据的残差矩阵：残差矩阵＝训练集的预测数据-训练数据；随后采用3σ(p≥99.74％)作为评价标准的置信区间，其中σ表示标准差，p表示概率；得到上下置信边界：
上置信边界：评估值+(残差矩阵均值+3×残差矩阵方差)
下置信边界：评估值+(残差矩阵均值–3×残差矩阵方差)；
步骤4、每更新预定数量的测量数据后，重新构造并训练自编码器深度学习预警模型，以得到更准确的预测结果。
作为优选，所述步骤2.3中一定百分比处于30％～50％内。
作为优选，所述步骤3.4中训练集数据的残差矩阵用于反映预测值与真实值拟合差值的概率分布。
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。
附图说明
图1为实施例中异常停机数据筛选结果图；
图2为实施例中被删除的测点数据情况图；
图3为实施例中异常状态辨识流程图；
图4为实施例中部分测点报警情况图；
图5为实施例中基于dropout机制优化后的部分测点报警情况图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明的目的是针对汽动给水泵设备状态异常预警问题，提出一种基于自编码器深度学习的监测和异常预警方法，构造更为适用的自编码器深度学习网络和异常评估方法进行汽动给水泵设备异常状态预警。本发明首先选取设备关键参数全部状态参数，并根据业务需求把状态参数进行扩维处理，随后，进行数据预处理后，建立正常工况下的自编码网络模型，并引入dropout机制优化模型，减少某些测点异常对其他测点的扰动，通过引入置信区间比较设备实时数据与历史正常工况的差异关系来全面评估当前设备的运行状态。本发明所提出方法可以有效的辨识设备运行中的异常状况，实现设备预警和在线状态监测。另外，本发明所提出方法可以推广至风力发电厂、核电厂、钢厂等重资产行业领域，为企业提供智慧决策方案，在现场巡检方面具有广阔的推广前景。
在火电厂中，汽动给水泵系统作为辅机系统之一，是整个热力循环中的“心脏”，对电厂的安全、经济运行起着极为重要的作用,锅炉给水泵的安全运行问题不容小视。本发明以浙江六横电厂#2机组的A汽动给水泵为例来具体阐述具体操作步骤以及验证方法的效果。
实验所用数据为汽动给水泵59个参数的25个月的数据，每个参数的数据有100万条，基于自编码器的汽动给水泵设备异常状态预警方法的具体过程如下：
步骤1：选取汽动给水泵设备关键部件全部状态参数，并把原有的参数进行扩维处理；本步骤所述选取的全部状态参数为以下51个：小机冷油器后油温度、小机冷油器前油温度、小机油箱油位、小机推力轴承排油温度、小机#1轴承排油温度、小机#2轴承排油温度、小机定位推力瓦金属温度1、小机定位推力瓦金属温度2、小机工作推力瓦金属温度1、小机工作推力瓦金属温度2、小机#1轴承金属温度1、小机#1轴承金属温度2、小机#2轴承金属温度1、小机#2轴承金属温度2、小机#1轴承X向振动、小机#1轴承Y向振动、小机#2轴承X向振动、小机#2轴承Y向振动、小机#3轴承X向振动、小机#3轴承Y向振动、小机#4轴承X向振动、小机#4轴承Y向振动、小机轴向位移1、小机轴向位移2、小机偏心、小机转速1、小机排汽压力、小机高压进汽压力、小机低压进汽压力、小机低压主汽阀前汽温、#3高加进水温度、汽动给水泵指令、汽动给水泵筒体上温度、汽动给水泵筒体下温度、汽动给水泵密封水回水温度1、汽动给水泵密封水回水温度2、汽动给水泵传动端径向瓦温、汽动给水泵推力轴承内侧温度、汽动给水泵自由端径向瓦温、汽动给水泵推力轴承外侧温度、实发功率、给水泵再循环阀开度、给水泵再循环阀反馈、汽动给水泵进口压力、汽动给水泵出口压力、汽泵入口流量三选后、汽泵转速反馈、小机排汽温度1、小机排汽温度2、小机排汽温度3、四段抽汽至给水泵汽机蒸汽流量；扩维的参数包括以下29个：汽泵转速反馈/小机转速2、小机冷油器后油温度-小机冷油器前油温度、小机高压进汽压力-小机低压进汽压力、汽动给水泵出口压力-汽动给水泵进口压力、小机冷油器后油温度温升率、小机冷油器前油温度温升率、小机推力轴承排油温度温升率、小机#1轴承排油温度温升率、小机#2轴承排油温度温升率、小机定位推力瓦金属温度1温升率、小机定位推力瓦金属温度2温升率、小机工作推力瓦金属温度1温升率、小机工作推力瓦金属温度2温升率、小机#1轴承金属温度1温升率、小机#1轴承金属温度2温升率、小机#2轴承金属温度1温升率、小机#2轴承金属温度2温升率、小机排汽温度1温升率、小机排汽温度2温升率、小机排汽温度3温升率、#3高加进水温度温升率、汽动给水泵筒体上温度温升率、汽动给水泵筒体下温度温升率、汽动给水泵密封水回水温度1温升率、汽动给水泵密封水回水温度2温升率、汽动给水泵传动端径向瓦温温升率、汽动给水泵推力轴承内侧温度温升率、汽动给水泵自由端径向瓦温温升率、汽动给水泵推力轴承外侧温度温升率。
步骤2：数据预处理。本步骤具体包含以下子步骤：
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，本例中设置训练集包含70万条数据为17个月的数据，针对建模的训练数据集进行预处理；以30万条的数据(8个月的数据)作为测试数据，按步骤2.2-2.4对建模的训练数据集进行预处理；
步骤2.2：停机数据剔除：对于数据包含部分停机数据的情况，将数据可视化后，将一段时间直线大范围下降的数据即停机数据进行剔除，如图1所示，图中下方曲线为停机数据，将其剔除；
步骤2.3：空值数据处理：对数据缺失严重的测点进行删除，即数据缺失量超过一定百分比，则对此测点进行删除；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；本例80个参数中有一个参数数据缺失量超过50％，对此测点进行删除，被删除的测点数据情况如图2所示；
步骤2.4：毛刺数据去除：毛刺数据即某一个数据，突然偏离正常数据范围，采用箱线图法去除毛刺数据，用以下公式组合，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)；
步骤2.5：归一化处理：采用以下归一化公式进行归一化处理：
其中，x*表示归一化后的参数值，x表示实测参数值，xmin表示数据集中该参数的最小值，xmax表示数据集中该参数的最大值。
步骤3：构建自编码器深度学习模型，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，定期更新预警模型。异常状态辨识整体算法流程如图3所示，本步骤具体包含以下子步骤：
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模型，该模型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维的矩阵进行输出，其中n为输入数据的测点数；本例构建8层的网络结构，升到16维的中间状态后，再进行降维到n维输出；
步骤3.2：将归一化后的数据输入该预警模型，模型经过自编码过程，形成一个中间状态，再经过解码过程生成重构数据。用重构数据和输入数据计算均方误差作为损失函数MSE，
其中N为输入数据量，ypre表示重构数据值，yreal表示输入数据值。然后将重构数据进行反向传播，不断更新神经网络连接权值，用网络总结设备测点正常数据的总体特征，形成汽动给水泵设备的数据特征网络；
步骤3.3：基于dropout机制对模型进行优化，防止网络的过拟合问题；本例将dropout设置为0.2，即随机去除20％的神经元；
步骤3.4：引入置信区间评定测试数据或实测数据是否为异常数据，首先计算训练集数据的残差矩阵，以反映预测值与真实值拟合差值的概率分布：
残差矩阵计算：残差矩阵＝训练集的预测数据-训练数据
随后采用3σ(p≥99.74％)作为评价标准的置信区间，得到上下置信边界，具体计算方法如下：
上置信边界：评估值+(残差矩阵均值+3×残差矩阵方差)
下置信边界：评估值+(残差矩阵均值–3×残差矩阵方差)；
其中σ表示标准差，p表示概率。
利用预警模型对去掉一个异常测点后的79个测点进行测试集的预测，其中有39个测点报警，40个测点未报警，而实际情况设备有16个测点存在异常。图4给出了10个处于报警的测点。虽然能够在设备异常期间，对异常测点进行了准确预测，且预测报警时间与设备实际出现异常的时间相一致，但是有23个测点出现跟随报警现象。利用步骤3.3，基于dropout机制对报警模型进行优化，dropout机制优化后对79个测点再次进行测试，基于dropout机制优化后的部分测点报警情况如图5。经测定，其中有16个测点报警，63个测点未报警，报警的16个测试点与设备实际异常测点一致，且异常的时间相一致，可见，该预警模型可以实现对异常设备的即时预警。
下表1是代表性测点dropout机制前后部分测点的报警状态，2、5、10、61、62测点在dropout之前，受其他异常测点影响，本是正常状态但出现了报警，而在dropout机制优化之后，在异常测点如测点12、19、20、21、22出现异常报警时，2、5、10、61、62测点未出现报警。
表1代表性测点dropout机制前后部分测点的报警状态
