面向设备群体的工况数据异常检测方法EI北大核心CSCD

为了全面便捷地检测出有效的潜在的设备异常,基于设备大量有价值的工况数据,对设备异常检测方法进行研究,提出一种面向设备群体的工况数据异常检测方法。通过对设备状态监测数据潜在异常特征进行分析挖掘,识别设备运行中的异常状态和用户异常行为,提高产品服务质量。给出了设备异常检测原理,对数据预处理、特征提取、正常特征空间分布建模、异常检测和人工验证过程进行了详细阐述。通过对5 000多万条真实监测数据进行异常检测实验,验证了所提方法的可行性和有效性。     

基于大数据分析的变频器异常检测方法

变频器设备机理复杂、设备监测数据异常样本少,导致在实际应用中基于经验和基于模型的异常检测方法操作性难、常规的数据驱动方法可行性差。针对上述问题,结合密度峰值聚类与时序运行数据的转移特点,提出一种基于大数据分析的变频器异常检测方法。该方法首先通过密度峰值聚类将运行数据聚类,然后将时序过程数据在不同类簇间的动态变化规律用概率表示,并基于聚类结果和转移概率提出异常检测体系框架,最后通过异常案例验证该方法的有效性,表明该方法能够正确识别变频器异常行为。     

数据驱动的锂离子电池健康状态综合评分及异常电池筛选

锂离子电池是电动汽车和储能系统最重要的组成部分,其故障预测和健康管理对于运行维护至关重要.数据驱动的方法较基于模型的方法更适合大规模工程应用,针对实际应用中工况复杂和数据质量较差的场景,提出数据驱动的健康状态综合评分及异常筛选算法,具有较强的适应性.首先,针对电池实际运行工况提出一种新的特征提取方案,可适用于非恒流的不稳定工况.开发了基于多维特征和混合聚类算法的健康状态综合评分体系,该方案采用无监督学习的算法框架,对可提取特征的数量和质量要求不高,无需进行事先的模型训练和复杂的超参数调整.然后,在麻省理工学院和斯坦福大学提供的公开数据集进行了算法验证,基于电池生命周期各阶段特征集进行健康度等级预测,并应用于健康度高低分选,均能达到92％以上的准确率.在某用户侧储能电站实现了该算法的应用,采用早期运行数据即可快速筛选异常电池,有利于尽早维护,提高电池系统的安全性和经济性.     

基于改进关联规则的卸船机故障预测模型

为使桥式抓斗卸船机安全稳定运行,针对大量监测数据利用率低、故障诊断不及时等问题,提出了基于兴趣度关联规则的卸船机故障预测模型方法。采用传感器监测和时域分析方法获取卸船机运行参数空间,利用聚类离散算法将监测数据根据其属性值域离散为非线性聚类区间,获取卸船机关联规则组,提取状态数据关联维的权重系数,构建状态监测数据关联规则指向性特征约束函数模型,通过预测模型中关联规则状态的改变实现故障预测。实验结果表明,该方法能有效表征卸船机运行状态监测的关联内部特征信息,实现对卸船机故障类别的预测,降低卸船机故障发生的频率。     

基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法

数据清洗过程是对锅炉设备在线监测数据预处理的一个重要环节,针对数据清洗步骤繁琐,易导致连续性数据被破坏等问题,提出一种基于混合自适应性矩估计和随机梯度下降算法优化的堆栈降噪自编码器的数据清洗方法。首先,引入自适应性矩阵估计和随机梯度下降的混合算法,以不断调整堆栈降噪自编码器模型的网络参数。其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差。再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对"脏数据"和反映设备故障的异常数据进行快速分类清洗修复。通过某电厂锅炉监测数据的清洗修补实验,证明了该方法能准确识别出"脏数据",修补后的数据亦能遵循数据整体的分布规律,满足了数据的清洗要求,为后续数据分析挖掘和设备故障诊断工作奠定了良好的基础。     

基于耦合自适应距离的高维异常检测算法

距离聚类方法是航天器等复杂系统实现遥测参数异常检测的常用方法之一,但在面对高维遥测数据进行异常检测任务时,往往会暴露出效率低下、精度劣化等严重问题。针对基于高维遥测数据的航天器异常检测难题,提出了一种基于耦合自适应的改进距离定义,并针对归纳监视系统(IMS)算法这一经典距离聚类算法进行了改进。该方法利用历史数据的分布特征,在进行聚类的同时,对于参数耦合性进行动态挖掘,并将挖掘到的知识高效地投入到异常检测任务。最后,采用运载火箭电源系统的真实高维遥测数据对所提方法进行了应用验证。在与多种传统基于IMS的异常检测方法的对比实验中,该改进算法检测效率与准确率较另两类IMS算法中的最优方法分别提升了41.83%和69.03%,验证了运用该距离定义的检测方法在效率与精确率上的优越性。     

基于CVAE的时变工况轴承运行异常检测

数据驱动的异常检测技术被广泛应用于复杂机械设备状态监测中，工况（operating conditions，简称OCs）变化会导致监测数据的分布漂移，使传统数据驱动的异常检测方法的准确性受到极大干扰。为了解决时变工况下工况和健康状态之间的耦合问题，提出了一个新的特征解耦学习框架。首先，基于变分自动编码器（variation auto encoder，简称VAE）构建一个特征解耦条件变分自动编码器（conditional variation auto encoder，简称CVAE）网络，实现工况和健康状态的解耦；其次，对解耦后的健康状态相关特征进行降维处理，构建异常指标（anomaly indicator，简称ANI）；然后，将ANI与统计异常阈值相结合，实现时变工况下轴承的异常检测；最后，通过基于时变转速退化的轴承加速疲劳退化实验，验证了该方法的有效性以及所构建的健康指标在消除时变工况干扰方面的优越性。     

流域梯级水电站集控中心在线自诊断系统

介绍了流域梯级水电站集控中心在线自诊断系统的结构、功能和数据治理方法。系统以生产实际需求出发，实现了状态监测、能效分析、故障诊断、运行优化、检修决策等关键功能模块，构建人机友好界面，易于使用。系统采用B/S模式架构，构建KDP平台实现与梯级电站在线监测、监控系统的数据同步及统一数据访问服务。系统对数据统一编码，建立基于冗余校验、状态关联、延时聚类的数据清洗策略，构建基于工况和事件牵引的多层次、多来源数据集成，最终实现水电多系统全景状态数据集成与治理方法。通过大数据技术、神经网络算法深入分析不同工况下水电机组部件运行数据，构建数据模型并提取特征数据作为故障判断依据，简洁易用、分析迅速，便于及时发出风险报警，实现多工况、多参数、多尺度故障在线自诊断和状态预警。该系统能有效反映机组劣化趋势，为水电企业状态检修决策、生产运行管理提供数据支持。     

基于层次聚类的状态监测数据衰退模式挖掘

故障预测与健康管理(prognostics and health management,简称PHM)技术,是在现代复杂设备的高可靠性和高安全性要求下,实现视情维修的一种新的技术理念。PHM技术的研究方向之一就是利用系统状态监测数据中包含的信息,对设备的健康情况和发展趋势进行评估、分析和预测。针对基于状态监测数据的衰退模式挖掘问题,提出了一种P-D-H聚类方法,以实现衰退模式的挖掘。首先,通过分段聚合近似(piecewise aggregate approximation,简称PAA)方法对由状态监测数据形成的退化轨迹时间序列进行模式表示;其次,采用动态时间弯曲距离(dynamic time warping,简称DTW)作为模式序列的相似性度量;最后,采用层次聚类的方法实现衰退模式聚类。用此方法对滚动轴承磨损状态监测数据进行了衰退模式挖掘,验证了方法的有效性。基于复杂系统状态监测数据的模式聚类方法能够有效实现系统健康衰退模式的挖掘,模式挖掘的结果可以为应用状态监测数据进行系统健康的预测奠定良好的基础。     

基于历史数据聚类的火电机组工况划分

针对调峰背景下火电机组非稳态工况增多,以及常见运行工况偏离设计工况等问题,提出了基于历史运行数据聚类的工况划分模型。首先,考虑到运行数据中非稳态工况与稳态工况并存的情况,以功率作为特征变量,提出基于功率差值期望区间估计的稳态判别算法,筛选出历史数据中的非稳态工况;其次,由于稳态工况下外部边界条件变量的分布差异性,提出改进的多步K-均值聚类算法进行稳态工况的划分,并利用silhouette评价准则确定每步条件下的最佳聚类数;最后,采用某实际发电用重型燃气轮机的历史运行数据进行模型验证。通过与传统K-均值聚类算法比较,所提出的模型能够有效解决工况分类数目较少以及样本分布不均的问题。     

民机引气系统快速存取记录器数据健康监测方法

状态监控与健康管理技术是国产民机运营支持亟待突破的关键技术,以民机引气系统为对象,设计实现了基于快速存取记录器(Quick access recorder,QAR)数据的民机引气系统健康监测方法,提出引气系统故障检测算法。根据引气系统原理和工况从QAR解码数据中提取高压级和低压级调压对应的监测数据。引入准确度、虚警率和漏警率指标优化指数加权滑动平均(Exponentially weighted moving average,EWMA)控制图方法,根据优化指标确定控制图的关键参数EWMA的平滑系数、构成检测样本的监测数据点数量和EWMA的控制限系数。借助航空公司收集的实际数据对方法进行验证,结果表明,与当前航空公司现行方法相比,提出的方法可降低故障预警的虚警率、提高准确度,提前故障发现时间,为航空公司合理安排飞机维修计划、减少飞机停场时间提供支持。     

矿渣粉磨健康状态识别模型及系统设计

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。     

基于GANomaly-GRU的直线电机进给系统健康诊断方法

直线电机进给系统因长期在复杂工况环境下服役导致性能及状态转移随机性更强,对其运行状态进行健康诊断,对于及时发现状态退化趋势并进行预防性维护具有重要意义.针对直线电机进给系统健康诊断中缺乏故障负样本且运行数据时序性强等问题,在分析半监督异常检测生成对抗网络(GANomaly)与门控循环单元(Gated Recurrent Unit,GRU)网络原理的基础上,提出一种新的基于GANomaly-GRU的直线电机进给系统健康诊断方法,该方法在GANomaly网络框架基础上引入GRU设计生成器、判别器和重构编码器,以避免网络出现梯度消失和梯度爆炸等问题,第四子网络采用异常样本概率模型和解码重构(Decoding Reconstruction,DR)评分在无负样本的情况下对直线电机进给系统运行状态进行健康诊断.最后在直线电机进给系统健康诊断实验平台上测试和验证该方法的准确性和快速性,并与经典的诊断方法,如异常检测生成对抗网络(Anomaly Generative Adversarial Networks,AnoGAN)、高效异常检测生成对抗网络(Ef-ficient GAN-Based Anomaly Detection,EGBAD)和无监督深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)进行对比,结果表明所提方法平均准确率分别提高了13.1％、24.0％和15.2％,诊断时间分别缩短了37、26和13 ms,表明所提方法较好地解决了直线电机进给系统故障样本数据不足和样本标记问题,对难以获取足量有效故障样本数据的复杂机械装备健康诊断具有一定的参考价值.     

基于CSAEMD-KECA和角结构距离的齿轮故障识别方法

作为机械传动系统中的重要部件,齿轮经常运行在变转速变载荷工况下,直接采集到的齿轮故障信号(原始信号)往往存在强背景噪声。由于其原始信号中存在噪声信号,干扰了齿轮故障模式识别,且传统故障识别方法准确率较低,针对这一问题,提出了一种基于CSAEMD-KECA和角结构距离的齿轮故障识别方法。首先,使用互补正弦辅助经验模式分解(CSAEMD)方法对齿轮故障信号进行了分解重构,以去除信号中的噪声成分;然后,利用核熵成分分析(KECA)方法对CSAEMD分解重构后的信号进行了特征提取,选取了对样本(CSAEMD分解重构后的信号)瑞丽熵贡献值较大的3个特征向量,并将其作为投影向量,样本数据向投影向量投影形成了特征数据集;最后,搭建了故障模拟实验台,对上述方法的可行性进行了验证,采用角结构距离的聚类方法对特征数据集进行了聚类分析。研究结果表明：利用实验台数据进行的有效实验,能够准确地识别出齿轮的各种故障,其聚类准确率达到98.3%;该结果可验证基于CSAEMD-KECA和角结构距离的方法在齿轮故障识别上的有效性。     

大功率电力机车异常运行数据的检测方法研究

为了保障大功率电力机车安全稳定的运行,提出一种基于聚类-规则的异常运行数据检测方法。利用聚类算法对异常运行数据进行聚类,然后根据聚类中心获得异常运行数据的检测规则库,并由此构建检测模型,同时利用BP算法对模型参数进行优化,最终获得准确的异常运行数据检测模型。     

基于PCA的航空发动机关键部件异常状态检测

航空发动机在航空器中具有重要的作用。针对航空发动机运行状态难以准确检测的技术难题,以航空发动机转子系统为检测对象,开展基于PCA的航空发动机关键部件异常状态检测方法研究。首先,以能够获取到的发动机参数为基础,采用相关分析法,完成航空发动机检测参数的数据挖掘,剔除相关性低的数据;其次,以航空发动机四种典型故障模式为基础,开展基于PCA的航空发动机的异常状态分类;最后,以实际数据对所研究的方法进行验证,确保其异常状态检测结果符合预期。验证结果表明,基于PCA的航空发动机异常状态检测方法能够实现对航空发动机的状态进行检测,误差均在要求范围之内,因此,该方法切实可行,对于其他旋转类设备的异常状态检测具有一定的借鉴意义。     

面向机械装备健康监测的数据质量保障方法研究

工业"大数据"时代的到来为机械装备健康监测带来了新机遇.然而,由于运行环境异常、人为因素干扰以及采集设备故障等,机械装备健康监测大数据中往往混杂大量与健康状态无关的异常值或缺失值数据,从而造成数据质量下降.监测数据中掺杂的劣质数据容易造成对机械装备健康状态的误判,进而导致运维策略制定不当.为保障数据质量,提出一种机械装备健康监测振动数据恢复的张量分解方法.针对机械装备不同转速的振动数据,构建以转速、时窗、小波尺度和时间为维度的四阶张量,利用Tucker分解从中挖掘蕴含的机械健康状态信息,并通过张量填充对缺失值数据进行恢复.分别采用仿真数据和试验台数据验证了提出方法的有效性,结果表明,与传统数据恢复方法相比,提出方法恢复的数据与真实数据的拟合度更高.将提出方法应用于风电装备监测数据恢复,保障了监测数据的质量.     

VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

基于函数型大数据聚类分析的机械故障在线检测

针对海量机械设备故障信号样本在线检测问题,提出了一种基于函数型大数据聚类分析的检测研究方法.分析了函数型大数据聚类分析的原理和优势,并利用对函数型大数据的曲线拟合及基函数矩阵,改善对高维故障数据的处理能力;确定聚类中心的位置,计算故障数据到聚类中心的聚类密度值,当有新的故障数据集加入后,适时调整聚类中心位置及欧式距离的均值,提高在线故障检测率.实验结果表明:提出多类别故障聚类的检测方法效果更明显,检测率统计指标值显著优于传统检测方案.     

基于Informer的变电站设备状态数据清洗方法

针对变电站设备数据量大、处理速度快的特点和区分异常值类型的需求，提出了一种基于Informer的变电站设备状态大数据清洗方法。首先基于Informer建立预测模型，根据监测数据时刻获取对应的时间窗口范围，预测窗口内数据值并计算其平均值和标准差，当监测数据远离平均值k倍标准差以上时则判定为异常点。然后结合异常点的连续性，检测异常数据类型和发生时刻，并对其中的噪声数据加以修正。最后，利用所述方法对我国县区某电力变压器温度监测数据进行了清洗验证，结果显示该方法不仅能准确地辨识并校正数据中的噪声点，还能记录设备异常时间，满足变电站设备状态数据清洗要求。