基于机理数据融合的机械设备能耗异常检测方法转让专利
申请号 : CN202011297084.1
文献号 : CN112485018B
文献日 : 2021-09-10
发明人 : 孔宪光 , 常建涛 , 马洪波 , 陈改革 , 杨杰 , 程帆
申请人 : 西安电子科技大学
摘要 :
权利要求 :
1.一种基于机理数据融合的机械设备能耗异常检测方法,其特征在于,采用机理数据融合方法,分别计算电压数据集中电压的检验值、电流数据集中电流的检验值,采用动态时间规划算法,计算功率数据集中功率的检验值;该方法的步骤包括如下:(1)生成待检测机械设备能耗数据集:(1a)自待检测的机械设备的运行时刻,每隔5s的数据采集时间间隔,采集5000秒的待检测设备的三相电压、三相电流数据,将采集的1000个电压、1000个电流数据组成待检测机械设备的电压、电流数据集;
(1b)采用与步骤(1a)相同的方法,生成待检测机械设备的功率数据集;
(2)采用机理数据融合方法计算电压数据集中电压的检验值:(2a)按照下式,计算标准T检验下电压的异常检验值:其中,p1表示标准T检验下电压的异常检验值,Bool表示求布尔值操作,∑表示求和操作,k表示电压数据集中电压的序号,T(2)表示标准T检验取值自由度为2的分布函数,f(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw表示待检测机械设备的额定电压值;
(2b)计算电压数据集中每个电压与待检测设备额定电压之差的绝对值,将电压数据集中所有电压与待检测设备额定电压值之差的绝对值按由小到大排序,并求正值秩和Z+,负值秩和Z‑;
(2c)按照下式,计算电压数据集中所有电压在单样本威尔科克森符号秩检验下的异常检验值:
p2=Bool((M(Bool(Z+>Z‑),len(lv)‑1))<0.05)其中,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值,Bool表示求布尔值操作,M(·)表示求M界值表操作,len(·)表示求数组长度函数,lv表示电压数据集中所有电压;
(3)采用与步骤(2)相同方法,计算电流数据集中电流的检验值;
(4)采用动态时间规划算法计算功率数据集中功率的检验值:(4a)分别将功率数据与异常数据按时间顺序排成一列,得到功率时间序列Q与异常时间序列C;
(4b)按照下式,计算功率时间序列每个功率与异常时间序列中每个功率的约束距离:其中,g(qi,cj)表示求功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的约束距离,min{·}表示求最小值操作,g(·)表示求相邻功率约束距离的操作,qi‑1表示功率时间序列Q中第qi‑1个索引,cj‑1表示异常时间序列C中第cj‑1个索引,d(·)表示求计算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值;
(4c)利用累积距离公式,计算功率时间序列中每个功率与异常时间序列中每个功率的累积距离;
(4d)判断γ(qm,cn)>sig是否成立,若是,则将待检测机械设备功率检验值设置为1,否则,功率检验值设置为0,其中,γ(qm,cn)表示功率时间序列中最后一个功率qm与异常时间序列中最后一个功率cn的累积距离,sig表示功率异常阈值;
(5)分别计算待检测机械设备电压状态值与电流状态值;
(6)检测机械设备能耗是否异常:将ov&oc&op为1的待检测机械设备判定为能耗异常,为0判定设备能耗正常,其中,ov表示待检测机械设备电压的状态值,oc表示待检测机械设备电流的状态值,op表示待检测机械设备功率状态值。
2.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(4c)中所述的累积距离公式如下:其中,γ(qi,cj)表示功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的累积距离,d(qi,cj)表示功率时间序列Q中第qi个功率与异常时间序列C中第cj个功率的欧式距离,γ(·)表示两两相邻功率的累积距离。
3.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(4d)中所述的功率异常阈值sig是由如下方法得到的:第一步,利用累积距离公式,计算零值时间序列中每个功率与异常时间序列中每个功率的累积距离,
第二步,将最后一个功率的累积距离表示为功率异常阈值sig。
4.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(5)中所述的计算待检测机械设备电压状态值是由下述公式计算得到的:ov=p1&p2
其中,p1表示标准T检验下电压的异常检验值,&表示与操作,p2表示电压在单样本威尔科克森符号秩检验下的异常检验值。
5.根据权利要求1所述的基于机理数据融合的机械设备能耗异常检测方法,其特征在于,步骤(5)中所述的计算待检测机械设备电流状态值是由下述公式计算得到的:oc=t1&t2
其中,t1表示标准T检验下电流的异常检验值,t2表示电流在单样本威尔科克森符号秩检验下的异常检验值。
说明书 :
基于机理数据融合的机械设备能耗异常检测方法
技术领域
状态检测。
背景技术
备耗电量检测显得尤为重要,其旨在针对设备运转过程中的耗电量进行检测,检测的结果
往往反映了当前设备运转的状态。如若出现异常,则可以尽早发现并报警以避免设备宕机
或损毁。但是当前生产设备的能耗异常检测模型大多只针对某一种特定设备或过程,而不
同设备具有不同的运行原理及运行要求,模型的泛化性不足,不具有推广性;此外,数据分
析过程需要采集大量不同类型的负责数据,如生产过程参数、设备运行参数、环境参数、人
员操作参数等,目前环境下采集类别多且数量大的数据十分困难,采集成本高。
挤压生产工艺过程,系统分析了挤压设备、挤压工艺流程和挤压过程能流,揭示了挤压周期
的能耗特点及能耗影响因素,确定挤压机能耗异常类型,并提出一种基于GA‑SVR的挤压机
能耗点异常检测模型。利用关联度分析法获得挤压过程的主要能耗影响因素,通过概率分
布,获取正常能耗的预测区间,从而判定实际挤压机能耗的观察值是否处于预测区间内,进
而确定能耗点异常。该方法存在的不足之处是:该模型只针对挤压机这一种特定类型的机
械设备检测,对于通用机械设备泛化能力较差。
判断方法。该方法使用一种高性能多类型传感器采集动态设备的负荷、能耗、环境和噪声等
数据并输入相应的运行状态,训练得到第一模型,根据负荷和能耗数据判断设备的运行状
态;将分析结果与故障类别和运行状态相互关联建立设备的运维知识库;通过模型分析,将
数据处理为时序特征数据后与运维知识库中的数据进行匹配分析,实现故障预测和诊断。
但是,该方法仍然存在的不足之处是:需要实时采集大量且复杂数据包括(负荷、能耗、环境
和噪声等),对传感器的选型及采集能力提出较高要求。
发明内容
械设备泛化能力较差,且需要实时采集大量且复杂数据,对传感器的选型及采集能力提出
较高要求的问题。
算法,计算功率数据集中功率的检验值;对电压、电流、功率检验值采用与方法检测机械设
备能耗是否异常。
检测机械设备的电压、电流数据集;
(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw
表示待检测机械设备的额定电压值;
Z+,负值秩和Z‑;
中所有电压;
示功率时间序列Q中第qi‑1个索引,cj‑1表示异常时间序列C中第cj‑1个索引,d(·)表示求计
算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值;
时间序列中最后一个功率cn的累积距离,sig表示功率异常阈值;
对于通用机械设备泛化能力较差的问题,使得本发明具有对通用机械设备能耗异常检测泛
化能力强的优点。
耗、环境和噪声等),对传感器的选型及采集能力提出较高要求的不足,使得本发明降低了
对传感器种类及数量的要求,降低了数据采集的复杂度及分析成本。
附图说明
具体实施方式
待检测机械设备的电压、电流数据集。
(·)表示概率密度函数,Uka,Ukb,Ukc分别表示待检测机械设备第k个电压的三相电压值,Uw
表示待检测机械设备的额定电压值。
值秩和Z‑。
中所有电压。
示功率时间序列Q中第qi‑1个索引,cj‑1表示异常时间序列C中第cj‑1个索引,d(·)表示求计
算功率时间序列中每个功率与异常时间序列每个功率的欧氏距离值。
欧式距离,γ(·)表示两两相邻功率的累积距离。
序列中最后一个功率cn的累积距离,sig表示功率异常阈值。