一种基于机器学习的设备劣化分析方法与流程
- 国知局
- 2024-08-05 11:38:11
本发明涉及设备管理,尤其涉及一种基于机器学习的设备劣化分析方法。
背景技术:
1、设备是企业从事生产经营活动的基础。管好设备,用好设备,提高设备管理水平,对提高企业经营管理水平有着十分重要的意义。
2、设备劣化多指在使用过程中,因零部件磨损、变形、腐蚀、老化等原因,使设备原有性能逐渐降低和功能逐渐丧失,是包括设备工作异常、性能降低、突发故障、设备损坏和经济价值降低等状态表现的总称。设备劣化后必须通过维修或者更新改造来恢复或改善设备性能和功能。分析设备劣化程度、确定设备维修时机,是避免设备过修或欠修的重要手段。
3、现有的设备劣化分析方法及系统大多是通过各种参数的运行趋势来判断的,参数在阈值范围内就认为设备运行正常。但该参数阈值往往比较宽泛,导致劣化检测不能很好地反应设备的劣化情况。此外,在工况波动或环境剧烈变化时,现有的设备劣化分析方法容易出现误报现象,给设备劣化检测造成极大的困扰。
技术实现思路
1、发明目的:为了克服现有技术中存在的不足,本发明提供一种基于机器学习的设备劣化分析方法,建立设备参数的机器学习模型来分析设备劣化情况,以确定设备维修时机,且不易因为工况波动或环境剧烈变化而产生误报现象。
2、技术方案:为实现上述目的,本发明的一种基于机器学习的设备劣化分析方法,包括以下步骤:步骤s1:获取设备参数的历史数据,利用历史数据训练机器学习回归模型;步骤s2:通过机器学习回归模型计算设备参数的预测值,并获取设备参数的实测值,从而得到预测值与实测值的偏差值;步骤s3:计算一段时间内偏差值的截断均值,将其作为设备参数的劣化值,通过劣化值来表征设备偏离正常状态的程度;步骤s4:根据设备运行要求和劣化值的历史变动范围,确定劣化值的健康阈值;步骤s5:根据劣化值的时间趋势,结合健康阈值,分析设备劣化程度和趋势。
3、进一步地,步骤s1具体包括如下步骤:步骤s1.1:选择合适的设备参数;步骤s1.2:获取所选择的设备参数的历史数据;步骤s1.3:对设备参数的历史数据进行数据清洗,以生成训练机器学习回归模型所需的数据;步骤s1.4:基于数据清洗后的设备参数历史数据,通过机器学习回归方法训练机器学习回归模型。
4、进一步地,在步骤s1.1中,需要选择的设备参数包括目标分析参数和相关参数,目标分析参数用以计算劣化值,相关参数作为机器学习回归模型的特征参数。
5、进一步地,在步骤s1.3中,数据清洗包括剔除缺失值、停机值、异常值和离群值,且数据清洗还包括计算目标分析参数与各个相关参数间的相关系数,然后剔除掉相关系数小于一定值的相关参数。
6、进一步地,步骤s2具体包括如下步骤:步骤s2.1:周期性地获取目标分析参数和相关参数的实时数据,得到实测值;步骤s2.2:通过机器学习回归模型计算目标分析参数的预测值;步骤s2.3:计算目标分析参数的预测值与实测值的偏差值。
7、进一步地,步骤s3具体包括如下步骤:步骤s3.1:周期性地提取一段时间内的目标分析参数的偏差值,得到偏差值序列;步骤s3.2:对提取的偏差值序列按照大小进行排序,并截去大端和小端一定比例的值;步骤s3.3:计算剩余的偏差值的平均值,得到该段时间内目标分析参数的偏差值的截断均值,将该截断均值作为设备的劣化值。
8、进一步地,在步骤s3.1中,计算该段时间内各个相关参数的波动程度;在步骤s3.2中,根据波动程度的大小,截去偏差值序列大端和小端一定比例的值,截断比例的大小与相关参数波动程度的大小成正相关。
9、进一步地,采用方差来表征相关参数的波动程度,在步骤s3.1中,分别计算各个相关参数的方差,然后计算所有相关参数的方差的加权平均数,各个相关参数的加权系数同该相关参数与目标分析参数的相关系数一致;在步骤s3.2中,截断比例的大小与计算出的方差的加权平均数的大小成正相关。
10、进一步地,步骤s4具体包括如下步骤:步骤s4.1:将历史数据代入机器学习回归模型中,计算目标分析参数在各个时间点的偏差值;步骤s4.2:根据目标分析参数在各个时间点的偏差值,计算设备在各个时间段的劣化值;步骤s4.3:根据设备劣化值的历史变动范围和设备运行要求,确定设备劣化值的健康阈值。
11、进一步地,步骤s5具体包括如下步骤:步骤s5.1:提取设备近段时间内的劣化值;步骤s5.2:根据设备劣化值的时间趋势,结合健康阈值,判断设备劣化程度和趋势。
12、有益效果:本发明的一种基于机器学习的设备劣化分析方法,其有益效果如下:
13、1)本发明对历史数据进行分析和清洗,建立设备参数的机器学习模型,通过参数实测值计算预测值,再计算参数实测值和预测值间的偏差值,并计算一段时间内目标分析参数的偏差值的截断均值,用该偏差截断均值来分析设备劣化情况,进而确定设备维修时机;由于采用了截断均值来分析设备劣化情况,在工况波动或环境剧烈变化时,不容易出现误报现象;
14、2)截断均值的截断比例的大小与相关参数波动程度的大小成正相关,在工况波动或环境剧烈变化时,截断均值的截断比例也就更大,进一步降低误报现象。
技术特征:1.一种基于机器学习的设备劣化分析方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于机器学习的设备劣化分析方法,其特征在于:步骤s1具体包括如下步骤:
3.根据权利要求2所述的一种基于机器学习的设备劣化分析方法,其特征在于:在步骤s1.1中,需要选择的设备参数包括目标分析参数和相关参数,目标分析参数用以计算劣化值,相关参数作为机器学习回归模型的特征参数。
4.根据权利要求3所述的一种基于机器学习的设备劣化分析方法,其特征在于:在步骤s1.3中,数据清洗包括剔除缺失值、停机值、异常值和离群值,且数据清洗还包括计算目标分析参数与各个相关参数间的相关系数,然后剔除掉相关系数小于一定值的相关参数。
5.根据权利要求4所述的一种基于机器学习的设备劣化分析方法,其特征在于:步骤s2具体包括如下步骤:
6.根据权利要求5所述的一种基于机器学习的设备劣化分析方法,其特征在于:步骤s3具体包括如下步骤:
7.根据权利要求6所述的一种基于机器学习的设备劣化分析方法,其特征在于:在步骤s3.1中,计算该段时间内各个相关参数的波动程度;在步骤s3.2中,根据波动程度的大小,截去偏差值序列大端和小端一定比例的值,截断比例的大小与相关参数波动程度的大小成正相关。
8.根据权利要求7所述的一种基于机器学习的设备劣化分析方法,其特征在于:采用方差来表征相关参数的波动程度,在步骤s3.1中,分别计算各个相关参数的方差,然后计算所有相关参数的方差的加权平均数,各个相关参数的加权系数同该相关参数与目标分析参数的相关系数一致;在步骤s3.2中,截断比例的大小与计算出的方差的加权平均数的大小成正相关。
9.根据权利要求6所述的一种基于机器学习的设备劣化分析方法,其特征在于:步骤s4具体包括如下步骤:
10.根据权利要求9所述的一种基于机器学习的设备劣化分析方法,其特征在于:步骤s5具体包括如下步骤:
技术总结本发明公开了一种基于机器学习的设备劣化分析方法,包括以下步骤:步骤S1:获取设备参数的历史数据,利用历史数据训练机器学习回归模型;步骤S2:通过机器学习回归模型计算设备参数的预测值,并获取设备参数的实测值,从而得到预测值与实测值的偏差值;步骤S3:计算一段时间内偏差值的截断均值,将其作为设备参数的劣化值,通过劣化值来表征设备偏离正常状态的程度;步骤S4:根据设备运行要求和劣化值的历史变动范围,确定劣化值的健康阈值;步骤S5:根据劣化值的时间趋势,结合健康阈值,分析设备劣化程度和趋势。本发明建立了建立设备参数的机器学习模型来分析设备劣化情况,不易因为工况波动或环境剧烈变化而产生误报现象。技术研发人员:沈安齐,黄立钧,赵维科,骆卫华受保护的技术使用者:江阴利港发电股份有限公司技术研发日:技术公布日:2024/8/1本文地址:https://www.jishuxx.com/zhuanli/20240802/258529.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表