[发明专利]一种基于参数残差的设备劣化分析方法

权利要求书

1.一种基于参数残差的设备劣化分析方法，其特征在于：包括以下步骤：

S1：模型学习：通过改进的卷积神经网络算法与大量历史数据建立神经网络模型并训练设备模型，模拟设备运行；

S2：模型预测：基于模型计算反映设备和参数偏离正常状态程度的定量化标识——健康度来描述设备健康状态；

S3：专家规则匹配：将专家经验转化为逻辑规则，根据设备运行状态劣化判断规则，对参数的异常预警进行后台规则配置，特定的故障模式，从而不断优化设备模型；

S4：通过参数的模型计算值与实时监测值的在线对比分析，实现对参数的残差预测，结合相关性分析，实现设备的劣化分析与故障预测。

2.根据权利要求1所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S1所述改进的卷积神经网络算法引入卷积神经网络中的稠密连接和残差连接，并将densenet分成多个dense_block，将隐含层增加到了48层，随着层数加深，增加表征能力，减轻梯度消失问题；采用block，降低连接的参数数量，有效利用之前的特征。

3.根据权利要求2所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S1包括以下步骤：

S11：设备对象及参数选取；

S12：获取参数实时历史全样本数据；

S13：数据清洗；

S14：设备数据建模。

4.根据权利要求3所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S13所述数据清洗包括去重复数据、去异常数据、数据补全、去非稳数据和数据规约化。

5.根据权利要求3所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S14所述设备数据建模包括以下步骤：

(1)模型输入；

(2)神经网络构型；

(3)训练数据覆盖多个全负荷段；

(4)输入数据标准化，包括z-score标准化，即均值为0，标准差为1，其转化函数为，转换函数为：x*＝(x-μ)/σ；min-max标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数为：x*＝(x-min)/(max-min)；

(5)聚类分析：将各个聚类子集內的所有数据样本的均值作为该聚类的代表点，然后把每个数据点划分到最近的类别中，使得评价聚类性能的准则函数达到最优，从而使同一个类中的对象相似度较高，而不同类之间的对象的相似度较小。

(6)相关性分析：根据筛选后的变量，在确定某一输出参数的情况下，利用相关性分析手段，对剩余参数进行相关性分析，确定与输出参数的相关度，从而筛选出相应的输入参数。

6.根据权利要求4所述的一种基于参数残差的设备劣化分析方法，其特征在于：所述数据规约化方法为：

数据立方体聚集：对某一维度求和；

维规约：去掉无关属性；

数据压缩：用数据编码或变换，得到原始数据的压缩表示；

数值规约、散化和概念分层生成。

7.根据权利要求5所述的一种基于参数残差的设备劣化分析方法，其特征在于：步骤S3所述参数的异常预警包括参数残差越限、参数越限频次、参数变化速率、参数间的越限关联关系。