[发明专利]一种动设备状态监测动态阈值预警方法

说明书

本发明公开了一种动设备状态监测动态阈值预警方法，包括：对在线监测系统大量监测数据统计分析，采用动态的自学习阈值算法计算预警阈值，并应用l1趋势滤波技术消除随机误差获取滤波后的趋势；应用动态自学习阈值替代监测系统中的常规报警阈值，比较自学习预警阈值与滤波后的趋势，实现了动设备故障早期预警。本发明能够弥补常规报警方式在早期故障预警方面的不足，在故障发生早期尚未出发常规报警时就可以监测到趋势异常，从而实现早期预警。

技术领域

本发明属于设备健康监测应用技术领域，更具体地，涉及一种动设备状态监测动态阈值预警方法。

背景技术

电机、泵、柴油机、往复式压缩机、内燃机、燃气轮机、燃气发动机等是石化、电力等流程工业中广泛使用的机械，该类设备安全、稳定的运行，会产生良好的经济效益和社会效益。目前，企业中的大型动设备多数已安装在线监测系统，但是，当前的在线监测系统并不能实现机械故障的早期预警，主要因为常规报警存在以下问题：(1)报警阈值由主机厂提供并预先设定到监测系统中，当机组报警时故障已经恶化到一定程度，并不能在故障发生的早期实现预警；(2)若为了使监测系统实现早期预警而将报警阈值调低，则可能会因噪声及采集误差的影响使实时采集的监测数据反复穿越报警线，导致大量错误预警；(3)若采用传统平滑滤波技术消除噪声及采集误差的影响，则有可能丢失关键故障信息，从而产生严重事故，给企业带来巨大损失。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出一种动设备状态监测动态阈值报警技术，其目的在于能够充分利用在线监测系统的监测数据，通过自学习得到动态报警阈值空间，结合l1实时趋势滤波，实现动设备状态监测动态阈值预警，解决常规报警的上述问题。

为实现上述目的，本发明提供了一种动设备状态监测动态阈值预警方法方法，包括如下步骤：

(1)根据动设备平稳运行t秒的监测参数趋势数据X(N)＝{x₁,x₂,…,x_N},N＝f_st，其中f_s为采样频率，N为采样点数，计算得到监测参数趋势数据的概率密度分布函数，即

式中，X_k为X(N)所分第k个区间的中点值，m_k为X(N)落在第k个区间内的样本数据个数，h_k是每个区间的半宽度，n为X(N)所分区间的个数；

(2)基于(1)所得概率密度分布f(X_k)拟合得到监测参数趋势数据X(N)的贝塔分布形状参数γ和η，并将X(N)服从贝塔分布简记为X(n)β(γ,η)；

(3)计算(2)所得贝塔分布的双侧α分位数λ₁,λ₂，其中α为尖峰噪声引起的采集误差，也即

式中，P{X≤λ₁}表示X(N)中不大于上侧分位数λ₁的概率，P{X＞λ₂}表示X(N)中不小于上侧分位数λ₂的概率；

(4)计算得到监测参数趋势数据X(N)的阈值下限Thd1和阈值上限Thd2，也即

Thd1＝λ₁(x_max-x_min)+x_min

Thd2＝λ₂(x_max-x_min)+x_min

式中，x_min为X(n)中的最小值，x_max为X(n)中的最大值，进而得到自学习报警阈值区间[Thd1,Thd2]；