[发明专利]基于数据重构的设备异常状态检测方法

权利要求书

1.一种基于数据重构的设备异常状态检测方法，其特征在于，记部件正常运行状态下重构模型预测残差的分布为r^*，其均值为μ^*、方差为σ*2、90％分位点为δ^*，记部件实时运行状态下重构模型预测残差的分布为r，其均值为μ、方差为σ²，包括以下步骤：

步骤10，离线基准工况重构模型训练，包括：

步骤101，数据收集，从当前设备或同类设备历史运行数据库中选取正常运行阶段的数据作为基准运行工况数据；

步骤102，对收集的原始数据进行加工，包括数据清洗、特征提取、特征选择和数据归一化；

步骤103，将处理后的数据分为两个子集：模型训练集与模型测试集，基于训练数据和选定的建模算法建立信号重构模型；

步骤104，将训练得到的重构模型应用于测试集，得到模型预测值与实际工况观测值残差的分布；

步骤105，计算测试集残差分布的包括均值μ^*、方差σ^*2、90％分位点δ^*的统计量，存储计算的统计量，作为后续异常识别的参考基准；

步骤20，在线实时状态监测与异常探测，用于当信号重构模型和异常判定参考基准都已经准备完善，将模型部署在部件上开展实时状态监测与异常探测，具体步骤如下：

步骤201，实时计算重构模型预测值和在线观测值的残差；

步骤202，统计异常判定时刻点前一段固定时长内的预测残差，确保该固定时长内有足够的数据样本，计算预测残差的均值μ、方差σ²和分位点；

步骤203，根据定义计算包括均值特征因子、方差特征因子、分位点特征因子、偏离概率、波动概率和显著概率的指标量；

步骤204，得到单一部件实时运行状态的健康度指标。

2.如权利要求1所述的基于数据重构的设备异常状态检测方法，其特征在于，所述均值特征因子用于衡量预测残差分布均值偏离程度的标准分数，其定义公式如下：

3.如权利要求2所述的基于数据重构的设备异常状态检测方法，其特征在于，偏离概率用于反映残差分布的均值偏离基准运行状态的概率，采用Z检验对偏离度指标均值特征因子MF进行概率转换，定义如公式如下：

PMF＝2·Φ(MF)-1，

其中Φ(·)是标准正态分布的累计分布函数。

4.如权利要求1所述的基于数据重构的设备异常状态检测方法，其特征在于，所述方差特征因子用于衡量预测残差分布方差偏离程度的F统计量，其定义公式如下：

5.如权利要求4所述的基于数据重构的设备异常状态检测方法，其特征在于，所述波动概率用于反映残差分布的方差偏离基准运行状态的概率，选择F检验对方差特征因子VF进行概率转换，其定义公式如下：

PVF＝F(VF，n，n^*)

其中F(VF，n，n^*)是F分布的累计分布函数，n是异常判定时刻点前选定时段内的样本数，n^*是基准工况下重构模型建模时的测试样本数。

6.如权利要求1所述的基于数据重构的设备异常状态检测方法，其特征在于，所述分位点特征因子用于衡量预测残差分布中大于某一设定阈值的样本的比例，其定义公式如下：

QF＝P(r≥δ^*|r∈r)。

7.如权利要求6所述的基于数据重构的设备异常状态检测方法，其特征在于，所述显著概率反映残差分布中有较多大残差值出现时部件发生异常的概率，选取双曲正切函数tanh(·)作为分位点特征因子QF的激活函数，其定义公式如下：

显著概率PQF定义中的比例因子α由用户自己设定，其作用是抑制虚警率，α的数值越大，PQF的值越小，发生虚警的概率越低。

8.如权利要求1所述的基于数据重构的设备异常状态检测方法，其特征在于，数据清洗中采用切比雪夫不等式方法剔除样本中异常点。