[发明专利]一种特种设备故障监测系统

说明书

本发明涉及一种对机电类特种设备进行故障监测的系统，该系统主要分为离线学习模块和在线监测模块。通过收集传感器测量数据，然后选择局部模型并预测相关的参数，然后再选择出最优的局部模型，通过计算离线全局监测统计量得到全局监测统计量的临界值，然后通过计算在线全局监测的统计量并与全局监测统计量的临界值进行比较，从而得到完整的设备故障监测信息。

技术领域

本发明属于工业数据分析领域，特别是设计到特种设备的故障监测方法。

背景技术

特种设备是指涉及生命安全、危险性较大的专用设备。传统基于专家知识的设备运维方案多属于亡羊补牢式的被动策略，存在较严重的滞后性，已不能满足实际需求。随着大数据和人工智能技术的发展，大数据驱动的故障预警技术为特种设备的运维提供了天然沃土。本专利基于概率主成分分析方法对特种设备进行故障监测。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种特种设备故障监测系统。

本发明通过以下技术方案来实现：

一种特种设备故障监测系统，该系统包括离线学习模块和在线监测模块；

其中所述离线学习模块工作过程包括如下步骤：

S1：从特种设备运行过程中收集N个正态传感测量数据；

S2：选择针对概率主成分分析的K个局部模型；

S3：预测局部模型参数；

S4：根据预测的模型参数，从这K个模型中选择最优模型K^O；

S5：计算离线全局监测统计量；

S6：通过前面计算的全局监测统计量来计算监测统计量的临界值；

所述在线监测模块工作过程包括如下步骤：

S7：获取新样本数据并对其进行处理；

S8：计算每个局部监测模型的在线局部监测统计量；

S9：按照S5中的方法，计算在线的全局监测统计量；

S10：进行系统故障诊断。

优选地，所述正态传感测量数据，来自于特种设备的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。

优选地，所述K个局部模型中K的取值为5＜K＜10。

优选地，所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数W_i和μ_i，其中i＝1∶K，W为局部因子矩阵，μ为输出平均向量，然后通过CPV逼近去计算主成分的数量，然后通过两步EM算法得到最优的模型参数σ²表示数据方差，π表示活动参数，然后计算H(K)并返回S2直到K＝K_max。

优选地，所述离线学习模块的S4中选择最优模型的方法为：

K⁰＝arg minH(i)

其中，

其中t_n为所采集的数据。

优选地，所述离线学习模块的S5中计算离线全局监测统计量的方法为：