[发明专利]一种基于快速自主学习的电厂设备实时故障预警方法

权利要求书

1.一种基于快速自主学习的电厂设备实时故障预警方法，其特征在于，包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练；其中，

快速自主学习模型训练包括以下步骤：

步骤A1：采集预警模型相关的历史数据，并进行相关的数据预处理，形成原始数据集

步骤A2：对采集的历史数据集进行平均值标准差计算，形成历史数据特征；

步骤A3：通过KMeans快速聚类机器学习算法，形成电厂设备运行自主训练识别的k个模式状态，完成聚类核心m_x|s和聚类数据集的计算；

步骤A4：通过高斯混合模型快速训练算法，形成电厂设备运行自主训练识别的高斯核；

步骤A5：最终实现快速自主训练模型的特征构建，完成高斯核协方差矩阵C_x|s的计算完成模型训练；

快速自主学习模型在线预测包括以下步骤：

步骤B1：采集预警模型相关的实时数据，并进行相关的数据预处理，形成原始数据向量

步骤B2：加载训练好的预警模型的特征数据，构造高斯混合模型高斯核

步骤B3：采用轻量级EM迭代算法，完成Θ的迭代计算；

步骤B4：采用基于高斯核距离评判标准的健康度评估算法完成预警模型动态健康度计算，并根据预警模型健康度单一量化指标进行预警逻辑判断，完成模型预测和预警判断；

快速自主学习模型在线训练包括以下步骤：

步骤C1：进入本轮实时计算流程，完成预警模型动态加载m_x|s、C_x|s，使得本轮计算分析的预警模型始终处于最新状态；

步骤C2：预警模型实时预测分析，计算预测值x^*和预测值误差σ²(x^*)；

步骤C3：计算基于高斯核距离的健康度单一量化评估指标H，完成预警模型实时动态健康度评估；

步骤C4：预警逻辑判断，触发当前时刻预警，并进入下一轮实时计算流程；

步骤C5：触发的预警通过报警合并，进入报警处理流程完成报警诊断；

步骤C6：诊断结果确定当前预警是否属于正常报警；

步骤C7：如果是正常报警则向系统用户推送检维修建议；

步骤C8：如果是误报警，则系统后台自动统计误报警时间段和误报警的测点历史数据存储；

步骤C9：同时调用快速自主训练算法，对模型进行误报警数据的在线二次训练；

步骤C10：完成模型在线更新，以保证后续实时计算流程动态加载的模型是在线二次训练后的模型。

2.根据权利要求1所述的基于快速自主学习的电厂设备实时故障预警方法，其特征在于，步骤B3中，

其中，对实时数据的预测值和预测值误差进行计算。

3.根据权利要求1所述的基于快速自主学习的电厂设备实时故障预警方法，其特征在于，步骤B4中，预警模型动态健康度计算公式为：