[发明专利]一种基于大数据技术的二次设备隐患挖掘方法

摘要

本发明的目的在于提供一种基于大数据技术的二次设备隐患挖掘方法，包含两个过程：基于二次设备历史数据的模型训练和异常样本辨识，其中模型训练步骤包括获取二次设备监测数据的特征矩阵、二次设备样本数据主成分分析以及计算可靠统计概率分布。所述异常样本辨识则基于样本状态评价模型，将某个设备某一段时间的监测样本进行计算和评价，并且给出相关的量化指标。本发明的方法能够及早的发现状态监测数据表面处于‘正常’的阶段，而已经处于缓慢的劣化趋势中的隐患设备。该方法对设备的表现的稳定性和异常程度有了量化的评价，克服了当前二次设备检修中无法正确掌握设备健康状态的不足，便于运维人员在二次设备故障之前及早发现隐患，缩小设备维修的范围，减小维修的成本。

主权项

一种基于大数据技术的二次设备隐患挖掘方法，其特征在于包含两个过程：基于二次设备历史数据的模型训练和异常样本辨识；1)所述基于二次设备历史数据的模型训练步骤的具体内容如下：1.1)获取二次设备监测数据的特征矩阵具体过程如下：对各类二次设备的不同的原始信息进行预处理和规范化，形成设备特征样本矩阵，其中，在构造特征样本矩阵时，将同一型号的不同设备，混排在样本数据的矩阵中，所述样本数据的矩阵如下式所示：Rawdata_j＝[ID T f_j,1 f_j,2 ... f_j,m](j＝1,2,…,N)     (1)式(2)中，Rawdata_j代表第j条某个编号为ID的二次设备在某个时刻T的状态检测样本数据，该类二次设备有m个特征指标，依次构成监测特征数据；其中的监测特征数据的特征矩阵为：Feature_j＝[f_j,1 f_j,2 ... f_j,m](j＝1,2,…,N)    (3)同样，j为样本索引，m代表第m个特征指标，N表示样本数；1.2)所述二次设备样本数据主成分分析具体过程如下：将所述步骤1.1)中样本数据的监测数据的特征矩阵[f_j,1 f_j,2 ... f_j,m]，经过主成分分析，即将特征矩阵映射到一个K维空间内，其中K的维度<N，使保留下来的数据能最大化表示原始数据集的信息，并保存降维转换矩阵Q_T，生成降维后特征矩阵FEATURES_PCA_j＝[f_j,1 f_j,2 ... f_j,k]；1.3)可靠统计概率分布具体步骤如下：初始化：从降维特征矩阵FEATURES_PCA中随机抽取H个样本，其中N/2≤H≤3N/4，计算其样本均值T1和协方差矩阵S1；计算样本偏离中心距离：$\begin{array}{c}{d}_j=\sqrt{(FEATURES\_{\mathrm{PCA}}_j-T_1)S_1^{-1}{(FEATURES\_{\mathrm{PCA}}_j-T_1)}^T}\\ (j=1,2,\mathrm{...},N)\end{array}---\left(4\right)$迭代优化：从降维特征矩阵中选择对应马氏距离最小的H个样本，迭代计算其样本均值T2和协方差矩阵S2，当满足det(S2)＝det(S1)或det(S2)＝0时，将T1和S1分别作为降维特征矩阵总体分布期望T和方差S的可靠估计；将大量历史样本经过之前1)‑3)步骤后的计算，得到样本状态评价模型，即：降维特征矩阵总体分布期望T和方差S的可靠估计量；2)所述异常样本辨识的具体过程如下：2.1)设定观察目标对象即二次设备的ID，及该二次设备的观测时间段[t1t2]，从样本数据中取出满足条件的数据子集，作为待测样本；2.2)利用步骤1.2)中生成的降维转换矩阵Q_T对待测样本进行降维，得到降维后的待测样本；2.3)利用步骤1.3)中生成的协方差矩阵S作为映射矩阵，将降维后的待测样本投影到总体样本空间，得到规范化的待测样本；2.4)计算规范化待测样本的局部均值与方差：将待测样本均值与步骤1.3)迭代优化后的总体样本均值进行距离计算作为异常程度指标值，将待测样本方差作为稳定程度指标值。