发明内容
本申请实施例第一方面提供一种设备工况评估方法,其特征在于,包括:
获取拟评估设备当前时间段的第一测点实时值;
获取所述拟评估设备当前时间段的关联设备的第二测点实时值;
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数;
根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值;
将所述测点评估值输入所述拟评估设备的标准工况分类模型,得到所述标准工况分类模型输出的每种所述工况的发生概率,所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到,所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率;
计算所述测点评估值与每种所述工况的拟合度;
根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度,确定所述拟评估设备的目标工况。
可选的,在所述将所述测点评估值输入所述拟评估设备的标准工况分类模型,得到所述标准工况分类模型输出的每种所述工况的发生概率之前,所述方法还包括:
获取所述拟评估设备的第一测点历史值;
获取所述拟评估设备的关联设备的第二测点历史值;
根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型,并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型;
根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的,在所述根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型,并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型之前,所述方法还包括:
清洗所述第一测点历史值和所述第二测点历史值,和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的,在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前,所述方法还包括:
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的,所述根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数包括:
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的,所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例第二方面提供一种设备工况评估装置,其特征在于,包括:
获取单元,用于获取拟评估设备当前时间段的第一测点实时值;
所述获取单元,还用于获取所述拟评估设备当前时间段的关联设备的第二测点实时值;
计算单元,用于根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数;
所述计算单元,还用于根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值;
所述计算单元,还用于将所述测点评估值输入所述拟评估设备的标准工况分类模型,得到所述标准工况分类模型输出的每种所述工况的发生概率,所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到,所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率;
所述计算单元,还用于计算所述测点评估值与每种所述工况的拟合度;
确定单元,用于根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度,确定所述拟评估设备的目标工况。
可选的,所述获取单元,还用于获取所述拟评估设备的第一测点历史值;
所述获取单元,还用于获取所述拟评估设备的关联设备的第二测点历史值;
所述计算单元,还用于根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型,并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型;
所述计算单元,还用于根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的,所述计算单元还用于,
清洗所述第一测点历史值和所述第二测点历史值,和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的,在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前,所述计算单元具体用于:
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的,所述计算单元具体用于:
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的,所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例第三方面提供一种设备工况评估装置,包括:
中央处理器,存储器以及输入输出接口;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行本申请实施例第一方面的设备工况评估方法。
本申请实施例第四方面提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行本申请实施例第一方面的设备工况评估方法。
从以上技术方案可以看出,本申请实施例具有以下优点:考虑拟评估设备当前时间段的第一测点实时值和所述拟评估设备当前时间段的关联设备的第二测点实时值,与不同工况进行拟合。综合了拟评估设备和关联设备的数据,再做工况判断,判断结果精细度更高,进而可信度更高。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
基于多元时序变量的设备工况判断通过自主学习设备历史测点数据并结合设备设定的标准测点数据运行范围来判定。一个设备在其生命周期内会出现不同的工况,包括多种正常的工况和多种故障工况,每个工况在设备的测点数据中都会有不同的体现,且不同设备在整个***中的位置不同,设备本身工况受到的上下游设备的影响不一而论,
本申请实施例提供了一种设备工况评估方法,用于提升设备工况评估的精细度。
请参阅图1,本申请设备工况评估方法一个实施例包括:
101、获取拟评估设备的第一测点历史值。
在对拟评估设备当前时间段的工况作判断之前,需要根据历史时间段的测点历史值通过机器学习算法对模型进行训练。首先需要获取拟评估设备在一个历史时间段所有测点的第一测点历史值。可选的,根据作业人员的需求可以只获取拟评估设备在某一维度的测点的实时值,即第一测点历史值。其中,某一维度可以是压力或温度,此处不作限定。
102、获取拟评估设备的关联设备的第二测点历史值。
根据步骤101中获取的拟评估设备的第一测点历史值通过工业流程和机理分析确定关联设备的部分相关测点并获取这些相关测点的第二测点历史值。在实际应用中,作业人员每次分析确定的关联设备的部分相关测点是不完全相同的,当多次获取后作业人员选择的关联设备的部分相关测点趋于相同时,通过机器学习算法的学习,设备工况评估装置可自行分析确认拟评估设备在当前时刻的关联设备的部分相关测点,然后获取部分相关测点在当前时刻的第二测点历史值。
103、根据第一测点历史值通过机器学习算法得到拟评估设备的第一工况分类模型,并根据第二测点历史值通过机器学习算法得到关联设备的第二工况分类模型。
在获取第一测点历史值和第二测点历史值之后,需要对第一测点历史值和第二测点历史值进行清洗,剔除死区值、采样有误等无效值和存在缺失值的测点历史值。若完成清洗后的测点历史值数据量过大时,可以根据设备的特性进行横向(数据测点数)或纵向(单测点时序数据采集量)的降维处理,以取得性能和精度的平衡点。
在实际应用中,当设备测点较多时,通过主成分分析方式,确定设备工况主要测点,即横向减少测点;当测点采样数据较多时,通过降采样的方式,使实际参与计算的数据点减少,即纵向减少采样数据,具体此处不作限定。
进行清洗和降维后的第一测点历史值和第二测点历史值还会进行归一化处理。具体的,若历史值符合高斯分布,则采用z分数(z-score)归一化,若历史值不符合高斯分布,则采用最大最小归一化,可以知道的是,在实际应用中还会使用其他归一化方法,此处不作限定。
完成以上清洗、降维和归一化处理之后的历史值会通过机器学习算法进行分类。具体的会先提取拟评估设备各测点的第一测点历史值的特征值和关联设备各测点的第二测点历史值的特征值,对不同测点的特征值采用机器学习算法进行学习。其中,机器学习算法可以是贝叶斯分类学习算法、k近邻分类算法或支持向量机分类算法,特征值包括中位数、均值、峰度、偏度和最值中的至少一个,具体此处不作限定。在实际应用中,当采用贝叶斯分类学习算法时,在完成分类后采用最小错误率计算分类性能的好坏,若分类性能不佳,则会重新进行分类。
分类完成后可以得到第一工况分类模型和第二工况分类模型。
104、根据性能判定方法加权修正第一工况分类模型和第二工况分类模型得到拟评估设备的标准工况分类模型。
根据性能判定方法对第一工况分类模型和第二工况分类模型进行加权修正以得到拟评估设备的标准工况分类模型。具体的,操作人员可以依据对设备的运行管理经验,修改加权系数。在实际应用中,当多次计算后机器学习算法还可以学习各历史时间段内操作人员对权重系数所做的修改,和性能判定方法确定的加权系数来确定拟评估设备的标准工况分类模型,具体确定方式此处不作限定。其中,性能判定方法可以是贝叶斯信息准则(BIC,bayesian information criteria)或赤池信息准则(AIC,akaike informationcriterion),此处不作限定。
可选的,设备工况评估装置还会从标准工况分类模型分类后的每类工况中再提取标准特征值,不同工况的标准特征值用于与测点实时值的特征值进行拟合。
在一具体实施例中,第一工况分类模型、第二工况分类模型和标准工况分类模型可以是拟评估设备某一维度的模型,因此,一个拟评估设备会存在多个维度的不同模型。
105、获取拟评估设备当前时间段的第一测点实时值。
当需要对拟评估设备进行工况判断时,便获取拟评估设备在当前时间段各测点的实时值,即第一测点实时值。可选的,根据作业人员的需求可以只获取拟评估设备在某一维度的测点的实时值,即第一测点实时值。其中,某一维度可以是压力或温度,此处不作限定。
106、获取拟评估设备当前时间段的关联设备的第二测点实时值。
此处拟评估设备当前时间段的关联设备的部分相关测点的获取方式与第二测点实时值的获取方式与步骤102类似,此处不做赘述。
107、根据第一测点实时值和第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
进行计算之前,对第一测点实时值和第二测点实时值进行清洗、降维或归一化处理。其中,清洗是剔除死区值、采样有误等无效值和存在缺失值的测点实时值。若完成清洗后的测点实时值数据量过大时,可以根据设备的特性进行横向(数据测点数)或纵向(单测点时序数据采集量)的降维处理,以取得性能和精度的平衡。
在实际应用中,当设备测点较多时,通过主成分分析方式,确定设备工况主要测点,即横向减少测点;当测点采样数据较多时,通过降采样的方式,使实际参与计算的数据点减少,即纵向减少采样数据,具体此处不作限定。
进行清洗和降维后的第一测点实时值和第二测点实时值还会进行归一化处理。具体的,若历史值符合高斯分布,则采用z分数(z-score)归一化,若历史值不符合高斯分布,则采用最大最小归一化,可以知道的是,在实际应用中还会使用其他归一化方法,此处不作限定。
完成清洗、降维或归一化处理的第一测点实时值和第二测点实时值会先进行特征提取。结束特征提取后,会通过性能判定方法和特征距离分别确定第一测点实时值的特征值和第二测点实时值的特征值的加权系数。具体的,操作人员可以依据对设备的运行管理经验,修改第一测点实时值加权系数和第二测点实时值加权系数。在实际应用中,机器学习算法还可以学习各历史时间段内操作人员对权重系数所做的修改、和通过性能判定方法确定的加权系数来确定最终的第一测点实时值加权系数和第二测点实时值加权系数,具体确定方式此处不作限定。其中,特征值包括中位数、均值、峰度、偏度和最值中的至少一个,具体此处不作限定。
在一具体实施例中,性能判定方法可以是BIC或AIC,此处不作限定。
108、根据第一测点实时值加权系数、第二测点实时值加权系数、第一测点实时值和第二测点实时值计算拟评估设备的测点评估值。
分别根据第一测点实时值加权系数对第一测点实时值进行加权,根据第二测点实时值加权系数对第二测点实时值进行加权,再根据加权后的第一测点实时值和第二测点实时值得到拟评估设备的测点评估值,测点评估值用于与不同工况做拟合。
在实际应用中,还会对测点评估值提取特征值,此处特征用于与步骤104中不同工况的标准特征值进行拟合。具体的,特征值包括中位数、均值、峰度、偏度和最值中的至少一个,此处不作限定。
109、将测点评估值输入拟评估设备的标准工况分类模型,得到标准工况分类模型输出的每种工况的发生概率,标准工况分类模型是根据拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到,标准工况分类模型用于确定拟评估设备可能发生的工况以及每种工况的发生概率。
将测点评估值输入拟评估设备的标准工况分类模型,可以得到由标准工况分类模型输出的每种工况的发生概率,标准工况分布规律是根据拟评估设备在至少一个历史时间段内的测点历史值利用机器学习算法得到,用于确定拟评估设备可能发生的工况以及每种可能发生的工况的发生概率。
110、计算测点评估值与每种工况的拟合度。
将步骤108中所述测点评估值的特征值步骤104中不同工况的标准特征值和步骤108中测点评估值的特征值进行拟合,得到当前时刻测点实时值与不同工况的拟合度。具体的,拟合方式可以是多元线性拟合或非线性拟合,此处不作限定。
111、根据每种工况的发生概率以及测点评估值与每种工况的拟合度,确定拟评估设备的目标工况。
综合考虑不同工况的发生概率以及测点评估值与不同工况的拟合度,得到拟评估设备处于不同工况的可能性,确定可能性最高的工况为拟评估设备的目标工况。在实际应用中,人可以对各测点权重系数进行修改,调整处于不同工况的可能性,以确定可能性最高的工况为拟评估设备的目标工况。
本申请实施例中,考虑拟评估设备当前时间段的第一测点实时值和所述拟评估设备当前时间段的关联设备的第二测点实时值,与不同工况进行拟合。综合了拟评估设备和关联设备的数据,再做工况判断,得到的工况判断结果更精细,可信度更高。
本申请实施例提供一种设备工况评估装置,其特征在于,包括:
本申请实施例第二方面提供一种设备工况评估装置,其特征在于,包括:
获取单元201,用于获取拟评估设备当前时间段的第一测点实时值;
所述获取单元201,还用于获取所述拟评估设备当前时间段的关联设备的第二测点实时值;
计算单元202,用于根据所述第一测点实时值和所述第二测点实时值通过性能判定方法分别确定第一测点实时值加权系数和第二测点实时值加权系数;
所述计算单元202,还用于根据所述第一测点实时值加权系数、所述第二测点实时值加权系数、所述第一测点实时值和所述第二测点实时值计算所述拟评估设备的测点评估值;
所述计算单元202,还用于将所述测点评估值输入所述拟评估设备的标准工况分类模型,得到所述标准工况分类模型输出的每种所述工况的发生概率,所述标准工况分类模型是根据所述拟评估设备在历史一段时间内的测点历史值利用机器学习算法得到,所述标准工况分类模型用于确定所述拟评估设备可能发生的工况以及每种工况的发生概率;
所述计算单元202,还用于计算所述测点评估值与每种所述工况的拟合度;
确定单元,用于根据每种所述工况的发生概率以及所述测点评估值与每种所述工况的拟合度,确定所述拟评估设备的目标工况。
可选的,所述获取单元201,还用于获取所述拟评估设备的第一测点历史值;
所述获取单元201,还用于获取所述拟评估设备的关联设备的第二测点历史值;
所述计算单元202,还用于根据所述第一测点历史值通过所述机器学习算法得到拟评估设备的第一工况分类模型,并根据所述第二测点历史值通过所述机器学习算法得到关联设备的第二工况分类模型;
所述计算单元202,还用于根据性能判定方法加权修正所述第一工况分类模型和第二工况分类模型得到所述拟评估设备的标准工况分类模型。
可选的,所述计算单元202还用于,
清洗所述第一测点历史值和所述第二测点历史值,和/或通过主成成分分析或降采样的方式分别对所述第一测点历史值和第二测点历史值进行降维处理。
可选的,在所述获取所述拟评估设备当前时间段的关联设备的第二测点实时值之前,所述计算单元202具体用于:
根据所述拟评估设备多个历史时段的第一测点实时值通过机器学习算法确定所述拟评估设备在所述当前时间段的关联设备。
可选的,所述计算单元202具体用于:
根据所述第一测点实时值和所述第二测点实时值通过性能判定方法和机器学习算法分别确定第一测点实时值加权系数和第二测点实时值加权系数。
可选的,所述机器学习算法是贝叶斯分类算法、k近邻分类算法或支持向量机分类算法。
本申请实施例中,计算单元202通过获取单元201获取的拟评估设备的第一测点历史值和关联设备的第二测点历史值利用机器学习算法得到拟评估设备的标准工况分类模型,该标准工况分类模型可用于判断拟评估设备的工况,最后由确定单元203根据不同工况的发生概率和拟合度综合确定拟评估设备的工况。考虑关联设备的测点值后进行工况判断,得到的工况判断结果更为精细,提升了工况判断结果的可信度。
图3是本申请实施例提供的一种设备工况评估装置结构示意图,该设备工况评估装置300可以包括一个或一个以***处理器(central processing units,CPU)301和存储器305,该存储器305中存储有一个或一个以上的应用程序或数据。
其中,存储器305可以是易失性存储或持久存储。存储在存储器305的程序可以包括一个或一个以上模块,每个模块可以包括对设备工况评估装置中的一系列指令操作。更进一步地,中央处理器301可以设置为与存储器305通信,在设备工况评估装置300上执行存储器305中的一系列指令操作。
设备工况评估装置300还可以包括一个或一个以上电源302,一个或一个以上有线或无线网络接口303,一个或一个以上输入输出接口304,和/或,一个或一个以上操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
该中央处理器301可以执行前述图1至图2所示实施例中设备工况评估装置所执行的操作,具体此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。