CN115766383A - 一种基于算法融合技术的设备状态评估预警方法和*** - Google Patents

Abstract

本申请涉及一种基于算法融合技术的设备状态评估预警方法和***，其中，该方法包括：确定当前观测向量，以及确定该当前观测向量对应的初始预测向量；根据相似性算子、模式矩阵和当前观测向量，确定相似系数向量；输入该相似系数向量至残差预测模型，得到当前残差预测向量；根据该初始预测向量、该当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警；通过本申请，基于预测值对实际预测数据进行残差补偿，从而有效减小预测值与实际值的偏差，解决了相关技术中基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，提高了预警的准确性。

Description

一种基于算法融合技术的设备状态评估预警方法和***

技术领域

本申请涉及设备状态监测技术领域，特别是涉及一种基于算法融合技术的设备状态评估预警方法和***。

背景技术

随着大数据、云计算、物联网等新一代信息技术的发展，促使传统物理***与信息***的融合更加深入，能源生产行业智能化发展开始受到各大能源集团的重视。为了在设备故障的早期识别设备异常，及时对设备进行处理，防止设备非停等事件的发生，基于大数据分析的设备状态评估预警技术开始得到了初步的发展和应用。其中，非线性状态评估算法是应用较为广泛的一种设备故障智能预警建模方法，近年来，在燃气轮机发电机组、煤电机组、风机机组等发电设备智能预警建模中得到了广泛的应用。

非线性状态评估算法通过对比当前数据与历史数据的相似程度(即监测这些多维信号之间的相似度)，进行***运行状态预测报警。但是在实施过程中，一方面，由于非线性状态评估算法本身限制，历史数据量太大会导致历史数据训练过程太慢，甚至无法算出结果；另一方面，在历史数据量一定的情况下，很难穷举发电设备的所有边界环境条件和工况条件。所以，基于非线性评估算法的预警模型仍然存在由于当前数据与历史数据偏差导致的预测残差增大，进而预警模型误报、准确率降低的情况发生。

针对相关技术中，基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种基于算法融合技术的设备状态评估预警方法和***，以至少解决相关技术中，基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题。

第一方面，本申请实施例提供了一种基于算法融合技术的设备状态评估预警方法：基于设备正常运行时在不同时刻下的多个相互关联的变量，组成模式矩阵、补偿矩阵和补偿观测向量；根据相似性算子、所述模式矩阵和所述补偿矩阵，确定相似系数矩阵，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量；利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型；

所述方法包括：

确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量；根据相似性算子、所述模式矩阵和所述当前观测向量，确定当前相似系数向量；

输入所述当前相似系数向量至预设的所述残差预测模型，得到当前残差预测向量；根据所述初始预测向量、所述当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

在其中一些实施例中，所述组成模式矩阵、补偿矩阵和补偿观测向量，过程包括：

由任意时刻观测到的多个相互关联的变量，组成所述时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和所述补偿观测向量；所述模式观测向量、所述补偿观测向量对应组成模式矩阵和补偿矩阵。

在其中一些实施例中，所述利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型，过程包括：

输入所述相似系数矩阵中的每个向量至机器学习算法中，并训练所述算法输出的残差预测向量逐渐逼近所述补偿残差向量，得到所述残差预测模型。

在其中一些实施例中，所述确定最终预测向量，以确定是否触发设备故障报警，过程包括：

确定所述最终预测向量，根据所述最终预测向量和所述当前观测向量，确定偏差数据向量，在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下，触发关于所述参数的设备故障报警。

在其中一些实施例中，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量，过程包括：

根据非线性评估算法、模式矩阵和补偿观测向量，确定所述补偿观测向量对应的补偿预测向量；根据所述补偿观测向量、所述补偿预测向量，确定所述补偿残差向量。

在其中一些实施例中，确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量，过程包括：

获取当前时刻的数据，确定当前观测向量；根据非线性评估算法、所述模式矩阵和所述当前观测向量，确定所述当前观测向量对应的初始预测向量。

第二方面，本申请实施例提供了一种基于算法融合技术的设备状态评估预警***，所述***包括：

预设模块，用于基于设备正常运行时在不同时刻下的多个相互关联的变量，组成模式矩阵、补偿矩阵和补偿观测向量；根据相似性算子、所述模式矩阵和所述补偿矩阵，确定相似系数矩阵，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量；利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型；

初始确定模块，用于确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量；根据相似性算子、所述模式矩阵和所述当前观测向量，确定当前相似系数向量；

最终确定模块，用于输入所述当前相似系数向量至预设的所述残差预测模型，得到当前残差预测向量；根据所述初始预测向量、所述当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

在其中一些实施例中，在所述预设模块中，所述组成模式矩阵、补偿矩阵和补偿观测向量，过程包括：

由任意时刻观测到的多个相互关联的变量，组成所述时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和所述补偿观测向量；所述模式观测向量、所述补偿观测向量对应组成模式矩阵和补偿矩阵。

第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述一种基于算法融合技术的设备状态评估预警方法。

第四方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述一种基于算法融合技术的设备状态评估预警方法。

相比于相关技术中基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，本申请实施例通过引入相似系数矩阵，利用如神经网络等机器学习算法，对不同相似系数下基于非线性状态评估算法的模型残差进行预测，基于预测值对实际预测数据进行残差补偿，从而有效减小预测值与实际值的偏差，提高预警的准确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例的训练得到残差预测模型的示意图；

图2是根据本申请第一实施例的训练BP神经网络的示意图；

图3是根据本申请第一实施例的一种基于算法融合技术的设备状态评估预警方法的示意图；

图4是根据本申请第二实施例的一种基于算法融合技术的设备状态评估预警方法的示意图；

图5是根据本申请第三实施例的一种基于算法融合技术的设备状态评估预警方法的示意图；

图6是根据本申请第四实施例的一种基于算法融合技术的设备状态评估预警***的结构框图；

图7是根据本申请实施例的电子设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本申请提供了一种基于算法融合技术的设备状态评估预警方法，在该方法执行前，需要预先训练得到残差预测模型，图1是根据本申请第一实施例的训练得到残差预测模型的示意图，如图1所示，该流程包括如下步骤：

步骤S101，由任意时刻观测到的多个相互关联的变量，组成该时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和补偿观测向量，该模式观测向量、补偿观测向量对应组成模式矩阵和补偿矩阵；

例如，假设某一预警模型包含n个相互关联的变量，设在某一时刻i，观测到的n个变量记为i时刻观测向量X(i)，即：

X(i)＝[X₁(i)，X₂(i)，…，X_n(i)]^T

假设有n个关联测点，有m+k个不同时刻正常运行状态的历史观测向量，将其分为m个不同时刻(记为时刻1，时刻2，…，时刻m)正常运行状态的历史观测向量组成的模式矩阵D和k个不同时刻(记为时刻m+1，时刻m+2，…，时刻m+k)，正常运行状态的历史观测向量组成的补偿矩阵E，即：

当前时刻数据向量记为X(obs)，即：

X(obs)＝[X₁(obs)，X₂(obs)，......，X_n(obs)]^T

步骤S102，根据相似性算子、该模式矩阵和该补偿矩阵，确定相似系数矩阵，根据非线性评估算法、该模式矩阵和该补偿观测向量，确定补偿残差向量；输入该相似系数矩阵中的每个向量至机器学习算法中，并训练该算法输出的残差预测向量逐渐逼近该补偿残差向量，得到残差预测模型；其中，该机器学习预测算法包括但不限于是BP神经网络算法；

例如，相似系数矩阵表征补偿矩阵E中各时刻n维向量数据与历史矩阵D中各时刻n维向量数据相似程度，记为S，即：

式中

为相似性算子，以n维行向量O和n维列向量P为例：

补偿矩阵E中k个时刻数据向量X(m+j)，其中：

j＝1，2，…，k，

将j的各个取值分别代入下式，得到对应的预测数据向量Y(m+j)，即：

补偿矩阵E中数据向量X(m+j)对应的残差向量记为R(m+j)，即：

R(m+j)＝X(m+j)-Y(m+j)＝[R₁(m+j)，R₂(m+j)，…，R_n(m+j)]^T

补偿矩阵E中k个时刻数据向量对应的残差矩阵记为R，即：

在其中一些实施例中，图2是根据本申请第一实施例的训练BP神经网络的示意图，如图2所示，该BP神经网络包括输入层、隐藏层和输出层，以相似系数矩阵中相似系数向量为输入，残差矩阵中残差向量为输出，构建BP神经网络残差预测模型，在模型训练过程中，BP神经网络的输入层的输入为相似系数向量：

S(h)＝[S_1h，S_2h，…，S_mh]^T，h＝1，2，…，k

输出层为预测残差向量：

R′(m+h)＝[R′₁(m+h)，R′₂(m+h)，…，R′_n(m+h)]^T

训练时令BP神经网络残差预测模型输出值R′(m+h)无限逼近满足：

R′(m+h)＝[R′₁(m+h)，R′₂(m+h)，…，R′_n(m+h)]^T＝R(m+h)＝[R₁(m+h)，R₂(m+h)，…，R_n(m+h)]^T

即通过误差Δ＝R′(m+h)-R(m+h)调整所述神经网络的方向，当误差Δ趋近于0时则完成神经网络的训练，由此得到训练后的BP神经网络残差预测模型。

本申请提供了一种基于算法融合技术的设备状态评估预警方法，在残差预测模型训练完成的基础上，图3是根据本申请第一实施例的一种基于算法融合技术的设备状态评估预警方法的示意图，如图3所示，该流程包括如下步骤：

步骤S301，确定当前观测向量，以及确定该当前观测向量对应的初始预测向量；根据相似性算子、该模式矩阵和该当前观测向量，确定相似系数向量；

例如，基于模式矩阵D和当前数据X(obs)的设备状态初步预测数据向量记为X′(est)，即：

当前数据向量X(obs)相似系数向量记为S(obs)，即：

将S(obs)作为训练后的BP神经网络残差预测模型输入，得到模型输出残差预测向量为R′(obs)，即：

R′(obs)＝[R′₁(obs)，R′₂(obs)，…，R′_n(obs)]^T

步骤S302，输入该相似系数向量至预设的该残差预测模型，得到当前残差预测向量；根据该初始预测向量、该当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警；

例如，基于设备状态初始预测向量X′(est)和残差预测向量R′(obs)，得到最终预测数据向量，记为X(est)，即：

X(est)＝X′(est)+R′(obs)＝[X′₁(est)+R′₁(obs)，X′₂(est)+R′₂(obs)，…，X′_n(est)+R′_n(obs)]^T

根据该当前观测向量、该最终预测数据向量，确定偏差数据向量；在该偏差数据向量中的任意参数的数值超出对应阈值的情况下，触发关于该参数的设备故障报警，最终偏差数据向量为：

X_dif＝X(est)-X(obs)＝[X₁(dif)，X₂(dif)，......，X_n(dif)]^T

假设n维参数的残差阈值向量为ε，即：

ε＝[ε₁，ε₂，……，ε_n]^T

当X_dif中任一参数|X_f(dif)|＞|ε_f|时，此参数触发报警。

通过上述步骤S301至S302，相对于相关技术中基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，本申请实施例通过引入相似系数矩阵，利用如神经网络等机器学习算法，对不同相似系数下基于非线性状态评估算法的模型残差进行预测，基于预测值对实际预测数据进行残差补偿，有效解决了单一非线性状态评估算法预警模型中由于当前数据与历史数据偏差导致的预测残差增大、进而产生误报的情况，与优化前相比，有效减小预测值与实际值的偏差，使设备故障预警的准确率获得显著提高。

在其中一些实施例中，图4是根据本申请第二实施例的一种基于算法融合技术的设备状态评估预警方法的示意图，如图4所示，该流程包括如下步骤：

步骤S401，获取模式矩阵和补偿矩阵：标记任意时刻观测到的多个变量为该时刻的观测向量，多个该变量相互关联；将多时刻历史观测向量分成两部分，分别形成模式矩阵和补偿矩阵；

步骤S402，获取相似系数矩阵和残差矩阵：基于模式矩阵和补偿矩阵，利用相似性算子生成相似系数矩阵，基于非线性状态评估算法生成预测数据向量，进而生成残差矩阵；

步骤S403，神经网络残差预测模型构建：以相似系数矩阵中相似系数向量为输入，残差矩阵中残差向量为输出进行模型训练，构建BP神经网络残差预测模型；

步骤S404，获取当前时刻数据向量：确定当前观测数据向量，其中，标记任意时刻观测到的多个变量为该时刻的观测向量，多个该变量相互关联；

步骤S405，设备状态初始预测向量生成：基于当前数据向量和模式矩阵，根据非线性状态评估算法生成初始预测数据向量；

步骤S406，残差预测：基于当前数据向量和模式矩阵生成当前相似系数向量，带入BP神经网络残差预测模型输入层，获得模型输出，即基于BP神经网络算法的残差预测数据向量；

步骤S407，最终预测数据生成和状态判别：基于设备状态初始预测向量和BP神经网络算法残差预测数据向量生成最终预测数据，并根据参数残差阈值判别是否触发预警。

在其中一些实施例中，图5是根据本申请第三实施例的一种基于算法融合技术的设备状态评估预警方法的示意图，如图5所示，该流程包括如下步骤：

步骤S501，获取模式矩阵和补偿矩阵，基于模式矩阵和补偿矩阵，利用相似性算子生成相似系数矩阵，基于非线性状态评估算法生成预测数据向量，进而生成残差矩阵；

步骤S502，以相似系数矩阵中相似系数向量为输入，残差矩阵中残差向量为输出进行模型训练，构建BP神经网络残差预测模型；

步骤S503，获取当前时刻数据向量，基于当前数据向量和模式矩阵，根据非线性状态评估算法生成初始预测数据向量，基于当前数据向量和模式矩阵生成当前相似系数向量，带入当前相似系数向量至BP神经网络残差预测模型输入层，获得残差预测数据向量；

步骤S504，基于设备状态初始预测向量和残差预测数据向量生成最终预测数据，并根据参数残差阈值判别是否触发预警。

本实施例还提供了一种基于算法融合技术的设备状态评估预警***，图6是根据本申请第四实施例的一种基于算法融合技术的设备状态评估预警***的结构框图，如图6所示，该***包括第一预设模块601、第二预设模块602、初始确定模块603，以及最终确定模块604，其中：

第一预设模块601用于由任意时刻观测到的多个相互关联的变量，组成该时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和补偿观测向量，该模式观测向量、补偿观测向量对应组成模式矩阵和补偿矩阵；

第二预设模块602用于根据相似性算子、模式矩阵和补偿矩阵，确定相似系数矩阵，根据非线性评估算法、该模式矩阵和该补偿观测向量，确定补偿残差向量；输入该相似系数矩阵中的每个向量至机器学习算法中，并训练该算法输出的残差预测向量逐渐逼近该补偿残差向量，得到残差预测模型；

初始确定模块603用于确定当前观测向量，以及确定该当前观测向量对应的初始预测向量；根据相似性算子、该模式矩阵和该当前观测向量，确定相似系数向量；

最终确定模块604用于输入该相似系数向量至该残差预测模型，得到当前残差预测向量；根据该初始预测向量、该当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

在其中一些实施例中，在该最终确定模块604中，该确定最终预测向量，以确定是否触发设备故障报警，过程包括：

确定该最终预测向量，根据该最终预测向量和该当前观测向量，确定偏差数据向量，在该偏差数据向量中的任意参数的数值超出对应阈值的情况下，触发关于该参数的设备故障报警。

在其中一些实施例中，在该第二预设模块602中，该根据非线性评估算法、该模式矩阵和该补偿观测向量，确定补偿残差向量，过程包括：

根据非线性评估算法、模式矩阵和补偿观测向量，确定该补偿观测向量对应的补偿预测向量；根据该补偿观测向量、该补偿预测向量，确定该补偿残差向量。

在其中一些实施例中，在该初始确定模块603中，确定当前观测向量，以及确定该当前观测向量对应的初始预测向量，过程包括：

获取当前时刻的数据，确定当前观测向量；根据非线性评估算法、该模式矩阵和该当前观测向量，确定该当前观测向量对应的初始预测向量。

结合上述实施例中的一种基于算法融合技术的设备状态评估预警方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于算法融合技术的设备状态评估预警方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于算法融合技术的设备状态评估预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，图7是根据本申请实施例的电子设备的内部结构示意图，如图7所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作***、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作***和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种基于算法融合技术的设备状态评估预警方法，数据库用于存储数据。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本领域的技术人员应该明白，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于算法融合技术的设备状态评估预警方法，其特征在于：

基于设备正常运行时在不同时刻下的多个相互关联的变量，组成模式矩阵、补偿矩阵和补偿观测向量；根据相似性算子、所述模式矩阵和所述补偿矩阵，确定相似系数矩阵，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量；利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型；

所述方法包括：

确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量；根据相似性算子、所述模式矩阵和所述当前观测向量，确定当前相似系数向量；

输入所述当前相似系数向量至预设的所述残差预测模型，得到当前残差预测向量；根据所述初始预测向量、所述当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

2.根据权利要求1所述的方法，其特征在于，所述组成模式矩阵、补偿矩阵和补偿观测向量，过程包括：

由任意时刻观测到的多个相互关联的变量，组成所述时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和所述补偿观测向量；所述模式观测向量、所述补偿观测向量对应组成模式矩阵和补偿矩阵。

3.根据权利要求1所述的方法，其特征在于，所述利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型，过程包括：

输入所述相似系数矩阵中的每个向量至机器学习算法中，并训练所述算法输出的残差预测向量逐渐逼近所述补偿残差向量，得到所述残差预测模型。

4.根据权利要求1所述的方法，其特征在于，所述确定最终预测向量，以确定是否触发设备故障报警，过程包括：

确定所述最终预测向量，根据所述最终预测向量和所述当前观测向量，确定偏差数据向量，在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下，触发关于所述参数的设备故障报警。

5.根据权利要求1所述的方法，其特征在于，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量，过程包括：

根据非线性评估算法、模式矩阵和补偿观测向量，确定所述补偿观测向量对应的补偿预测向量；根据所述补偿观测向量、所述补偿预测向量，确定所述补偿残差向量。

6.根据权利要求1所述的方法，其特征在于，确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量，过程包括：

获取当前时刻的数据，确定当前观测向量；根据非线性评估算法、所述模式矩阵和所述当前观测向量，确定所述当前观测向量对应的初始预测向量。

7.一种基于算法融合技术的设备状态评估预警***，其特征在于，所述***包括：

预设模块，用于基于设备正常运行时在不同时刻下的多个相互关联的变量，组成模式矩阵、补偿矩阵和补偿观测向量；根据相似性算子、所述模式矩阵和所述补偿矩阵，确定相似系数矩阵，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量；利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型；

初始确定模块，用于确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量；根据相似性算子、所述模式矩阵和所述当前观测向量，确定当前相似系数向量；

最终确定模块，用于输入所述当前相似系数向量至预设的所述残差预测模型，得到当前残差预测向量；根据所述初始预测向量、所述当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

8.根据权利要求7所述的***，其特征在于，在所述预设模块中，所述组成模式矩阵、补偿矩阵和补偿观测向量，过程包括：

由任意时刻观测到的多个相互关联的变量，组成所述时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和所述补偿观测向量；所述模式观测向量、所述补偿观测向量对应组成模式矩阵和补偿矩阵。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的一种基于算法融合技术的设备状态评估预警方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的一种基于算法融合技术的设备状态评估预警方法。

Images