CN109524139A - 一种基于设备工况变化的实时设备性能监测方法 - Google Patents

Abstract

本发明属于核电站设备可靠性系统设备性能监测技术领域，具体涉及一种基于设备工况变化的实时设备性能监测方法。本发明目的是对大量设备历史运行数据，通过大数据分析方法，得到能够反映设备状态参数的动态阈值，弥补现有设备参数固定阈值设置的不足。本发明主要包括步骤一：数据采集；步骤二：数据预处理；步骤三：特征提取；步骤四：模块训练；步骤五：迭代优化模型；步骤六：模型应用。本发明通过数学建模，建立对测点变化趋势和未来时刻数值的预测，建立对测点数据变化是否符合过去运行规律的判断，建立数学模型对测点当前数据的符合情况的判断。

Description

一种基于设备工况变化的实时设备性能监测方法

技术领域

本发明属于核电站设备可靠性系统设备性能监测技术领域，具体涉及一种基于设备工况变化的实时设备性能监测方法。

背景技术

核电站设备可靠性管理的重要内容之一就是对核电站的重要关键设备进行设备性能监测，而实时设备性能监测是设备性能监测的最常用的一种方式，实时设备性能监测就是结合设备的故障模式及现象，选取实际能够反映设备状态的参数，如：温度、压力、流量、电压、振动、电流、油位、油质等，通过对其设置相应的报警、预警值(即阈值)，来实现设备的实时监测，监测参数达到或超过阈值，即产生报警，以提醒工程师需要关注、检查该设备的实际状态，确认设备是否存在故障，并根据实际需要采取必要的措施，以防止该设备直接影响电站的正常运行，以免造成电站非计划停机停堆或其他运行后果。

目前实时设备性能监测的阈值设置，一般是由工程师依据运行报警值、相关技术标准、规范等制定，或根据工程师经验确定，采用的是固定阈值设置方式。随着电站机组的运行状态变化，监测参数在机组的各种运行状态的差别较大，不能实际反应设备的实际状态，有时该预/报警的，不能及时产生预/报警，有时无需产生预/报警，反而产生了预/报警，对工程师的工作造成了干扰。为此，根据机组的运行状态，动态变化的阈值对设备实时性能监测就变得特别重要。

发明内容

本发明目的在于提供了一种基于动态阈值的设备实时性能监测方法，对大量设备历史运行数据，通过大数据分析方法，得到能够反映设备状态参数的动态阈值，弥补现有设备参数固定阈值设置的不足，从而对设备各参数进行精准的实时监测，使设备工程师能够精准的确认设备状态，进而精准的进行设备故障诊断。

本发明的技术解决方案是：

1.步骤一：数据采集，包括如下步骤：

第一步：用户通过测点编码、测点名称、仪表号关键词查询实时数据库里的测点，导出测点数据；

第二步：收集设备的历史缺陷信息，设备的历史监测报告；

第三步：对查到的测点进行保存、删除、变换序列等常规操作。

2.步骤二：数据预处理，包括如下步骤：

第一步：进行异常值查找，时间段的包含范围，包括海水温度、环境温度、湿度；采用线性一阶的相关性分析，实现测点的相关性分析和权重的确立，剔除完全无相关性的参数；规则筛选，剔除系统因不确定因素产生的误差；利用趋势筛选，剔除突变、无规律波动、严重偏离工况数据的时间段；定义固定阈值范围，使其完全贴合工况；设置启停规则；

第二步：模型预警效果检测，根据第一步中的(2)步骤，对缺陷信息进行筛选；保留可通过参数变化进行预警判断的信息；提取历史参数，进行模型的模拟检测；根据检测结果来优化调整模型的算法；

第三步：由操作人员根据现场状况和历史记录来确定是否忽略该异常值点，同时操作员根据异常点的状况来进行数据时间间隔调整；若判断异常点由测量仪表故障导致，则对该数据进行删除，并进一步进行数据缺失值自动补充；若判断异常点为设备故障，则提取该异常值点，留待进一步分析处理；

第四步：对上述第三步中异常数据忽略导致的数据缺失值自动补充，根据缺失前后数据实测值，设置自动取最恶劣数据来填充或取平均值来填充功能。

3.步骤三：特征提取，包括如下步骤：

第一步：根据设备的设计资料、监督文档、图纸划定参数范围，在此范围之内进行参数选取，包括设备设计参数、设备安全特性参数、设备运行状态参数；

第二步：通过数据预处理中的步骤(1)，通过参数归一化处理，采取偏差百分比或统一百分比二种方法来完成，来实现权重的确定；操作人员能够对参数权重适当进行调整来验证模型的有效性、正确性；

4.步骤四：模块训练，包括如下步骤：

第一步：针对有历史故障数据的设备，采用基于数据驱动的机器学习和数据挖掘算法进行建模，一旦实际监测数据符合模型报警值，系统自动作出设备故障报警，并根据建模时确定的故障模式自动提示设备故障类型，同时还可根据模型自动预测故障发生的时间，并作出提示；

第二步：对没有历史故障数据的设备，利用历史正常运行数据来进行机器学习建模，该模型是一个正常运行的区间，超出正常运行，则系统自动作出设备异常警示。

5.步骤五：迭代优化模型，包括如下步骤：

第一步：根据模型实际运行过程中产生误报和漏报的缺陷信息，重复数据预处理中的步骤(1)、步骤(3)，执行优化调整模型计算的动态阈值范围，如模型产生误报，重新筛选相似工况下的历史数据的时间段范围，或根据实际情况调整动态阈值范围的上下限；

第二步：根据模型实际运行过程中的预警效果，调整建模参数的范围、数量、权重实现简化模型的效果；

6.步骤六：模型应用，包括如下步骤：

第一步：将大数据分析获得的动态阈值模型投入应用；

第二步：系统自动根据内部配置的时间模型，结合历史故障或异常数据的变化趋势，预测故障发生的时间，形成预测趋势曲线，设备故障报警或异常警示，包括黄色及以上级别，自动形成事件日志、并自动发出邮件和消息提醒。

本发明与现有技术相比有益效果为：

1.设备早期预警：及早发现传统监测手段无法发现的机组隐性异常和机组性能劣化的细微变化。针对设备异常可分解到具体参数，指明参数异常值与历史最优值之间的差距。--趋势组

2.设备性能监测分析：通过实时监测机械密封相关测点的动态阈值，以及对历史最优工况的比对的可视化呈现，让设备性能运行趋势和趋势变化一目了然，同时给出设备未来一段时间的发展趋势。--动态阈值包络线

3.设备趋势预测：指出设备性能裂化拐点，及早发现测点趋势的状态偏离，通过系统计算预测设备具体部位即将失效的时间点。--报警预估

4.设备异常信息跟踪：跟踪异常的发展趋势，通过统计设备异常的关联测点及异常出现的频率形成系统性异常事件。--事件分析

附图说明

图1为一种基于设备工况变化的实时设备性能监测方法流程图

具体实施方式

下面结合附图和具体实施例对一种基于设备工况变化的实时设备性能监测方法进行详细描述：

本发明以秦三厂主泵机械密封的动态阈值计算来说明该技术方案，目标是通过大数据方式挖掘出设备不同运行状态下的个性化阈值，同时对动态阈值进行程度等级设定，为后续在不同运行状态下满足设备性能监测动态管理的要求。通过数学建模，建立对测点变化趋势和未来时刻数值的预测，建立对测点数据变化是否符合过去运行规律的判断，建立数学模型对测点当前数据的符合情况的判断。

一、数据采集：

1.用户通过测点编码、测点名称、仪表号关键词查询实时数据库里的测点，导出测点数据；

2.收集设备的历史缺陷信息，设备的历史监测报告；

3.对查到的测点进行保存、删除、变换序列等常规操作。

二、数据预处理：

1.进行异常值查找，时间段的包含范围，包括海水温度、环境温度、湿度；采用线性一阶的相关性分析，实现测点的相关性分析和权重的确立，剔除完全无相关性的参数；规则筛选，剔除系统因不确定因素产生的误差；利用趋势筛选，剔除突变、无规律波动、严重偏离工况数据的时间段；定义固定阈值范围，使其完全贴合工况；设置启停规则；

其中，测点的相关性分析过程如下：由于协方差特征能够体现两个测点随时间推移的相对变动程度和方向，因此采用协方差数值作为测点相关性判断依据。考虑到不同测点的数据量纲不同，协方差数值将采用两者的方差积进行归一化。故而相关系数有如下特点：1.相关系数数值大小在[0,1]之间，代表了两个测点之间线性相关程度的强弱；2.相关系数符号的正负，代表测点之间相关关系属于正相关还是负相关。相关系数计算公式为：

2.模型预警效果检测，根据第一步中的(2)步骤，对缺陷信息进行筛选；保留可通过参数变化进行预警判断的信息；提取历史参数，进行模型的模拟检测；根据检测结果来优化调整模型的算法；

3.由操作人员根据现场状况和历史记录来确定是否忽略该异常值点，同时操作员根据异常点的状况来进行数据时间间隔调整；若判断异常点由测量仪表故障导致，则对该数据进行删除，并进一步进行数据缺失值自动补充；若判断异常点为设备故障，则提取该异常值点，留待进一步分析处理；

4.由于步骤(2)中异常数据忽略导致的数据缺失值自动补充，根据缺失前后数据实测值，设置自动取最恶劣数据来填充或取平均值来填充功能。

三、特征提取：

1.根据设备的设计资料、监督文档、图纸划定参数范围，在此范围之内进行参数选取，包括设备设计参数、设备安全特性参数、设备运行状态参数；

2.通过数据预处理中的步骤(1)，通过参数归一化处理，采取偏差百分比或统一百分比二种方法来完成，来实现权重的确定；操作人员能够对参数权重适当进行调整来验证模型的有效性、正确性；

四、模块训练：

1.针对有历史故障数据的设备，采用基于数据驱动的机器学习和数据挖掘算法进行建模，一旦实际监测数据符合模型报警值，系统自动作出设备故障报警，并根据建模时确定的故障模式自动提示设备故障类型，同时还可根据模型自动预测故障发生的时间，并作出提示；

2.对没有历史故障数据的设备，利用历史正常运行数据来进行机器学习建模，该模型是一个正常运行的区间，超出正常运行，则系统自动作出设备异常警示。

五、迭代优化模型：

1.根据模型实际运行过程中产生误报和漏报的缺陷信息，重复数据预处理中的步骤(1)、步骤(3)，执行优化调整模型计算的动态阈值范围，如模型产生误报，重新筛选相似工况下的历史数据的时间段范围，或根据实际情况调整动态阈值范围的上下限；

2.根据模型实际运行过程中的预警效果，调整建模参数的范围、数量、权重实现简化模型的效果；

六、模型应用：

将大数据分析获得的动态阈值模型，在中国核电设备可靠性管理系统(ERDB)中的秦三厂8台主泵设备性能监测中进行监测，系统自动根据内部配置的时间模型，结合历史故障或异常数据的变化趋势，预测故障可能发生的时间，并形成预测趋势曲线，设备故障报警或异常警示，包括黄色及以上级别，自动形成事件日志、并自动发出邮件和ERDB消息提醒。

Claims (6)

1.一种基于设备工况变化的实时设备性能监测方法，其特征在于：包括步骤一：数据采集；步骤二：数据预处理；步骤三：特征提取；步骤四：模块训练；步骤五：迭代优化模型；步骤六：模型应用；其中，所述的步骤二：数据预处理，包括如下步骤：

第一步：进行异常值查找，时间段的包含范围，包括海水温度、环境温度、湿度；采用线性一阶的相关性分析，实现测点的相关性分析和权重的确立，剔除完全无相关性的参数；规则筛选，剔除系统因不确定因素产生的误差；利用趋势筛选，剔除突变、无规律波动、严重偏离工况数据的时间段；定义固定阈值范围，使其完全贴合工况；设置启停规则；

第二步：模型预警效果检测，根据第一步中的(2)步骤，对缺陷信息进行筛选；保留可通过参数变化进行预警判断的信息；提取历史参数，进行模型的模拟检测；根据检测结果来优化调整模型的算法；

第三步：由操作人员根据现场状况和历史记录来确定是否忽略该异常值点，同时操作员根据异常点的状况来进行数据时间间隔调整；若判断异常点由测量仪表故障导致，则对该数据进行删除，并进一步进行数据缺失值自动补充；若判断异常点为设备故障，则提取该异常值点，留待进一步分析处理；

第四步：对上述第三步中异常数据忽略导致的数据缺失值自动补充，根据缺失前后数据实测值，设置自动取最恶劣数据来填充或取平均值来填充功能。

2.如权利要求1所述的一种基于设备工况变化的实时设备性能监测方法，其特征在于：所述的步骤一：数据采集，包括如下步骤：

第一步：用户通过测点编码、测点名称、仪表号关键词查询实时数据库里的测点，导出测点数据；

第二步：收集设备的历史缺陷信息，设备的历史监测报告；

第三步：对查到的测点进行保存、删除、变换序列等常规操作。

3.如权利要求1所述的一种基于设备工况变化的实时设备性能监测方法，其特征在于：所述的步骤三：特征提取，包括如下步骤：

第一步：根据设备的设计资料、监督文档、图纸划定参数范围，在此范围之内进行参数选取，包括设备设计参数、设备安全特性参数、设备运行状态参数；

第二步：通过数据预处理中的步骤(1)，通过参数归一化处理，采取偏差百分比或统一百分比二种方法来完成，来实现权重的确定；操作人员能够对参数权重适当进行调整来验证模型的有效性、正确性。

4.如权利要求1所述的一种基于设备工况变化的实时设备性能监测方法，其特征在于：所述的步骤四：模块训练，包括如下步骤：

第一步：针对有历史故障数据的设备，采用基于数据驱动的机器学习和数据挖掘算法进行建模，一旦实际监测数据符合模型报警值，系统自动作出设备故障报警，并根据建模时确定的故障模式自动提示设备故障类型，同时还可根据模型自动预测故障发生的时间，并作出提示；

第二步：对没有历史故障数据的设备，利用历史正常运行数据来进行机器学习建模，该模型是一个正常运行的区间，超出正常运行，则系统自动作出设备异常警示。

5.如权利要求1所述的一种基于设备工况变化的实时设备性能监测方法，其特征在于：所述的步骤五：迭代优化模型，包括如下步骤：第一步：根据模型实际运行过程中产生误报和漏报的缺陷信息，重复数据预处理中的步骤(1)、步骤(3)，执行优化调整模型计算的动态阈值范围，如模型产生误报，重新筛选相似工况下的历史数据的时间段范围，或根据实际情况调整动态阈值范围的上下限；

第二步：根据模型实际运行过程中的预警效果，调整建模参数的范围、数量、权重实现简化模型的效果。

6.如权利要求1所述的一种基于设备工况变化的实时设备性能监测方法，其特征在于：所述的步骤六：模型应用，包括如下步骤：

第一步：将大数据分析获得的动态阈值模型投入应用；

第二步：系统自动根据内部配置的时间模型，结合历史故障或异常数据的变化趋势，预测故障发生的时间，形成预测趋势曲线，设备故障报警或异常警示，包括黄色及以上级别，自动形成事件日志、并自动发出邮件和消息提醒。