[发明专利]基于递归神经网络（RNN）的对电力生产设备进行预测性维护的方法

说明书

本发明提供了一种基于递归神经网络(RNN)的对电力生产设备进行预测性维护的方法，包括：建立基于Spark的数据建模平台，支持并行化的数据预处理和RNN建模；预定义的RNN结构；支持多种数据输入接口(HDFS，NFS，S3)；数据预处理可以根据用户定义的数据清洗逻辑，将电力生产的燃煤机，泵系统，风机等几个主要功能模块的历史数据进行标准化；迭代式行建模和模型调优，建模过程通过以RNN方式进行数据特征提取并结合用户标记的故障状态进行诊断模型建模，调优过程通过验证数据集检测预判成功率并以用户定义的神经网络修正策略进行RNN重构。上述的技术方案提供一种基于递归神经网络(RNN)电力生产设备的时序数据进行迭代式建模，通过对故障发生模式的识别，为电力生产的运管人员提供故障预判以进行预测性维护。

技术领域

本发明属于涉及信息技术领域，尤其是涉及一种基于RNN的电力生产设备的预测性维护方法。

背景技术

近年来，预测性维护逐渐成为能源生产企业保障生产和提升运营效率的方法。预测性维护是通过在线监测和分析设备运行状态，以期能够在设备性能降低或发生故障前及时预警，为运营人员提出可执行的建议，或给维护人员提出告警，保障潜在的故障设备能够得到及时维护或故障排除。由于与创新维护对设备的状态检测是在线进行的，因此不会影响设备的正常运转。作为一种按需维护的方式，预测性维护可以降低停机时间，提升产能，并且减少不必要的维护成本，提升能源企业的生产效率和资源利用率。

实施预测性维护需要对海量的设备数据进行建模，由于数据所含信息量丰富，进行特征提取需要复杂的机器学习模型。如何选择有效的模型并进行调优是建立有效预测模型的关键。

现有的数据处理和分析框架具有以下劣势：1、缺乏统一的运算框架，不同的机器学习算法框架对数据和计算环境有不同要求，生成的模型很难做到通用化；2、数据样本管理缺乏有效组织，需要根据用户定义进行数据预处理并形成统一的数据格式，便于建模；3、缺乏对电力生产设备维护场景的模型选择和调优的机器学习框架，大部分机器学习建模工作需要手工进行。因此如何建立有效的数据处理和建模与调优过程，是构建电力生产环境下对设备进行预测性维护的急需解决的问题。

发明内容

针对现有的预测性维护技术框架(即数据处理和分析框架)存在的问题，本发明的目的是提供一种高效灵活的基于递归神经网络(RNN)的电力生产设备预测性维护的建模和调优的解决方法，能够针对电力生产设备维护场景进行灵活高效的建模和模型调优，以形成有效的故障模式识别与告警，辅助运管人员进行干预和维护。该建模框架必须选择有效的机器学习方法，能够进行高效的数据预处理，建模运算，以及模型迭代以找到适合应用场景的优化模型。

为实现上述发明目的，本发明提供了一种基于递归神经网络(RNN)的对电力生产设备进行预测性维护的方法，包括：

步骤一，通过用户数据源导入电力生产环境下的各个设备的监控历史数据，数据选取过去2年的记录，以1小时作为时间间隔生成序列化数据样本集；

步骤二，数据预处理，对于递归神经网络的训练，需要归一化数据以保障不同时间点的传感器状态都以token的形式表达。在本项发明中，归一化是将数据映射到[0，n]的区间内，这里n取值为5。对于不同传感器，数据的类型和范围都有不同，因此需要用户自定义的归一化方法来进行数据归一化处理。

步骤三，用于训练的数据样本可以包含多个时序数据，取决于被监控的设备的数量。样本生成过程中需要人工进行故障状态标注，并非所有时序数据都需要标记，对于运行一直正常的设备，无须标记。