[发明专利]一种基于机器学习的煤炭设备故障预警系统及方法

权利要求书

1.一种基于机器学习的煤炭设备故障预警方法，其特征在于：采集实时数据和获取静态数据；将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；

通过机器学习基础算法、运行环境以及设备层次数据模型，对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；

显示故障预警判断结果；

对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型的过程为：对获取的数据进行预处理、特征分析、参数训练和模型验证处理，形成离线模型，以离线模型作为设备故障预警分析模型，并将建立好的离线模型进行保存；

通过设备故障预警分析模型进行设备故障预警判断的具体过程为：

调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警判断；

对设备进行实时监测和故障预警判断时，在设备同一工况下采用横向分析和纵向分析进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据；

横向分析过程包括如下步骤：

步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性测量点下对应的测量值，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：

式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；

步骤(2)，计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为s_i，元素s_i采用统计学的区间估计理论，s_i为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：

步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值s_i与设备k的特征值s_k之间的距离d_i,k，所有的距离d_i,k构成设备i的距离向量D_i，d_i,k的计算过程如式(3)：

d_i,k＝|s_i-s_k|k＝1,2,3,...m,且i≠k 式(3)

然后对由d_i,k构成设备i的距离向量D_i进行排序，计算设备i的异常度f_i,out，f_i,out如式(4)所示：

将同属性下所有设备异常度的均值f_mean,out作为该分析数组A的异常度判断阈值；

步骤(4)，进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：

f_i,out-f_mean,out＝F_i,out 式(5)

判断时，当F_i,out≥0时，设备i存在异常；相反说明设备i正常；

纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在进行离线建模过程中，确定计算流程和判断阈值；

其中，基于滑动窗口的数据残差度来给出预警信号时，计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号；

基于滑动窗口的增长率给出预警信号时，计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。