[发明专利]基于聚类的设备运行监测方法及系统

说明书

本发明公开了一种基于聚类的设备运行监测方法及系统，涉及设备运行监测技术领域，包括以下步骤：采集设备训练运行时的多个训练数据集，通过相关性分析分别将每个训练数据集分成多个训练数据组，每个训练数据组包含一个主训练数据成分；使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习，聚类生成第一聚类模型，第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域；采集设备实时运行的至少一个监测数据集，该监测数据集的所有主监测数据成分形成一判断点；根据所述判断点和第一聚类模型中各个工况类别区域，判断设备运行是否正常。本发明能准确判断设备的运行状态，提高设备运行安全性。

技术领域

本发明涉及设备运行监测技术领域，具体涉及一种基于聚类的设备运行监测方法及系统。

背景技术

在生产建设中，需要对各种设备的运行状态进行监控，防止出现生产事故。传统的监控手段主要获取生产设备的运行时的某个参数，根据这些运行状态参数，与预设的阈值进行比较，若该参数超过阈值的规定，则判定设备运行异常。

由于设备越来越复杂，这种以设备运行参数与阈值比较的方式往往不能准确的反映设备真实的运行状态。例如某个参数超过了预设的阈值的规定，设备其实仍然是正常的运行状态；或者某个参数没有超过了预设的阈值的规定，设备却已经运行异常。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于聚类的设备运行监测方法及系统，其能准确判断设备的运行状态，提高设备运行的安全性。

为达到以上目的，本发明采取的技术方案是：一种基于聚类的设备运行监测方法，包括以下步骤：

采集设备训练运行时的多个训练数据集，通过相关性分析分别将每个训练数据集分成多个训练数据组，每个训练数据组包含一个主训练数据成分；

使用K均值聚类算法对所述训练数据集的所有主训练数据成分进行训练学习，聚类生成第一聚类模型，每个训练数据集的所有主训练数据成分形成一个点，第一聚类模型将所有训练数据集的所有主训练数据成分形成的点聚类至多个工况类别区域；

采集设备实时运行的至少一个监测数据集，通过相关性分析将该监测数据集分成多个监测数据组，每个监测数据组包括一个主监测数据成分，该监测数据集的所有主监测数据成分形成一判断点；

根据所述判断点和第一聚类模型中各个工况类别区域，判断设备运行是否正常。

在上述技术方案的基础上，根据所述判断点和第一聚类模型中各个工况类别区域，判断设备运行是否正常，包括以下步骤：

每种工况类别区域包括正常运行区域和异常运行区域，若所述判断点落入第一聚类模型中的一种工况类别的正常运行区域，则设备运行正常；

若所述判断点未落入第一聚类模型中所有工况类别区域或者落入第一聚类模型中一种工况类别的异常运行区域，则设备运行异常。

在上述技术方案的基础上，还包括以下步骤：

基于离散时间马尔科夫链DIMC，对第一聚类模型中各个工况类别之间相互转换的概率进行计算，根据计算结果生成工况转换模型。

在上述技术方案的基础上，还包括以下步骤：

采集设备实时运行的连续两个监测数据集，若该两个监测数据集对应的判断点分别落入第一聚类模型中两种工况类别的正常运行区域，查询工况转换模型中记录的对应于该两种工况类别发生转换的概率，若概率低于预设的阈值，则设备运行异常；反之，则设备运行正常。

在上述技术方案的基础上，还包括以下步骤：

每个训练数据集的每个训练数据组包括一个主训练数据成分、或者一个主训练数据成分和至少一个次训练数据成分；