[发明专利]基于深度学习的锅炉故障预测方法

权利要求书

1.一种基于深度学习的锅炉故障预测方法，其特征在于：包括如下步骤：

步骤一，数据探索性分析

对某火电厂提供的火电机组正常运行数据和火电机组异常故障期间数据进行分析，数据为DCS系统采集的锅炉炉膛内各处的温度、压力和流量，对两组数据分别添加一列用以标注是否发生故障，正常数据标注为0，异常数据标注为1，将两组数据合并统一进行探索性分析，首先查看数据信息，将原始数据的各列作为特征进行分析，统计每个特征有多少个特征值以及每个特征值的个数，绘制特征分布折线图，观察数据分布特点；

将数据中特征组成特征矩阵X，是否发生故障为特征矩阵Y，计算X与Y之间的协方差和协方差矩阵；，得到各特征与是否发生故障的相关性，并按照从大到小排序，筛选出与是否发生故障相关性高的特征，将相关性高的特征之间进行组合，测试组合特征与是否发生故障的相关性；绘制特征与锅炉故障关系的直方图；

步骤二，数据预处理

采用的数据预处理主要包括以下几个过程；

2.1数据清理

数据清理是通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来“清理“数据；

首先进行缺失值处理，不同数据特征列的数据缺失情况不同，部分列的变量缺失值较，有效值的覆盖率低，与是否故障的相关性低，此时删除该数据；

采用随机森林方法对缺失值少的的特征进行填充，从数据集中从m个特征中随机选择k个特征，，其中k小于等于m，然后根据这k个特征建立决策树，重复n次，这k个特性经过不同随机组合建立起来n棵决策树；对每个决策树都传递随机变量来预测结果，存储所有预测的结果，从n棵决策树中得到n种结果，计算每个预测结果的得票数再选择模式，将得到高票数的预测结果作为随机森林算法的最终预测，将预测值填充到缺失值的位置；

然后对离群点进行处理，采用绝对中位差方法来处理离群点，方法如下：

(1)计算所有数据点的中位数median(X)；

(2)计算每个数据点与中位数的绝对偏差值abs(X-median(x))；

(3)计算(2)中的绝对偏差值的中位数，即MAD＝median(abs(X–median(x)))；

(4)将(2)得到的值除以(3)中的值，得到一组基于MAD的所有观察点的离中心的距离值abs(X–median(X))/MAD；

2.2数据规约

在数据探索性分析阶段，分析了各个特征与锅炉故障之间的相关性，通过删除相关性低的变量实现维度规约；

2.3数据变换

在数据探索分析中看到部分数据呈现在80％的范围内零散分布，在20％的区域内大量聚集的特点，不同时间点的数据的数量级差距大，将这些变量进行Log函数的变换，使得x_new＝logx；

步骤三，锅炉故障预测模型构建

锅炉故障预测模型采用五十三层残差网络构建，网络的输入为特征矩阵X，输出为y；残差网络使用残差连接块构建，残差连接块顺序连接，每个残差连接块中包含两个隐藏层，激活函数为relu函数；该网络输入为数据预处理之后的数据，输出为锅炉发生故障的概率；

对数据预处理之后的数据进行数据划分，随机选取70％的数据作为训练数据，30％的数据作为测试数据；

使用训练数据训练锅炉故障预测模型，使用测试数据对模型进行测试，经过测试本模型在测试数据上的整体分类准确率达到了98.78％；

步骤四，锅炉故障预测

将锅炉运行数据进行预处理，得到10个维度的特征数据，将特征数据的10个维度特征输入锅炉故障预测模型构建的神经网络，网络输出为锅炉故障预测模型对锅炉故障的预测，输出为1则预测锅炉发生故障，输出为0则预测锅炉运行正常。

2.根据权利要求1所述的一种基于深度学习的锅炉故障预测方法，其特征在于：步骤一中所述的将相关性高的特征之间进行组合，其中相关性高是指相关性高于0.4。