[发明专利]一种基于GMM与EM算法的设备参数劣化实时预警方法

说明书

本发明公开了一种基于GMM与EM算法的设备参数劣化实时预警方法，包括步骤如下：S1，采集设备的运行参数数据，并划分为训练集和验证集；S2,在训练集上采用GMM算法对设备的正常运行模式建立GMM模型；S3,根据GMM模型，建立关于设备观测值的概率生成模型；S4,根据设备观测值，利用步骤S3构建的概率生成模型计算该设备正常状态估计值；S5,计算验证集上的设备观测值和正常状态估计值之间的残差，并根据设定残差阈值进行设备参数劣化的检测与预警。本发明能有效地学习设备的正常模式，有更强地解释性和实用性；与领域专家的知识更紧密的结合，能够有效应对工业设备参数劣化复杂多变的场景。

技术领域

本发明涉及设备参数劣化实时预警方法，尤其涉及一种基于GMM与EM算法的设备参数劣化实时预警方法。

背景技术

随着工业物联网技术的快速发展，越来越多的工业设备通过各种传感器接入物联网，工业设备的运行状态能够充分的反应在传感器数据中。利用设备的传感器数据，对设备的正常运行模型进行建模和学习，进行实时监测能够尽早发现设备参数的劣化状态，对设备的安全运行具有重要意义。

目前大多数工业设备参数劣化预警的方法包括：使用设备机理模型、神经网络回归预测、孤立森林算法、基于距离和基于密度等方法，这些方法对样本数据要求高、难以高效地学习数据的正常模式、缺乏灵活性、无法有效利用领域知识的利用，使得其难以适应复杂多变的工业场景。

发明内容

发明目的：本发明的目的是提供一种能有效应对工业设备参数劣化复杂多变场景且移植性高的基于GMM与EM算法的设备参数劣化实时预警方法。

技术方案：本发明的设备参数劣化实时预警方法，包括步骤如下：

S1，采集设备的运行参数数据，并划分为训练集和验证集；

S2,在训练集上采用GMM算法对设备的正常运行模式建立GMM模型；

S3,根据GMM模型，建立关于设备观测值的概率生成模型；

S4,根据设备观测值，利用步骤S3构建的概率生成模型和结合EM算法，计算该设备正常状态估计值；

S5,计算验证集上的设备观测值和正常状态估计值之间的残差，并根据设定残差阈值进行设备参数劣化的检测与预警。

进一步，步骤S1中，所述设备的运行参数数据，包括设备处于正常运行状态、各工况下，各个运行参数的历史值。

进一步，步骤S2中，建立GMM模型的具体实现步骤包括：

S21,采用GMM算法对正常样本的数据分布进行建模，密度函数为：

其中，为正态分布函数，S为组件个数，p_k为组件k的概率，μ_k和Σ_k分别为组件k的均值向量和协方差矩阵；

S22，使用EM算法估计密度函数的参数p_k，μ_k和Σ_k。

进一步，步骤S3中，所述概率生成模型的实现步骤包括：

S31,假设对于每一个观测值y存在一个生成过程，则当前观测值y是由其对应的潜在正常状态x发生偏移产生的，表达式为：

y＝x+∈

其中，∈为偏移量，服从零均值的高斯分布，并限制其协方差矩阵为对角矩阵Θ；

S32,求出在组件k的条件下观测值y关于其潜在正常状态x的条件概率，在组件k的条件下，正常状态x的概率分布为：