[发明专利]一种水泥厂离心风机设备异常检测方法

说明书

本发明公开了水泥厂离心风机设备异常检测方法，其特征在于：包括下列步骤：步骤一、采集数据；步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值步骤；四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具体情况有更好地了解。

技术领域

本发明属于智能检测技术领域，具体涉及一种水泥厂离心风机设备异常检测方法。

背景技术

在水泥行业中，离心风机是生产环节中必不可少的关键设备，例如篦冷机风机群、窑头排风机、窑尾排风机、高温风机、选粉机等，风机的稳定决定了整条生产线的稳定运行。因此需要定期对各个风机进行点检和监控，确保风机的稳定运行，争取第一时间发现风机运行问题与隐患。

现有技术存在下列缺陷和不足。

1.现场人工点检与巡检：水泥厂风机设备采用人工方式进行现场设备的点检与巡检，针对重要的风机设备，点巡检频率更高，需要投入大量的人员力量，并且会增加现场的安全隐患。同时依靠人工的检查难以实时发现风机设备内部问题，很多故障异常表现不直观，难以靠人工发现。

2.中控室监控设备信号：水泥厂中控室进行全厂设备的联动控制与状态监控，但其监控量较少，仅仅采集风机设备的电流、频率、风压与转速，依靠这些参数难以进行风机设备的全方位监测，也没有相匹配的报警策略，仅仅针对单个参数的异常进行报警，不能正确全面地评估风机的运行状态。

发明内容

本发明的目的是提供水泥厂离心风机设备异常检测方法用于解决现有技术中只能对风机的单个参数进行异常判断，无法对风机设备进行全方位监测并采用相匹配的报警策略，因此不能正确全面地评估风机的运行状态的技术问题。

所述的一种水泥厂离心风机设备异常检测方法，包括下列步骤：

步骤一、采集数据；

步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；

步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；

步骤四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。

优选的，所述步骤三具体包括：

数据预处理，将数据集标准化转换后分割为序列；

模型训练，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分；

训练中进行阈值计算，在离线训练期间，使用N个观测的多元时间序列，为每个观测计算一个异常评估分数，那么所有异常得分形成一个单变量时间序列{S1，S2，…，SN}，然后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。

优选的，所述步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值，本方法将GPD函数调整为：

其中th为初始异常得分阈值，γ和β分别是广义帕累托分布的特征参数与尺度参数，S是单变量时间序列{S1，S2，…，SN}的任意值，阈值th以下的部分记为th-S；s是可以设定的异常差值，th-S的结果大于我们设定的异常差值s，计算概率P；

然后用极大似然估计和的值，然后计算最终的异常阈值，算式如下：