[发明专利]基于递归神经网络（RNN）的对电力生产设备进行预测性维护的方法

摘要

本发明提供了一种基于递归神经网络(RNN)的对电力生产设备进行预测性维护的方法，包括：建立基于Spark的数据建模平台，支持并行化的数据预处理和RNN建模；预定义的RNN结构；支持多种数据输入接口(HDFS，NFS，S3)；数据预处理可以根据用户定义的数据清洗逻辑，将电力生产的燃煤机，泵系统，风机等几个主要功能模块的历史数据进行标准化；迭代式行建模和模型调优，建模过程通过以RNN方式进行数据特征提取并结合用户标记的故障状态进行诊断模型建模，调优过程通过验证数据集检测预判成功率并以用户定义的神经网络修正策略进行RNN重构。上述的技术方案提供一种基于递归神经网络(RNN)电力生产设备的时序数据进行迭代式建模，通过对故障发生模式的识别，为电力生产的运管人员提供故障预判以进行预测性维护。

主权项

1.一种基于递归神经网络(RNN)的对电力生产设备进行预测性维护的方法，包括：步骤一，通过用户数据源导入电力生产环境下的各个设备的监控历史数据，数据选取过去2年的记录，以1小时作为时间间隔生成序列化数据样本集；步骤二，数据预处理，对于递归神经网络的训练，需要归一化数据以保障不同时间点的传感器状态都以token的形式表达。在本项发明中，归一化是将数据映射到[0，n]的区间内，这里n取值为5。对于不同传感器，数据的类型和范围都有不同，因此需要用户自定义的归一化方法来进行数据归一化处理。步骤三，用于训练的数据样本可以包含多个时序数据，取决于被监控的设备的数量。样本生成过程中需要人工进行故障状态标注，并非所有时序数据都需要标记，对于运行一直正常的设备，无须标记。步骤四，本项发明采用RNN，可由多次隐含层构建。本项发明与一般的RNN不同的是允许多组时序数据输入，预设的RNN结构为输入层分为N组，每组100节点，共计100X N节点，2个隐含层，每层256节点，一个M节点输出层，N取决于输入时序数据的个数，M取决于预测错误向量的长度，即需要预测错误状态的设备的数量。以燃煤机、风机和泵的三设备组合为例，有3个时序数据输入，即N＝3，而可以预测错误状态的为燃煤机和泵，因此错误状态向量长度为2，即M＝2。输入层的每一组中的节点分别与隐含层相连。步骤五，模型验证通过验证集来判定是否模型可以通过验证集的输入预判样本中的存在的潜在故障，并计算预测准确率。通过准确率进行模型调优的迭代式过程，逐步选取最有神经网络配置。步骤六，将生成的模型应用于现场的实时数据输入，用来预判潜在的设备异常与故障。