CN109240244A - 基于数据驱动的设备运行状态健康度分析方法及系统 - Google Patents

Abstract

本发明公开了基于数据驱动的设备运行状态健康度分析方法及系统，包括以下步骤：S1：实时监测设备，根据PHM原理P‑F间隔曲线确定适用设备，并采集适用设备测点数据；S2：将采集的测点数据进行处理；S3：建立设备数据关联模型，根据所述设备数据关联模型中数据特征模型建立设备运行框架模型；S4：根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；S5：根据预警结果对其进行诊断和处理。本发明有益效果：不仅能够使动设备异常或故障及时预警，预知将要发生故障的时间和位置，有针对性地进行设备维护维修以及满足工业企业集团级别数据集成要求。

Description

基于数据驱动的设备运行状态健康度分析方法及系统

技术领域

本发明涉及锅炉生产技术领域，具体来说，涉及一种基于数据驱动的设备运行状态健康度分析方法及系统。

背景技术

目前比较成熟的基于大数据的设备异常监测方法主要包括基于机理模型、基于知识的方法和基于简单数据的分析模型，其中，

1)基于机理模型：该方法与控制理论紧密结合，通过设备运行机理建立数学模型来预估系统输出，并将之与实际测量值比较，获得残差；对残差进行分析以确定过程是否发生故障，进一步辨识故障类型，其中，优点：结合物理认识与监控系统，通过分析残差来进行故障预警，易理解；缺点：多数机理模型均为简化的线性系统；实际工业过程中，往往是非线性、自由度较高、多变量耦合的系统；其使用效果并不理想。

2)基于知识的方法：该方法以人的经验知识为基础，定性或定量描述过程中各单元之间的连接关系、故障传播模式等，在设备出现异常征兆后通过推理、演绎等方式模拟过程专家在监测上的推理能力，从而自动完成设备故障预警和监测；其中，优点：当被监控对象较为简单，工艺知识和生产经验较为充足时，使用效果较好；缺点：预警准确度对专家知识的丰富程度和专家知识水平的高低具有很强的依赖性；很多经验很难用一种合理的形式化表达方式进行描述。

3)基于简单数据分析：以设备运行经验和人为的数据权重设定和数据筛选建立设备数学模型和表达过程状态，实现生产过程的有效监测和设备运行的故障预警是基于这样的海量数据；其中，优点：常见的简单的故障预警能被有效监测，解决少部分的故障预警问题；缺点：由于数据样本过少，而设备运行状态非常复杂，结果是故障准确度不高，及预警效率的低下。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于数据驱动的设备运行状态健康度分析方法及系统，能够解决工业企业反复运转或周期性作业的动设备异常或故障预警不及时，无法预知将要发生故障的时间和位置，难以有针对性地进行设备维护维修，以及无法满足工业企业集团级别数据集成要求的技术问题。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于数据驱动的设备运行状态健康度分析方法，包括以下步骤：

S1：实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

S2：将采集的测点数据进行处理；

S3：建立设备数据关联模型，根据所述设备数据关联模型中数据特征模型建立设备运行框架模型；

S4：根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

S5：根据预警结果对其进行诊断和处理。

进一步地，所述步骤S2中将采集的测点数据进行处理具体包括：

S21将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

S22将分类后的测点数据进行归一化处理。

进一步地，所述步骤S22中将归一化处理的测点数据进行数据标准化处理。

进一步地，将所述步骤S3中数据特征模型中模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望。

进一步地，所述步骤S3中设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

进一步地，所述步骤S4中根据运行框架模型进行监测具体包括：

S41将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

S42采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

S43根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。

本发明的另一方面，提供一种基于数据驱动的设备运行状态健康度分析系统，包括：

数据采集模块，用于实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

第一处理模块，用于将采集的测点数据进行处理；

建立设备模块，用于建立设备数据关联模型，根据设备数据关联模型中数据特征模型建立设备运行框架模型；建立设备模块，用于建立设备数据关联模型，根据设备数据关联模型中数据特征模型建立设备运行框架模型，将数据特征模型中模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望；

监测预警模块，用于根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

设备诊断模块，用于根据预警结果对其进行诊断和处理。

进一步地，所述数据处理模块包括：

分类模块，用于将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

第二处理模块，用于将分类后的测点数据进行归一化处理。

进一步地，所述建立设备模块包括计算模块，所述计算模块用于将设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

进一步地，所述监测预警模块包括：

比较模块，用于将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

匹配模块，用于采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

对比模块，用于根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。

本发明的有益效果：

1.不仅能够使动设备异常或故障及时预警，预知将要发生故障的时间和位置，有针对性地进行设备维护维修以及满足工业企业集团级别数据集成要求。

2.结合动设备运行的自身固有特点，详细跟踪设备的运行状态的细微变化和劣化过程；

3.具有科学、直观和全面的潜在故障预警功能；

4.便捷、高效和准确的潜在故障的诊断分析方法；

5.操作简单、使用方便。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的基于数据驱动的设备运行状态健康度分析方法流程图；

图2是根据本发明实施例所述的CBM P-F曲线示意图；

图3是根据本发明实施例所述的基于数据驱动的设备运行状态健康度分析系统示意图；

图4是根据本发明实施例所述的采集测点数据；

图5是根据本发明实施例所述的设备数据关联模型与数据特征模型的示意图；

图6是根据本发明实施例所述的基于数据驱动分析模型框架；

图7是根据本发明实施例所述的氧化风机设备健康度分析趋势图；

图8是根据本发明实施例所述的氧化风机设备测点故障贡献度示意图；

图9是根据本发明实施例所述的氧化风机设备电机电流测点实际值与预测值趋势图；

图10是根据本发明实施例所述的氧化风机设备吸收塔底部液位1测点实际值与预测值趋势图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1和2所示，根据本发明实施例所述的一种基于数据驱动的设备运行状态健康度分析方法，包括以下步骤：

S1：实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

具体的，主要监测旋转类设备和往复运动类设备等工业常见动设备：比如发电厂和化工厂，其中发电厂能够实时监测的设备包括汽轮机、各类泵、各类风机、磨煤机和空预器等；化工厂能够实时监测的设备包括空气压缩机、汽轮机、主泵和通风设备等，根据PHM原理P-F间隔曲线确定适用设备，并采集该设备各监测点历史数据，将其汇总存储；设备测点数据多种多样，以风机为例，采集的设备测点数据包括风机电机电流、风机电机线圈温度、风机介质进出口温度、风机介质进出口压力、风机介质流量、风机轴承温度、风机振动值和风机风门开度，其中，采集要求：以时间为中心，采集设备各测点数据，每个时间点的数据为一组采样值，保证每组采样值中各个测点变量的时间统一，同时，设备所有的采样值必须涵盖不同季节和不同负荷下的运行工况，所以，采样的数据周期以1-2年；采样的时间间隔根据设备运行的不同规律而定；通常，短期负荷不断变化的设备，采样频率(即采样时间间隔)以1-5秒；设备负荷短期内不会频繁变化的设备，采样频率以5-20分钟。

S2：将采集的测点数据进行处理；

具体的，基于数据驱动的基于数据驱动的设备运行状态健康度分析技术需要利用设备自身运行的大量历史数据为基础进行大数据分析，在对设备生产大数据分析之前，首先需对设备海量的历史数据进行复杂处理，以满足大数据分析的要求。

S3：建立设备数据关联模型，根据所述设备数据关联模型中数据特征模型建立设备运行框架模型；

如图5所示，具体的，通过降维、关联和方差等算法建立数据关联模型，剔除对结果影响较小的变量，进一步优化数据特征模型，提高数据特征模型的效率和精度；模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望。

设备数据关联度模型可以分别分析出设备正常运行状态和异常运行状态的关联度，这种分析完全基于设备本身的运行规律，摒弃了传统分析方法中工程师基于设备运行机理分析设备参数间关联关系的方法，通过纯粹的数据分析方法，更容易挖掘出设备参数间复杂的关系，进而学习这种关联关系，更早的发现设备异常。

在设备数据关联度模型基础上，不同条件下的多个数据特征模型最终形成设备运行框架模型，该设备运行框架模型包含该设备的所有运行状态类型，形成“健康状态”集，表现为可定性分析的各个数据集模型，建立运行框架模型的产生，采用K均值方法进行运行框架的粗略分析，为进一步精确计算结果，再次采用基于大数据分析的置信度算法和支持度拟合算法，不断进行优化运行框架，得到符合工程实际的设备运行框架。

建立的设备运行框架模型可进行启用、停用、失效、删除等，失效分析模型的管理。

S4：根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

测点数据为实时数据，实时数据与设备运行框架模型反复比较，采用置信度算法找到符合工程实际的设备运行框架；其中，工程实际的设备运行框架为最佳设备运行框架，然后采用欧式距离算法，计算出所有测点数据与最佳设备运行框架的匹配情况；最后根据挖掘出的设备历史运行规律与当前匹配情况进行对比，分析出设备当前的健康度，将计算出的设备健康度能够通告曲线趋势图展示给操作人员，供操作人员实时掌握设备的健康状态。

若在线监测功能计算出的设备当前健康度与历史健康度发生较大差异时，系统会敏锐的侦查到这些差异，并在超过一定的健康度后发出早期预警，提醒工业企业维修维护工作人员进行计划性停机精密维修、调整作业计划及生产调度。

S5：根据预警结果对其进行诊断和处理。

当发出故障预警信息时，通过大数据分析手段，找到了两种可以应用到工程实践的有效方法，分别是专家诊断或知识库诊断，诊断结果进行查询、统计和导出生产对应的报表，供企业工作人员管理或决策使用，提高企业对设备管理能力和降低维修维护难度；其中，

专家诊断

设备当前的运行情况与符合工程实际的设备运行框架匹配度不高时，设备运行框架模型发出设备故障早期预警信息，然后利用优化的关联规则支持度算法和置信度算法逐条分析设备每个参数与符合工程实际的运行框架的差异性，最终找出引起当前预警的不良参数，并提示给设备运行专家；运行专家基于当前这些不良参数的变化情况，结合自身多年的运行经验，可分析出设备故障预警的原因，其中，如何分析出当前预警的不良参数，特别是隐形的和看似合理的参数，是能否分析出设备故障的关键因素，通过关联规则计算方法，就能找出这些隐形的参数，从而尽可能帮助运行人员分析设备故障原因。

知识库诊断

运行人员分析出每次故障的不良参数及故障原因后，可将这部分经验知识以知识规则的形式填充到故障知识库中；当设备发出故障预警信息后，首先与故障知识库中的故障进行匹配，查找匹配度较高的故障，告知运行人员当前最可能发生的故障。

预警或故障处理

根据诊断结果对设备有针对性地进行计划性维修，维修结果反馈到系统平台消除预警，若设备结构或工况发生变化，则对该设备的运行框架模型重新训练，保证分析模型精确有效。

在本发明的一个具体实施例中，所述步骤S2中将采集的测点数据进行处理具体包括：

S21将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

S22将分类后的测点数据进行归一化处理。

具体的，S21对历史数据进行正常运行状态分析、设备停运状态分析和设备异常状态分析，通过人为设置筛选条件，自动将设备正常运行状态数据、设备停运状态数据和设备异常状态数据进行分类，以便后期建立设备模型进行不同维度的数据分析。

S22将分类后的测点数据进行归一化处理。数据归一化(标准化)处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性问题；原始数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价，采用的归一化方法为常见的Min-Max Scaling，又称为Min-Maxnormalization，公式为：

式中，x：以历史数据为基础的随机变量；z：归一系数。

在本发明的一个具体实施例中，所述步骤S22中将归一化处理的测点数据进行数据标准化处理。

在本发明的一个具体实施例中，将所述步骤S3中数据特征模型中模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望。

在本发明的一个具体实施例中，所述步骤S3中设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

在本发明的一个具体实施例中，所述步骤S4中根据运行框架模型进行监测具体包括：

S41将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

S42采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

S43根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。

根据设备健康度对设备划分不同的运行状态，当设备健康度高于75％时，设备运行状态为绿色，代表设备运行正常；设备健康度低于75％时，设备运行状态变为红色，并持续闪烁，并满足工作人员查询所有监视设备的健康偏离度历史趋势及单个测点实际值、预测值趋势；其中：1)健康度：通过建模所有测点的表征，对设备健康状况的评价结果；2)单个测点的实际值：从现场设备信号点采集到的实际测量值；3)单个测点的预测值：系统根据参数的关联关系对单个测点理想运行区间的预测。

通过设备异常或故障在线监测将检测到的异常或故障以列表或其它形式展示及预警，在预警基础上，通过异常或故障诊断方法分析异常或故障原因，并给出诊断意见，根据诊断意见，操作人员现场处理后填入相应的告警描述、告警原因分析、处理方式，即可将预警处理状态变为已处理，完成异常或故障处理，实现异常或故障处理流程的闭环。

如图3所示，本发明的另一方面，提供一种基于数据驱动的设备运行状态健康度分析系统，包括：

数据采集模块，用于实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

具体的，实时监测设备主要监测旋转类设备和往复运动类设备等工业常见动设备：比如发电厂和化工厂，其中发电厂能够实时监测的设备包括汽轮机、各类泵、各类风机、磨煤机和空预器等；化工厂能够实时监测的设备包括空气压缩机、汽轮机、主泵和通风设备等，根据PHM原理P-F间隔曲线确定适用设备，并采集该设备各监测点历史数据，将其汇总存储；设备测点数据多种多样，以风机为例，采集的设备测点数据包括风机电机电流、风机电机线圈温度、风机介质进出口温度、风机介质进出口压力、风机介质流量、风机轴承温度、风机振动值和风机风门开度，其中，采集要求：以时间为中心，采集设备各测点数据，每个时间点的数据为一组采样值，保证每组采样值中各个测点变量的时间统一，同时，设备所有的采样值必须涵盖不同季节和不同负荷下的运行工况，所以，采样的数据周期以1-2年；采样的时间间隔根据设备运行的不同规律而定；通常，短期负荷不断变化的设备，采样频率(即采样时间间隔)以1-5秒；设备负荷短期内不会频繁变化的设备，采样频率以5-20分钟。

第一处理模块，用于将采集的测点数据进行处理；

具体的，基于数据驱动的基于数据驱动的设备运行状态健康度分析技术需要利用设备自身运行的大量历史数据为基础进行大数据分析，在对设备生产大数据分析之前，首先需对设备海量的历史数据进行复杂处理，以满足大数据分析的要求。

建立设备模块，用于建立设备数据关联模型，根据设备数据关联模型中数据特征模型建立设备运行框架模型；

具体的，通过降维、关联和方差等算法建立数据关联模型，剔除对结果影响较小的变量，进一步优化数据特征模型，提高数据特征模型的效率和精度；模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望。

设备数据关联度模型可以分别分析出设备正常运行状态和异常运行状态的关联度，这种分析完全基于设备本身的运行规律，摒弃了传统分析方法中工程师基于设备运行机理分析设备参数间关联关系的方法，通过纯粹的数据分析方法，更容易挖掘出设备参数间复杂的关系，进而学习这种关联关系，更早的发现设备异常。

在设备数据关联度模型基础上，不同条件下的多个数据特征模型最终形成设备运行框架模型，该设备运行框架模型包含该设备的所有运行状态类型，形成“健康状态”集，表现为可定性分析的各个数据集模型，建立运行框架模型的产生，采用K均值方法进行运行框架的粗略分析，为进一步精确计算结果，再次采用基于大数据分析的置信度算法和支持度拟合算法，不断进行优化运行框架，得到符合工程实际的设备运行框架。

建立的设备运行框架模型可进行启用、停用、失效、删除等，失效分析模型的管理。

监测预警模块，用于根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

具体的，测点数据为实时数据，实时数据与设备运行框架模型反复比较，采用置信度算法找到符合工程实际的设备运行框架；其中，工程实际的设备运行框架为最佳设备运行框架，然后采用欧式距离算法，计算出所有测点数据与最佳设备运行框架的匹配情况；最后根据挖掘出的设备历史运行规律与当前匹配情况进行对比，分析出设备当前的健康度，将计算出的设备健康度能够通告曲线趋势图展示给操作人员，供操作人员实时掌握设备的健康状态。

若在线监测功能计算出的设备当前健康度与历史健康度发生较大差异时，系统会敏锐的侦查到这些差异，并在超过一定的健康度后发出早期预警，提醒工业企业维修维护工作人员进行计划性停机精密维修、调整作业计划及生产调度。

设备诊断模块，用于根据预警结果对其进行诊断和处理。

在本发明的一个具体实施例中，所述数据处理模块包括：

分类模块，用于将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

第二处理模块，用于将分类后的测点数据进行归一化处理。

具体的，S21对历史数据进行正常运行状态分析、设备停运状态分析和设备异常状态分析，通过人为设置筛选条件，自动将设备正常运行状态数据、设备停运状态数据和设备异常状态数据进行分类，以便后期建立设备模型进行不同维度的数据分析。

S22将分类后的测点数据进行归一化处理。数据归一化(标准化)处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性问题；原始数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价，采用的归一化方法为常见的Min-Max Scaling，又称为Min-Maxnormalization，公式为：

式中，x：以历史数据为基础的随机变量；z：归一系数。

在本发明的一个具体实施例中，所述建立设备模块包括计算模块，所述计算模块用于将设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

在本发明的一个具体实施例中，所述监测预警模块包括：

比较模块，用于将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

匹配模块，用于采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

对比模块，用于根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。

具体的，根据设备健康度对设备划分不同的运行状态，当设备健康度高于75％时，设备运行状态为绿色，代表设备运行正常；设备健康度低于75％时，设备运行状态变为红色，并持续闪烁，并满足工作人员查询所有监视设备的健康偏离度历史趋势及单个测点实际值、预测值趋势；其中：1)健康度：通过建模所有测点的表征，对设备健康状况的评价结果；2)单个测点的实际值：从现场设备信号点采集到的实际测量值；3)单个测点的预测值：系统根据参数的关联关系对单个测点理想运行区间的预测。

通过设备异常或故障在线监测将检测到的异常或故障以列表或其它形式展示及预警，在预警基础上，通过异常或故障诊断方法分析异常或故障原因，并给出诊断意见，根据诊断意见，操作人员现场处理后填入相应的告警描述、告警原因分析、处理方式，即可将预警处理状态变为已处理，完成异常或故障处理，实现异常或故障处理流程的闭环。

为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。

在具体使用时，根据本发明所述的基于数据驱动的设备运行状态健康度分析方法，以某电厂为例，该电厂2号机组共建立设备运行状态分析模型20个，实时在线监测2号机组设备运行状态。

2016年11月23日，该电厂2号机组1号氧化风机模型出现预警，以下为详细的预警分析过程。

如图4所示，1.采集该氧化风机如下测点3-12个月的历史数据：

1号送风机出口压力；

1号送风机电机电流；

1号送风机风门位置；

1号送风机轴承温度；

1号送风机线圈温度；

1号送风机左侧入口流量；

1号送风机右侧入口流量；

1号送风机入口温度；

1号送风机出口温度；

如图5所示，2.在历史数据基础上，建立该氧化风机各测点特征模型与关联模型，如图5所示。

如图6所示，3.在该氧化风机各测点特征模型与关联模型基础上，建立该氧化风机运行框架模型；

如图7所示，4.采集该氧化风机各设备实时数据，实时数据在运行框架模型中进行大数据分析，不满足设备运行框架要求则进行健康度预警，当设备健康偏离度高于15且满足预警规则引擎时，系统即发出红色预警信息，从图中可以看出，11月21日开始1号氧化风机模型开始发出红色预警信息，异常或故障管理模块给工作人员发出预警报警信息。

如图8和9所示，5.预警诊断分析及故障排除，步骤如下：

(1)、借助系统分析工具找出导致当前设备模型发生预警的测点，从图8中可以看出，引起当前报警的测点为氧化风机电机电流和吸收塔氧化空气压力；

(2)、查看氧化风机电流和吸收塔氧化空气压力测点的偏差值(偏差值为测点实际值与测点预测值的差值，预测值为根据当前设备运行状态自动计算出的设备正常运行状态值)，氧化风机电流的偏差值图，此偏差值图从图9中看出，吸收塔氧化空气压力的偏差值与氧化风机电流类似，通过偏差值得知，氧化空气压力和氧化风机电流均高于正常值。

分析造成氧化风机模型报警的可能原因有：

氧化风机出口支路有个别管路堵塞

氧化风机进口过滤器需要清洁

氧化风机出口门未全开或者堵塞

吸收塔液位过高

吸收塔密度过高

氧化风机出口消声器可能有杂物堵塞

(3)、通过上述分析，排除部分可能性，以进一步锁定预警原因。

1)查看过去一段时间吸收塔液位曲线趋势，如图10所示：从10月起，吸收塔液位均保持较高水平，而设备运行框架模型从11月末才开始预警，排除吸收塔液位过高引起模型预警的可能。

2)查看过去一段时间吸收塔密度曲线可知吸收塔近期密度与之前相比，处于较低水平，故排除吸收塔密度过高引起模型报警的可能。

3)锁定故障，设备定期轮换时，2号氧化风机运行，1号氧化风机停止，但是2号氧化风机模型产生同样的预警信息，表明1、2号氧化风机模型预警的原因为公用部分故障，故锁定预警原因为氧化风机出口支路有个别管路堵塞。

6.故障处理

2016年12月4日上午，通过系统预警信息，脱硫人员现场检修反馈结果为氧化风机出口支路某管路堵塞，与预测一致。至2016年12月5日上午，现场处理完毕，设备恢复正常运行工况，设备运行框架模型报警消失，在异常或故障管理模块中提交处理信息，完成故障处理流程闭环。

综上所述，借助于本发明的上述技术方案，不仅能够使动设备异常或故障及时预警，预知将要发生故障的时间和位置，有针对性地进行设备维护维修以及满足工业企业集团级别数据集成要求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数据驱动的设备运行状态健康度分析方法，其特征在于，包括以下步骤：

S1：实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

S2：将采集的测点数据进行处理；

S3：建立设备数据关联模型，根据所述设备数据关联模型中数据特征模型建立设备运行框架模型；

S4：根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

S5：根据预警结果对其进行诊断和处理。

2.根据权利要求1所述的基于数据驱动的设备运行状态健康度分析方法，其特征在于，所述步骤S2中将采集的测点数据进行处理具体包括：

S21 将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

S22 将分类后的测点数据进行归一化处理。

3.根据权利要求2所述的基于数据驱动的设备运行状态健康度分析方法，其特征在于，所述步骤S22中将归一化处理的测点数据进行数据标准化处理。

4.根据权利要求1所述的基于数据驱动的设备运行状态健康度分析方法，其特征在于，将所述步骤S3中数据特征模型中模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望。

5.根据权利要求1所述的基于数据驱动的设备运行状态健康度分析方法，其特征在于，所述步骤S3中设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

6.根据权利要求5所述的基于数据驱动的设备运行状态健康度分析方法，其特征在于，所述步骤S4中根据运行框架模型进行监测具体包括：

S41 将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

S42 采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

S43 根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。

7.一种基于数据驱动的设备运行状态健康度分析系统，其特征在于，包括：

数据采集模块，用于实时监测设备，根据PHM原理P-F间隔曲线确定适用设备，并采集适用设备测点数据；

第一处理模块，用于将采集的测点数据进行处理；

建立设备模块，用于建立设备数据关联模型，根据设备数据关联模型中数据特征模型建立设备运行框架模型，将数据特征模型中模型结果与测量值误差满足均值为σ的高斯分布，采用平方和作为误差函数修正设备数据关联度模型如下：

式中，x：以历史数据为基础的随机变量；y：另一以历史数据为基础的随机变量；σ：标准差；μ：数学期望；

监测预警模块，用于根据设备运行框架模型进行监测，针对监测的异常或故障进行预警；

设备诊断模块，用于根据预警结果对其进行诊断和处理。

8.根据权利要求7所述的基于数据驱动的设备运行状态健康度分析系统，其特征在于，所述数据处理模块包括：

分类模块，用于将测点数据进行分析，通过设置筛选条件将设备数据进行分类；

第二处理模块，用于将分类后的测点数据进行归一化处理。

9.根据权利要求7所述的基于数据驱动的设备运行状态健康度分析系统，其特征在于，所述建立设备模块包括计算模块，所述计算模块用于将设备运行框架模型采用置信度算法和支持度拟合算法进行优化设备运行框架模型，得到符合工程实际的设备运行框架。

10.根据权利要求9所述的基于数据驱动的设备运行状态健康度分析系统，其特征在于，所述监测预警模块包括：

比较模块，用于将测点数据与设备运行框架模型进行反复比较，采用置信度算法找到符合工程实际的运行框架；

匹配模块，用于采用欧式距离算法计算所有测点数据与符合工程实际的设备运行框架的匹配情况；

对比模块，用于根据设备历史运行规律与当前匹配情况进行对比，分析设备当前的健康度，将计算的设备健康度进行展示。