D-S证据理论与在线学习的EH油系统健康评分方法及系统与流程
本发明涉及工业设备状态监测与故障诊断,更具体地说涉及一种基于dempster-shafer(d-s)证据理论多信源融合与在线学习自适应调参的eh油系统健康评分方法及系统,适用于汽轮机液压伺服系统的实时智能诊断与健康管理。
背景技术:
1、eh(electro-hydraulic)油系统是汽轮机的核心液压伺服系统,其运行状态直接决定机组的安全稳定。eh油系统包含调节阀、主汽门、供油装置等关键部件,工作条件复杂,故障类型多样,常见故障包括阀门卡涩、伺服阀失灵、油压异常、油质劣化(颗粒度超标、含水率升高)等。
2、现有技术中,eh油系统监测与故障诊断主要存在以下不足:
3、1.油质监测实时性与诊断融合不足:传统基于人工采样化验的eh油质检测法依赖人力去采集油液进行化验。采样频率完全决定于人力采集频率,且化验时间长(通常数小时至数天),化验结果实时性差,无法及时发现油质问题。eh油消耗与采样频率成正比,综合成本高。虽然部分系统已部署在线油质监测设备(如颗粒度传感器、含水率仪),可实时采集颗粒度和含水率数据,但这些数据仅作为独立显示指标输出至hmi或dcs系统,未纳入整体故障诊断框架。具体表现为:油质劣化趋势无法与阀门卡涩、油泵异常等其他故障信号进行联合研判,油质劣化早期无法触发预防性维护;当颗粒度超标和含水率超标同时出现时,系统无法以更高置信度判定复合劣化风险,难以在油质劣化早期阶段提供有效的综合诊断结论。
4、2.范围狭窄:传统eh油系统监测主要关注eh油路状态,缺乏对系统配套设备的监测。当eh油路状态出现较大问题时,往往配套设备已经损坏。无法提前进行设备维护减少损失。对于油路状态判断标准单一,无法实时检测气泡率等参数,容易造成漏判误判。
5、3.单一诊断方法局限性大:传统基于固定阈值的规则告警方法(机理规则法)依赖人工经验设定阈值,无法适应设备老化、工况变化等长期漂移,容易出现误报或漏报。基于统计学或机器学习的异常检测方法虽能捕捉数据模式的偏离,但缺乏对具体故障类型的诊断能力。
6、4.多源信息融合不足:现有系统往往将规则告警和统计异常各自独立处理,缺乏将确定性机理规则与概率性统计预测进行统一融合的机制。当两类信源出现矛盾时(例如规则告警正常但统计异常偏高),系统无法给出合理的综合判断。
7、5.阈值静态、调参成本高:现有系统的告警阈值和健康评分参数多为出厂固定值或人工一次性设定,无法随设备老化、季节变化、维护历史等因素自动调整。在大型电厂中,eh油系统阈值维护需要专业人员反复调试验证,成本高昂。
8、6.缺乏自适应能力:当设备工况发生结构性变化时(例如大修后、更换部件后),现有系统无法自动识别这种分布漂移并重新校准诊断参数,导致诊断准确性持续下降。
9、因此,亟需一种能够融合机理知识与数据驱动预测、具备冲突处理能力、且能够在线自适应调整诊断参数的eh油系统健康评分方法及系统。
技术实现思路
1、为了克服上述现有技术中存在的缺陷,本发明公开了一种基于d-s证据理论与在线学习的eh油系统健康评分方法及系统,以解决现有技术中多源诊断信息无法有效融合、阈值静态导致误报漏报、以及缺乏自适应调参能力等技术问题。
2、为了实现以上目的,本发明采用的技术方案:
3、第一方面,本发明提供了d-s证据理论与在线学习的eh油系统健康评分方法,包括以下步骤:
4、s1、机理引擎通过第一路modbus rtu接口采集eh油系统现场数据,通过第二路modbus rtu接口采集在线油质监测设备数据,包括颗粒度等级和含水率指标,机理引擎基于采集数据和配置化逻辑规则实时执行故障检测并输出告警状态,其中油质类检测采用统计型计数触发方式,设定窗口期内超过告警阈值的采样次数达到预设阈值时输出告警;预测引擎从时序数据库获取历史监测数据,经平稳性检验和协整检验后选择时序预测模型进行多变量预测,对预测残差执行多种互补异常检测算法,加权融合得到综合异常得分;
5、s2、将所述机理引擎输出的告警状态映射为dempster-shafer证据理论框架下的第一基本概率分配函数,将所述预测引擎输出的综合异常得分映射为第二基本概率分配函数;
6、s3、将所述第一基本概率分配函数和第二基本概率分配函数通过dempster正交合成规则进行融合,计算融合后的基本概率分配函数及冲突系数;
7、s4、根据冲突系数的值执行分级冲突管理策略,基于融合后的基本概率分配函数通过pignistic概率转换计算各故障类型的概率,结合严重程度权重计算健康评分;
8、s5、通过低频后台任务周期性执行统计型阈值自适应、数据分布漂移检测和贝叶斯参数优化,自动更新诊断参数。
9、优选的,s1步骤中,所述配置化逻辑规则包括:
10、上升沿触发器和下降沿触发器,用于捕捉信号状态变化;
11、接通延时定时器,用于持续时间的逻辑判断;
12、布尔运算、数值比较和算术运算的组合表达式;
13、对于油质类监测采用统计型计数触发:在预设时间窗口内对超过告警阈值的采样次数进行累加,当窗口期内超过阈值的采样次数达到预设告警计数阈值时输出油质告警。
14、优选的,s1步骤中,所述时序预测模型的级联选择策略为:
15、首先对各监测变量执行增广dickey-fuller平稳性检验;
16、若变量非平稳,则对变量两两执行engle-granger协整检验;
17、若存在协整关系,采用向量误差修正模型vecm建模;
18、若无协整关系,采用向量自回归模型var建模;
19、基于所建模型,通过信息准则选择最优滞后阶数,向前预测得到预测值和基于残差标准差计算的预测区间。
20、优选的,s1步骤中,所述多种互补异常检测算法包括:
21、grubbs统计检验,用于检测单一最显著离群点;
22、基于局部选择分类的lscp异常检测,用于捕捉局部区域的异常模式;
23、基于频谱残差显著性的sra异常检测,用于识别序列中的结构性异常;
24、对各算法分别计算异常比率,加权融合得到综合异常得分。
25、优选的,s2步骤中,告警状态向基本概率分配函数的转换方法包括:
26、统计各故障类型的告警次数,通过配置的映射关系将告警信号映射到故障类型;
27、当油质监测的颗粒度超标和含水率超标两路告警同时触发时,对应的故障类型质量mass值按两路告警累加计算;
28、无告警时,将高置信度质量分配给正常状态,剩余分配给识别框架全集θ表示不确定性;其中,识别框架全集θ定义为所有故障类型与正常状态的集合;
29、有告警时,总置信度按各故障类型的告警次数加权分配,剩余质量分配给识别框架全集θ;
30、归一化确保所有焦元的质量之和为1。
31、优选的,s2步骤中,综合异常得分向基本概率分配函数的转换方法包括:
32、根据综合异常得分相对于预设低阈值和高阈值的位置,选择三种基本概率分配方案之一:
33、低异常区间:高概率质量分配给正常状态,低概率质量分配给故障并集和识别框架全集θ;
34、中异常区间:中等概率质量分配给正常状态,较高概率质量分配给故障并集和识别框架全集θ;
35、高异常区间:低概率质量分配给正常状态,高概率质量分配给故障并集,中等概率质量分配给识别框架全集θ。
36、优选的,s3步骤中,所述正交合成规则为:
37、
38、
39、其中,为融合后的基本概率分配函数;为目标命题;为冲突系数;为交集为a的求和累加;为机理引擎的基本概率分配函数;为机理引擎所支持的命题;为预测引擎的基本概率分配函数;为预测引擎所支持的命题;为交集为空集的求和累加。
40、优选的,s4步骤中,所述分级冲突管理策略包括三级响应:
41、第一级:当冲突系数k小于警告阈值时,直接采用dempster融合结果;
42、第二级:当冲突系数k大于等于警告阈值且小于危急阈值时,触发冲突告警,仍采用dempster融合结果但标记高风险;
43、第三级:当冲突系数k大于等于危急阈值时,dempster融合规则失效,触发回退策略,在机理优先策略、加权平均策略和分别独立输出策略中选择一种执行。
44、优选的,s4步骤中,所述健康评分的计算方法包括:
45、通过pignistic概率转换:,将基本概率分配函数转化为各基本事件的可靠概率;其中,为pignistic 概率;为基本事件;为识别框架中的任意子集;为对所有包含 x 的子集 a 求和;为子集 a 的基本概率分配值;
46、健康评分=基础分值×(1-故障扣分-不确定性扣分);
47、其中,故障扣分=σ betp(故障类型)×严重程度权重;
48、不确定性扣分= m(θ)×不确定性惩罚系数;其中,m(θ)为全集θ的基本概率分配值;
49、其中油液劣化的严重程度权重低于阀门卡涩和油泵异常直接影响机组运行的故障类型的严重程度权重;
50、同时输出故障类型排名,按pignistic概率降序排列。
51、优选的,s5步骤中,所述统计型阈值自适应包括:
52、周期性从时序数据库获取指定窗口期的历史数据;
53、计算数据的均值μ和标准差σ;
54、按公式 newthreshold=μ±k×σ重新计算上阈值和下阈值,其中k为配置的标准差倍数;
55、将上阈值和下阈值与当前阈值比较,变化幅度超过防抖百分比时执行更新;
56、更新结果持久化到缓存和配置文件。
57、优选的,s5步骤中,所述数据分布漂移检测包括:
58、将数据分为参考窗口和测试窗口;
59、对每个监测字段执行ks双样本检验和z-score均值漂移检测;
60、ks双样本检验的p值小于阈值则判定分布形状显著变化;
61、z-score绝对值大于阈值则判定均值显著漂移;
62、任一检验显著即判定发生漂移,联动触发统计型阈值重算;
63、对于油质监测字段,采用更宽松的漂移判定阈值。
64、优选的,s5步骤中,所述贝叶斯参数优化包括:
65、以高斯过程优化框架和ei采集函数搜索最优预测型阈值参数组合;
66、提供两种目标函数:有标签模式利用历史维护记录以加权f1分数为目标函数;无标签代理模式综合评估参数一致性、参数稳定性和报警频率合理性三个分量;
67、优化完成后,对允许自动修改的参数直接应用,对需要人工确认的参数仅提出建议。
68、优选的,所述方法还包括四类阈值分级管理:
69、统计型阈值a:基于滑动窗口统计数据自动计算,允许自动修改;
70、预测型阈值b:由贝叶斯优化调参自动搜索,允许自动修改;
71、机理规则型阈值c:机理引擎逻辑中使用的固定阈值,仅人工维护;
72、安全边界阈值d:安全相关硬性限制,标记为只读,拒绝任何自动修改;
73、每个阈值条目包含名称、类型、当前值、关联字段、方向、标准差倍数、窗口期、最小样本数、防抖百分比、搜索空间、是否允许自动修改和是否需要人工确认元数据。
74、第二方面,本发明还提供了d-s证据理论与在线学习的eh油系统健康评分系统,包括:
75、机理引擎模块,部署于arm64边缘计算设备,通过第一路和第二路modbus rtu接口采集eh油系统数据,包括调节阀位置、油压、油温、振动、液位、颗粒度和含水率信号,通过配置化逻辑规则实时执行故障检测,输出确定性告警状态;
76、预测引擎模块,部署于数据分析服务器,从时序数据库获取历史监测数据,执行时序预测和多种互补异常检测,输出综合异常得分;
77、d-s融合引擎模块,将机理告警和预测异常分别转换为基本概率分配函数,通过dempster正交合成规则进行多信源融合,执行分级冲突管理策略;
78、健康评分模块,基于融合后的基本概率分配函数通过pignistic概率转换计算健康评分和故障排名;
79、在线学习模块,包含统计型阈值自适应子模块、数据分布漂移检测子模块和贝叶斯参数优化子模块,周期性自动更新诊断参数;
80、通信中间件,通过消息队列和缓存数据库实现各模块之间的解耦通信。
81、本发明的有益效果:
82、1.多源信息融合提升诊断准确性:将机理引擎的确定性规则诊断与预测引擎的概率性统计预测通过d-s证据理论统一融合,克服单一方法的局限性,在多个故障类型上实现互补验证。
83、2.冲突检测与智能回退机制:d-s融合内置的冲突系数k可以量化两个信源的矛盾程度,三级冲突管理策略确保在信源矛盾时仍能输出合理的诊断结果,避免因单一信源失准导致的误判。
84、3.在线自适应降低运维成本:统计型阈值自适应、数据漂移检测、贝叶斯优化调参三层在线学习架构,使系统能够自动适应设备老化和工况变化,显著减少人工干预和参数调优工作量。
85、4.边缘侧与云端协同架构:机理引擎部署在arm64边缘设备实现毫秒级实时检测,预测引擎利用统计学习模型提供深度分析,两者通过缓存数据库和mqtt消息总线解耦通信,兼顾实时性和计算能力。
86、5.配置化可扩展:机理引擎的逻辑规则通过配置文件管理,与代码解耦,新增故障类型或调整逻辑时无需修改代码重新编译,降低扩展工程成本。
87、6.油质监测与整体诊断框架深度融合:在线油质监测设备采集的颗粒度和含水率数据不仅作为独立显示指标输出至hmi或dcs系统,同时作为机理引擎的关键输入参与d-s多信源融合。当颗粒度超标和含水率超标同时触发时,系统通过质量mass累加机制以更高置信度判定油液劣化故障,将油质劣化趋势与阀门卡涩、油泵异常等其他故障信号进行联合研判,在油质劣化早期阶段即可触发预防性维护建议。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com