一种融合动态增量学习的工业设备能效自适应识别方法与流程

摘要: 本发明属于工业设备能效识别,具体涉及一种融合动态增量学习的工业设备能效自适应识别方法。背景技术:1、目前,在新型电力系统建设与制造业绿色转型的双重背景下,工业企...
一种融合动态增量学习的工业设备能效自适应识别方法与流程

本发明属于工业设备能效识别,具体涉及一种融合动态增量学习的工业设备能效自适应识别方法。

背景技术:

1、目前,在新型电力系统建设与制造业绿色转型的双重背景下,工业企业对设备精细化能效管控、可调负荷柔性调控需求持续提升,其中精准识别单台设备实时能效状态,定位低效运行工况,是实现工业节能、需求响应、资源优化配置的核心基础;然而,现阶段工业设备能效识别方案存在较多的不足,具体为:1、特征维度单一,设备状态刻画不完整,当设备处于变负载、间歇性生产工况时,能效识别准确度大幅下降;2、识别模型泛化与自适应能力不足,当企业新增生产设备、原有设备老化、加工工艺调整后,设备能耗特征发生偏移,模型则会出现性能退化;3、能效评估粒度粗糙,仅能实现厂区整体能耗统计,无法定位单台设备短时低效区间,节能潜力无法精准量化;因此,为解决上述问题,开发一种可融合多源数据且自适应能力强、精准高效的工业设备能效自适应识别方法很有必要。

技术实现思路

1、本发明的目的是为了克服现有技术的不足,而提供一种可融合多源数据且自适应能力强、精准高效的工业设备能效自适应识别方法。

2、本发明的目的是这样实现的:一种融合动态增量学习的工业设备能效自适应识别方法,包括以下步骤:

3、步骤1:通过部署于工业设备中的多类型传感器、plc控制器以及mes系统接口,对工业设备稳态电气参量、启停暂态波形数据、车间环境传感数据、企业生产业务日志进行实时采集,从而形成原始多源异构数据;

4、步骤2:采用扩展卡尔曼滤波算法对步骤1中所采集的原始多源异构数据进行降噪处理、缺失值插补、异常值检测以及多源数据时间轴对齐和特征归一化处理;

5、步骤3:对处理完成后的多源异构数据进行稳态能效特征、暂态冲击特征、工况关联特征三类特征分量进行提取,并在之后,对提取的特征数据进行融合拼接,从而生成标准化多维能效指纹向量;

6、步骤4:基于标准化多维能效指纹向量,建立全域基础能效指纹库,并通过全域基础能效指纹库样本对多分支识别模型进行离线训练,构建增量学习分支,设置记忆衰减系数、特征映射匹配阀值;

7、步骤5:采集新增设备短周期少量标注运行数据并生成对应多维能效指纹,计算新增设备指纹与指纹库内存量指纹的余弦相似度,筛选匹配度高于预设阈值的同类设备样本作为增量训练集,之后,搭建三层稀疏编码映射网络对多维能效指纹做冗余特征剔除压缩,引入设备数字孪生模型输出理论基准能耗,利用理论能耗与现场实测能耗的偏差值对稀疏指纹特征做动态校准;

8、步骤6:将校准后的稀疏指纹输入图神经网络,基于图神经网络的设备间能效关联识别,对多台设备之间能耗耦合、工况联动关系进行分析,从而输出单台设备实时能效等级、低效运行时段和工况匹配识别结果;

9、步骤7:依托知识图谱与反事实推理完成能效差异成因溯源,量化设备节能空间与经济收益,生成带逻辑解释的能效识别报告,与此同时,通过采集能效优化调控后的现场实际能耗反馈数据,动态调整扩展卡尔曼滤波参数与记忆衰减系数,周期性触发增量分支轻量化更新,持续优化识别模型适配能力。

10、进一步的,所述步骤1中稳态电气参量包含三相电压、三相电流、有功功率、无功功率和谐波幅值相位;启停暂态波形数据包含设备启动冲击电流峰值、功率上升沿时长、停机衰减曲线特征;车间环境传感数据包含车间温度、湿度、冷却系统运行状态;生产业务日志包含设备启停时刻、加工工序、负载档位、连续生产时长。

11、进一步的,所述步骤5中三层稀疏编码映射网络依次为原始指纹输入层、l1正则稀疏压缩层、工况特征融合层。

12、进一步的,所述步骤2中多源异构数据的降噪处理具体为:建立设备能耗时序状态方程与观测方程,以采集能耗数据为观测值,迭代更新过程噪声、观测噪声协方差矩阵,平滑时序波动。

13、进一步的,所述步骤7中的能效识别报告包含设备实时能效值、低效工况时段、同类设备能效对比差值、潜在节能收益量化指标。

14、本发明的有益效果:本发明通过对多源异构数据进行稳态能效特征、暂态冲击特征、工况关联特征三类特征分量进行提取以及融合拼接,从而生成标准化多维能效指纹向量的方式,突破了传统单一电气量特征的局限性;

15、通过建立全域基础能效指纹库,并利用全域基础能效指纹库样本对多分支识别模型进行离线训练的方式,完成增量学习分支的构建,采用此结构,新增设备仅需少量短时标注样本即可完成模型匹配,提升了识别模型的自适应能力;通过三层稀疏编码映射网络的搭建,可压缩指纹特征,结合数字孪生校准,从而消除设备老化带动的识别基准偏移;

16、通过依托知识图谱与反事实推理完成能效差异成因溯源的设计,可量化设备节能空间与经济收益,生成带逻辑解释的能效识别报告,从而打通能效识别到资源协同调度的技术链路;总的,本发明具有可融合多源数据、自适应能力强、精准高效的优点。

1.一种融合动态增量学习的工业设备能效自适应识别方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种融合动态增量学习的工业设备能效自适应识别方法,其特征在于:所述步骤1中稳态电气参量包含三相电压、三相电流、有功功率、无功功率和谐波幅值相位;启停暂态波形数据包含设备启动冲击电流峰值、功率上升沿时长、停机衰减曲线特征;车间环境传感数据包含车间温度、湿度、冷却系统运行状态;生产业务日志包含设备启停时刻、加工工序、负载档位、连续生产时长。

3.如权利要求1所述的一种融合动态增量学习的工业设备能效自适应识别方法,其特征在于:所述步骤5中三层稀疏编码映射网络依次为原始指纹输入层、l1正则稀疏压缩层、工况特征融合层。

4.如权利要求1所述的一种融合动态增量学习的工业设备能效自适应识别方法,其特征在于:所述步骤2中多源异构数据的降噪处理具体为:建立设备能耗时序状态方程与观测方程,以采集能耗数据为观测值,迭代更新过程噪声、观测噪声协方差矩阵,平滑时序波动。

5.如权利要求1所述的一种融合动态增量学习的工业设备能效自适应识别方法,其特征在于:所述步骤7中的能效识别报告包含设备实时能效值、低效工况时段、同类设备能效对比差值、潜在节能收益量化指标。