CN105590146A - 一种基于大数据的电厂设备智能预测检修方法和系统 - Google Patents

Abstract

本发明涉及大数据技术领域。其目的是提供一种基于大数据的电厂设备智能预测检修方法和系统，能够累积维修工作中的维修数据并进行量化分析，同时在线更新维修数据库为维修人员提供最新的维修数据支持。一种基于大数据的电厂设备智能预测检修方法，包括步骤：建立故障事例知识库；获取待诊断事例的初始征兆和必要的附加说明信息；按附加说明信息形成检索的关键要素；按关键要素检索故障事例知识库，若能进行完全匹配，则返回该事例的结论和维修方案，否则计算待诊断事例的相似度并按相似度的大小从故障事例知识库中取与其最相似的几个故障事例作为将返回的结果；判断是否检索完，若检索完，则返回，否则继续步骤按关键要素检索故障事例知识库。

Description

一种基于大数据的电厂设备智能预测检修方法和系统

技术领域

本发明涉及大数据技术领域，具体来说是涉及一种基于大数据的电厂设备智能预测检修方法和系统。

背景技术

电厂专家系统是一个能在特定领域内以人类专家水平去解决该领域内困难问题的计算机程序专家系统，能够综合专家广泛的经验及所处理问题的专门知识形成知识点，使得对某专业不很熟悉的人员通过专家系统获得进行推理的能力，获得所需的知识并能够像专家那样解决问题或从事类似于专家的工作。

现代电厂设备和控制系统雨来越复杂，对维修人员的要求很高，合格的维修人员的培训周期明显延长，但企业的维修人员的流动性大，一些宝贵的维修经验随着维修人员离职或者退休而得不到保存，造成了知识的极大浪费。因此建立一个专门用于收集电厂设备维修经验贮存设备的维修知识，促进电厂设备维修人员的培养训练，为电厂设备的维修工作提供强有力的技术支持的系统就显得十分迫切。

专家系统亦称专家咨询系统，它是一种具有大量专业知识与经验的智能计算机系统，通常，主要指软件系统，现代的专家系统同时结合了大数据在线设备状态分析系统，构成了工业企业的智能专家维修系统。它把专门领域中人类专家的知识和思考解决问题的方法、经验和诀窍组织整理且存储在计算机中，不但能模拟领域专家的思维过程，而且能让计算机宛如人类专家那样智能地解决实际问题。

在设备或系统发生故障前就开始的智能型维护被称为预测性维护，这是设备维修的最高境界。先进的技术和分析模型允许操作员能够检测复杂的模式并预测计划外的事件。为了实现有效维护，预测性维护技术必须基于大量异构数据和可靠的专家维修系统。

发明内容

本发明的目的是提供一种基于大数据的电厂设备智能预测检修方法，能够累积维修工作中的维修数据并进行量化分析，同时在线更新维修数据库为维修人员提供最新的维修数据支持。

本发明的另一目的是提供一种利用上述基于大数据的电厂设备智能预测检修方法的智能预测检修系统。

本发明的目的是这样实现的：

一种基于大数据的电厂设备智能预测检修方法，该方法包括以下步骤：

(1)建立故障事例知识库，所述故障事例知识库的故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达；

(2)获取待诊断事例的初始征兆和必要的附加说明信息；

(3)按附加说明信息形成检索的关键要素，可以通过爬网进程定期索引说明信息，形成索引关键字供检索使用；

(4)按步骤(3)中形成的关键要素检索故障事例知识库，若能进行完全匹配，则返回该事例的结论和维修方案，否则进行步骤(5)；

(5)计算待诊断事例的相似度，包括以下步骤：

(5.1)获取待诊断事例的初始征兆；

(5.2)当故障的初始征兆的各项事实的置信度的均值大于预设阈值时：

$D_s(c^{*},c)=1-\sqrt{\underset{i=1}{\overset{N}{\Σ}}\frac{X_i-Y_i}{N}}$ 式(1)

式中：Ds——事例c*与事例c的相似度

N——事例c*与c中初始征兆的最大数目

Xi、Yi——事例c*与事例c的初始征兆集的各个初始征兆的置信度

若考虑权重因素的影响，则两事例的相似度可由式(2)确定：

$D_s(c^{*},c)=1-\sqrt{\underset{i=1}{\overset{N}{\Σ}}{w}_i\frac{X_i-Y_i}{N}}$ 式(2)

式中Wi——权重因子，且

(6)按相似度的大小从故障事例知识库中取与其最相似的几个故障事例作为将返回的结果；

(7)判断是否检索完，若检索完，则返回，否则继续步骤(4)。

其中，在所述步骤(5)之后还包括：对该待诊断事例进行判断，若故障事例知识库中没有该事例或该事例与事例库中所有事例的相似度均小于某个给定的值，则保存该事例入事例库。这个给定的值可以是由SPARK在线分析系统分析实时在线采集数据并和历史机器学习数据动态比较，加上专家的经验值来确定，例如可以假设为0.8。同样的，步骤(5.2)中所述的预定阈值也是由SPARK在线分析系统分析实时在线采集数据并和历史机器学习数据动态比较，加上专家的经验值来确定，例如可以假设为0.6。

其中，步骤(1)中所述的故障事例知识库的故障事例数据信息来自：系统在初始状态时由用户输入的故障事例数据信息；系统在工作中由用户增加故障事例数据信息；系统在工作中由用户删除故障事例数据信息；系统在工作中由用户增加新原因；以及系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正。

在故障事例知识库中，知识量的多少决定着故障事例知识库的能力与水平，而知识的正确性、完整性也仍然决定着故障事例知识库的能力与水平，因此故障事例知识库应该具有对不正确的、不完整的知识的自动修正能力。知识求精是知识获取过程中必不可少的步骤。一般来说，初始的知识库常常存在某些问题，如知识之间不一致、有的知识不正确等等。因而需要对知识库进行调试、修改和补充，即进行知识求精。实践证明，初始知识库经过求精后可以显著提高故障事例知识库的性能和运行效能。

具体地，所述系统在初始状态时由用户输入的故障事例数据信息，包括以下步骤：

(4.1)对系统进行以下定义：

(4.1.1)初始状态当不知道各个原因的出现的可能性大小时，认为各原因出现的可能性相等，当预测系统发现实时分析系统产生的设备故障信息有匹配的专家经验与之对应则使用专家经验；

(4.1.2)当故障现象的原因越多，某一具体原因在一次故障现象中出现的可能性就越小；

(4.1.3)当一个原因在一次故障现象中出现时，我们就认为它出现的可能性增大，而没有出现的原因的可能性降低；

(4.1.4)耦合度等于出现的原因次数与发生的故障现象数之比；

(4.1.5)各个原因出现可能性之和等于耦合度；

(4.1.6)耦合度与原因的个数正相关，即可能的原因个数越多，故障现象越复杂，耦合越大；

(4.1.7)当一次故障现象中出现的原因个数与总的可能原因个数之比大于原有耦合度时耦合度增大，反之减小，相等时不变；

(4.2)根据步骤(4.1)中的定义，对用户输入的故障事例数据信息按以下两种情况计算故障现象的耦合度：

(4.2.1)具有专家意见时，根据定义(4.1.1)和定义(4.1.5)，则

${\mathrm{\α}}_i=\underset{j=1}{\overset{c_i}{\Σ}}{\mathrm{\μ}}_{ij}$

其中：c_i为可能产生第i个故障现象的所有原因个数Max{j}；j为某一现象的第j个原因，1≤j≤c_i；μ_ij为现象对该原因的隶属度，是已经发生第i个现象时存在第j个原因的可能性；α_i为第i个故障现象的耦合度，表示了当一个故障现象发生时可能存在的故障原因的多少，代表现象原因的复杂程度；

(4.2.2)当没有专家意见时，根据定义(4.1.6)、定义(4.1.5)和定义(4.1.2)，则：

${\mathrm{\α}}_i=\sqrt[4]{c_i},{\mathrm{\μ}}_{ij}={\mathrm{\α}}_i/c_i.$

所述系统在工作中由用户增加故障事例数据信息，包括以下步骤：

(5.1)现象和原因数累加：

Mi＝Mi+1，

Nij＝Nij+1；

其中Mi为第i个故障现象累计发生的次数；Nij为第i个现象的第j个原因累计出现的次数；

(5.2)根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

${\mathrm{\α}}_i={\mathrm{\α}}_i\×\frac{h-m_i}{h}+\frac{\underset{j=i}{\overset{c_i}{\Σ}}{n}_{ij}}{m_i}\×\frac{m_i}{h}$

当m_i≥h时， ${\mathrm{\α}}_i=\frac{\underset{j=i}{\overset{c_i}{\Σ}}{n}_{ij}}{m_i}$

其中：h为临界参数，其临界值取决于观测数据范围的大小，其样本的容量越大,则检验的效果越明显；

(5.3)调整实际发生原因的隶属度

(5.3.1)现象调整幅度：Δμ_i＝β×f(c_i)

其中：现象因子f(c_i)是关于原因个数c_i的减函数，与故障现象有关，与具体原因无关；β为敏感度系数，表示系统对事例的敏感程度，与系统有关，而与具体的故障现象和原因均无关；β越大，系统对事例的反应越快、越敏感，0<β<1；

(5.3.2)具体原因调整幅度：Δμ_ij＝f(μ_ij)×Δμ_i

其中：原因的权重函数f(μ_ij)是一个关于μ_ij的一个减函数，体现系统对某一具体的原因重视程度，与具体原因相关，发生可能性越小越重视；

(5.3.3)实际发生原因隶属度的调后值：μ_ij＝μ_ij+Δμ_ij

(5.4)归一化：对某一故障现象来讲，根据由定义(4.1.3)和定义(4.1.5)，当实际中出现的原因隶属度增加时，可以认为没有出现原因的隶属度应相对减小，故应根据各原因隶属度的调后值和新的耦合度，计算事例发生后所有原因的新的隶属度，并更新现象原因隶属度表，充分体现了系统的统一性：

所述系统在工作中由用户删除故障事例数据信息，包括以下步骤：

(6.1)判断要删除的事例的原因是否是独立事件，如果是独立事例，则

Mi＝Mi-1，

如Mi＝0，现象耦合度和原因隶属度都取初始值，Nij＝0，处理完毕；

如Mi＝0；Nij＝Nij-1，不是独立事件，则

Mi＝Mi；Nij＝Nij+1，进行步骤(6.2)重新计算耦合度；

(6.2)根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

${\mathrm{\&alpha;}}_i={\mathrm{\&alpha;}}_i\&times;\frac{h-m_i}{k}+\frac{\underset{j=i}{\overset{c_i}{\&Sigma;}}{n}_{ij}}{m_i}\&times;\frac{m_i}{h}$

当m_i≥h时， ${\mathrm{\&alpha;}}_i=\frac{\underset{j=i}{\overset{c_i}{\&Sigma;}}{n}_{ij}}{m_i}$

其中：h为临界参数；

(6.3)调整删除原因的隶属度

(6.3.1)现象调整幅度：Δμ_i＝β×f(c_i)

(6.3.2)具体原因调整幅度：Δμ_ij＝f(μ_ij)×Δμ_i

(6.3.3)调整删除原因的隶属度：μ_ij＝μ_ij+Δμ_ij

(6.4)归一化：调整并更新所有原因的隶属度：

所述系统在工作中由用户增加新原因，按以下两种情况计算故障现象的耦合度系数：

(7.1)如果增加的新原因所属该故障现象还没有事例发生，则按步骤(4.2)重新确定耦合度和所有原因的隶属度；

(7.2)如果增加的新原因所属现象已有事例存在，则假定要加入的新原因是极少发生的，确定耦合度和新原因的隶属度包括以下步骤：

(7.2.1)增加原因个数

ci＝ci+1；

j＝j+1；

(7.2.2)现象和原因数累加：

Mi＝Mi+1，

Nij＝Nij+1；

其中Mi为第i个故障现象累计发生的次数；Nij为第i个现象的第j个原因累计出现的次数；

(7.2.3)确定新原因的初始隶属度：由专家直接给出新原因的隶属度或按以下方式取默认值：

μ_ij＝γmin{μ_ij-1}

其中：γ为重视系数，表示用户对新出现原因的重视程度，由于新出现的原因以前从未发生过，隶属度应该很小，可以认为小于以前所有原因隶属度中的最小值，即0<γ<1；

(7.2.4)确定α_i的值：

根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

${\mathrm{\&alpha;}}_i={\mathrm{\&alpha;}}_i\&times;\frac{h-m_i}{k}+\frac{\underset{j=i}{\overset{c_i}{\&Sigma;}}{n}_{ij}}{m_i}\&times;\frac{m_i}{h}$

当m_i≥h时， ${\mathrm{\&alpha;}}_i=\frac{\underset{j=i}{\overset{c_i}{\&Sigma;}}{n}_{ij}}{m_i}$

其中：h为临界参数；

(7.2.5)调整并更新所有原因的隶属度：

在故障事例知识库中，知识的不一致、冗余、循环等已在知识库管理系统中完成。因而知识求精部分只负责知识的不正确性检验与修正。知识求精过程只改变规则的强度(可信度)、规则的前提条件或规则的结论部分的事实的置信度或权重。主要是通过一批实例测试规则库或在诊断过程中自动生成漏判或误判的实例测试集。知识求精的方法主要采用自动求精和半自动求精。自动求精是通过一批实例测试规则库，并根据测试的结果对知识库的规则进行自动强化或弱化，以减少规则的误判率；半自动求精是通过一批实例测试规则库，并给出测试过程中的分析结果与一些强化或弱化的建议，供知识工程师或领域专家参考，对规则强化或弱化的工作是在知识工程师或领域专家的参与下进行的。

自动求精的控制策略有：(1)对于给定的实例集和规则集，若最大漏判率小于误判率，且最大误判率大于允许限度，则说明当前知识库中规则的前提条件太弱，应通过误判求精强化规则的前提条件；(2)若最大漏判率小于或等于最大误判率，且最大漏判率大于允许限度，则说明当前的知识库中规则的前提条件太强，故应通过漏判求精弱化规则的前提条件；(3)若对一组规则进行误判求精，把规则按可信度排队，取可信度最小者优先强化；(4)若对某一组规则进行漏判求精，取其漏判例数最高者作为优先弱化的规则；(5)对规则强化或弱化可以看成是一个多参数的非线性优化问题，即寻求一组权值或规则的置信度，使实例测试集的漏判率或误判率减至最小。

所述系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正，是采用ID3决策树学习算法，利用信息熵或信息增益来构造决策树，从而自动归纳出分类规则。所述归纳出分类规则包括以下步骤：

(9.1)对属性特征值进行预处理：所述属性是指初始征兆的条目，将连续型属性进行离散化，将连续型属性划分成若干个区域，并对每个区域赋予一个连续的整数值；

(9.2)对属性进行优化：决策树的每个分支表达形式为：Ai＝Vij，

式中Vij——属性Ai的第j个值

设A为具有m个属性的集合，即A＝{A1,A2，…,Am}，C为具有p类的集合，即C＝{C1，C2…，Cp}，S为某节点的例子集合，属性Ai的值域为Range(Ai)，S中的每个例子为m+1维的形式，即〈V1，V2，…，Vm，Ck〉,其中且Ck∈C。定义PS，Ck为Ck在S中发生的概率，则信息量为：

$I\left(S\right)=-\underset{k=1}{\overset{p}{\&Sigma;}}{P}_{S,C_k}{\log }_2{P}_{S,C_k}$

信息熵为：

$E=(A_i,S)=\underset{V_j\&Element;Range\left(A_i\right)}{\&Sigma;}\frac{\left|S_j\right|}{S}I\left(S\right)$

信息增益为：

Gain(A_i，S)＝I(S)-E(A_i，S)

(9.3)生成决策树：根据步骤(2)中属性优化所形成的属性排列的先后顺序，生成决策树，并将该决策树转化为一个二叉树，其根节点(root)相当于决策规则中的IF，叶节点(leaf)相当于决策规则中THEN部分；

(9.4)提取决策规则，所述决策规则的表示形式为：

IFX₁∧X₂∧…∧X_n

THENClassC(CF)

式中：X1、X2、…、Xn——规则前提部分

ClassC——应所属的类，即规则的结论部分

CF——规则的置信度

其中， $CF=\frac{w-0.5}{v}$

式中：w——满足规则前提条件及结论的例子数

v——满足规则前提条件的例子数

其中，所述步骤(9.1)中把属性划分成不超过十个区域。

其中，所述步骤(9.3)的生成方法包括以下步骤：

(9.3.1)判定某一属性是否具有相同的特征值，若具有相同的特征值，且具有相同的分类，则不产生其他属性的分支，只产生该属性的叶节点；

(9.3.2)判定某一属性的特征值的分布情况，若某一属性的特征值大于或小于某一常量时，且具有相同的分类，则不产生其他属性的分支，只产生该属性的叶节点。

决策树的节点数作为评价决策树的最优化准则，评价准则中包含了评价决策树及决策规则两方面的内容，评价准则主要有以下几点：

(1)决策树的节点数Nn。树的节点数越少，决策树越简化，决策规则越一般化。

(2)分类未知例子的百分误差E。对于给定的例子集合，在进行知识获取时，一般把例子集合划分成训练集和测试集两部分，用训练集可获得分类规则，用测试集来检验分类规则。很显然，分类未知例子的百分误差越小越好。

(3)获得决策规则数Nr或叶节点数。获取决策规则数目越少越好。该数目越少，表明决策规则越少，越一般化。

(4)决策规则前提条件的总数Np。对规则集整体而言，决策规则前提条件的总数越少越好。该指标比用每个规则前提条件的平均数更精确，特别是当规则的数量很大时，规则前提条件数的平均值不直接。

(5)每个规则覆盖例子的平均数Ne。很明显，每个规则覆盖例子的平均数越高越好，它是一个规则应用能力的度量，也是规则一般性的度量。

(6)测试集中每个例子平均决策数Nd。这是所产生分类树的效率对数据依赖程度的度量，明显平均决策数越小越好。

(7)获取决策规则的效率，即平均获取每个决策规则的时间。即获取决策规则的总时间Tr与获取决策规则数Nr之比，即Tr/Nr。显然，Tr/Nr越小，效率越高，平均获取每个决策规则时间就越短。

近年来，神经网络技术得到了迅速的发展，并在许多领域中得到广泛的应用。由于神经网络具有高度的自适应性，能根据生存环境自适应、自组织达到自我完善，同时又具有很强的学习能力，系统可根据环境提供的大量信息，自动地进行联想、记忆及聚类等方面的自组织学习，也可在专家的指引下学习特定的任务，从而达到自我完善。用神经网络进行知识获取，也能获得新的、未知的诊断知识。

本发明基于大数据的电厂设备智能预测检修方法，采用前馈神经网络为预测检修提供理论依据，所述前馈神经网络采集数据的输入、分析，使用回归算法智能自动生成事件模型，所述神经网络的输入层表示初始征兆，输出层表示诊断结论，输入层节点数、隐层的节点及输出层的节点数由用户动态定义。

神经元的特征采用Sigmoid函数，学习算法采用快速BP学习算法，即采用批处理的思想，尽量减少权值的修正次数，防止权值振荡，并且在学习算法中，可根据学习情况自动调整学习速度，即使学习率G和动量项A可变。如果当前的误差梯度修正方向正确，增大学习速率，加入动量项；否则减少学习速率，去掉动量项。学习算法的流程如图所示。

神经网络的输入与输出值均为[0，1]内的实数，因而需要把初始征兆进行转化。对于连续值采用

$f\left(x\right)=\frac{{\mathrm{kx}}^2}{1+{\mathrm{kx}}^2}$

流程式中k为任意常数(k>0)，对于离散值分别使每个离散值对应于0～1之间的实数，对于逻辑值，若存在则为1，否则为0；网络的输出值作为故障模式的置信度。

用神经网络进行知识获取与学习的过程如图所示。网络进行初始化，即获取权值与阈值，若神经网络还需要训练，则获取训练样本，进行学习，然后获取待识别的实例，计算网络的输出。把输入作为规则的前提条件，把输出作为规则的结论部分，形成诊断规则并加入知识库。

一种利用上述基于大数据的电厂设备智能预测检修方法的智能预测检修系统，包括：

故障事例知识库，用于存储故障事例，所述故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达。

数据录入模块，用于将故障事例的数据信息录入所述故障事例知识库；所述数据录入模块包括：标准数据录入子模块，用于录入设备模板信息的基础数据，包括属性、方法和关系；事例信息数据录入子模块，用于录入具体设备的事例信息。

数据查询模块，用于设备模板数据和事例数据的查询和设备事例数据按系统查询，包括：标准数据查询子模块、事例信息数据查询子模块、设备类型信息数据查询子模块。

故障诊断模块，用于获取待诊断事例的初始征兆和必要的附加说明信息，并根据附加说明信息形成检索的关键要素，根据形成的关键要素检索所述故障事例知识库，返回该事例的诊断结论和维修方案。

系统维护模块，包括：设备类型信息维护子模块，用于创建设备类型的逻辑分组；单位信息维护子模块，用于维护设备事例属性的单位信息，所述单位信息包括水位和温度；用户信息维护子模块，用于维护系统使用者的账户信息；系统数据维护子模块，用于对系统数据进行备份和还原。

多媒体模块，用于通过视频设备将现场的设备维护和系统后台连接，减少维护的成本，提高维修效率

帮助模块，用于通过显示设备和系统后台连接，实时提供现场维修的专家支持；

网络更新模块，用于在线更新维修数据库，为维修人员提供最新的维修数据支持，实时在线更新现场智能设备的模型数据和设备的属性数据，及时显示设备的运行状态。

其中，所述故障事例知识库的故障事例数据信息来自：系统在初始状态时由用户输入的故障事例数据信息；系统在工作中由用户增加故障事例数据信息；系统在工作中由用户删除故障事例数据信息；系统在工作中由用户增加新原因；以及系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正。

本发明由于采用了上述技术方案，与现有技术相比具有以下有益效果：本发明方法及系统通过集中大量的有关电厂设备维修理论知识和专家的维修经验对电厂设备维修实施、解释、预测、诊断和修理，迅速而又准确地针对装备故障现象做出应答在平时还可对维修人员的培训提供强有力的帮助。

附图说明

通过以下本发明的实施例并结合附图的描述，示出本发明的其它优点和特征，该实施例以实例的形式给出，但并不限于此，其中：

图1为本发明一种基于大数据的电厂设备智能预测检修系统的系统结构示意图。

图2为本发明一种基于大数据的电厂设备智能预测检修方法的流程示意图。

图3为本发明在对故障事例数据信息进行事例的学习和修正时，归纳出分类规则的流程示意图。

图4为本发明方法中采用的神经网络的结构示意图。

图5为本发明的一个实施例中不同的原因a1、a2的隶属度曲线及耦合度曲线示意图。

具体实施方式

如图1所示，一种基于大数据的电厂设备智能预测检修系统，包括以下结构：

故障事例知识库，用于存储故障事例，所述故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达。

数据录入模块，用于将故障事例的数据信息录入所述故障事例知识库；所述数据录入模块包括：标准数据录入子模块，用于录入设备模板信息的基础数据，包括属性、方法和关系；事例信息数据录入子模块，用于录入具体设备的事例信息。

数据查询模块，用于设备模板数据和事例数据的查询和设备事例数据按系统查询，包括：标准数据查询子模块、事例信息数据查询子模块、设备类型信息数据查询子模块。

故障诊断模块，用于获取待诊断事例的初始征兆和必要的附加说明信息，并根据附加说明信息形成检索的关键要素，根据形成的关键要素检索所述故障事例知识库，返回该事例的诊断结论和维修方案。

系统维护模块，包括：设备类型信息维护子模块，用于创建设备类型的逻辑分组；单位信息维护子模块，用于维护设备事例属性的单位信息，所述单位信息包括水位和温度；用户信息维护子模块，用于维护系统使用者的账户信息；系统数据维护子模块，用于对系统数据进行备份和还原。

多媒体模块，用于通过视频设备将现场的设备维护和系统后台连接，减少维护的成本，提高维修效率

帮助模块，用于通过显示设备和系统后台连接，实时提供现场维修的专家支持；

网络更新模块，用于在线更新维修数据库，为维修人员提供最新的维修数据支持，实时在线更新现场智能设备的模型数据和设备的属性数据，及时显示设备的运行状态。

其中，所述故障事例知识库的故障事例数据信息来自：系统在初始状态时由用户输入的故障事例数据信息；系统在工作中由用户增加故障事例数据信息；系统在工作中由用户删除故障事例数据信息；系统在工作中由用户增加新原因；以及系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正。

假定故障现象X的可能原因有a1、a2两个，初始也取理论值。

在最简单的情况下，假定故障现象X的可能原因有a1、a2两个，初始也取理论值。

c＝2，现象耦合度原因隶属度μ_ij＝α_i/c_i＝0.5946。

事例发生时，假定都是单原因现象，原因总与现象个数相等，即m＝n，且取h＝50，

耦合度 ${\mathrm{\&alpha;}}_i={\mathrm{\&alpha;}}_i\&times;\frac{h-m_i}{h}+\frac{\underset{j=i}{\overset{c_i}{\&Sigma;}}{n}_{ij}}{m_i}\&times;\frac{m_i}{h}=(1.1892*(50-m)+n)/50$

现象调整幅度：Δμ_i＝β×f(c_i)＝β/2

原因调整幅度：Δμ_ij＝f(μ_ij)×Δμ_i＝(1-μ_ij)*β/2

原因调后值：μ_ij＝μ_ij+Δμ_ij＝μ_ij+(1-μ_ij)*β/2

归一化： ${\mathrm{\&mu;}}_{ij}={\mathrm{\&alpha;}}_i\&times;{\mathrm{\&mu;}}_{ij}\&divide;\left(\underset{j=1}{\overset{c_i}{\&Sigma;}}{\mathrm{\&mu;}}_{ij}\right)$

改变系统灵敏度大小，可以做出不同的原因a1、a2的隶属度曲线及耦合度α_i的曲线，如图5所示。

以下是本发明的另一实施例，是根据本发明的基于大数据的电厂设备智能预测检修系统对一电厂循环泵组的振动故障诊断及大数据分析预测模型。

系统中已建立有故障事例知识库，所述故障事例知识库的故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达。

运行时，系统通过对电厂循环泵组进行监控，获取待诊断事例的初始征兆和必要的附加说明信息：

1、振动概况

循环泵为立式、单吸、单级导叶式混流泵，与之配套的设备为YL1000-12大型立式交流电机，电机由定子、转子、上机架、下机架、推力轴承等零部件组成，额定功率1000kw、额定电压6000V、额定电流131A、额定转速495r/min、重量14200Kg。导瓦温度及推力瓦温度<70度。状态监测系统发现循环泵电机运行中振动出现趋势增大现象，检测发现电动机上机架振动最高值180μm，随即运行人员倒泵运行。由于循环泵正好进入大修期，所以转入检修。期间导瓦温度，推力瓦温度等各项运行记录指标均正常。

2、振动分析及处理

大修对循环泵进行详细的检查：

(1)检查转子条没有断条、裂纹问题

(2)检查铁芯片没有松动或短路问题

(3)检查电机引出线及电缆接头良好，无松动现象

(4)在对水泵进行解体检查时，发现水泵橡胶导轴瓦磨损，测量其与轴套配合直径间隙达1.5～2.0mm，当时分析原因认为，一是运行时间过长，二是泥沙比较多才会造成水泵橡胶导瓦间隙超标，(另一台循环泵也曾出现过类似情况)。

修后空试电机。电机振动从130μm不断攀升达300μm，立即停机，突然切断电源电机振动从300μm降至40μm。

频谱分析表明，1X、2X、3X成分都不小，2倍频幅值明显大于1倍频幅值50％以上，3X倍频幅值明显大于1X、2X倍频幅值；1X、2X、3X、4X倍频幅值两边有明显边带存在；时域波形中可以看出有幅值调制。

查看运行记录，导瓦温度、推力瓦温度等各项运行记录指标均正常。

分析如下：

1)当转动设备突然切断电源时振动消失。可能原因是：电机转子断条，感应电机转子偏心。

2)谱图中倍频幅值上出现边带。可能原因是：转子偏心，定子偏心，磁场不均如有断条、松动等。

3)频谱中出现径向方向2X转速频率的振动幅值超过1X转速频率幅值50％。可能原因是：推力轴承座产生的松动,两个零部件之间配合不良，上下导瓦产生松动。

4)从对数谱中可以看出仍然存在很小的2倍的电源频率幅值，和许多的毛刺存在，这说明定子有可能存在偏心。

根据上述征兆的分析有：(1)定子偏心；(2)有松动的地方；(3)电机振动之所以达到了300μm是存在着调制且既存在转子偏心，又存在转差。如果消除了振动源，调制也会消失。

随后对电动机进行更详细的解体检查与试验。由于检修时针对转子已做了详细的检查和试验没有发现转子断条，可能存在的问题有1)螺栓有松动2)感应电机转子偏心。检查在检修过程中针对电机断条与松动等电气部件已做了试验没有发现问题，有可能的只有转子或定子偏心。针对问题所在对电动机的气隙差调整到5％以内。从测量数据上分析其上机架水平方向(南-北)(泵的出入口方向)振动值最大，进一步检查发现2号循环泵电动机定子水平偏差很大，北侧低0.50mm/m。根据这种分析测量结果认为是基础出现了沉降现象(此台电机突然出现振动时，正好是在泵房外打地基修路)，导致电动机定子支架北侧下沉从而影响了定子出现了偏心。最终用在定子支架北侧筒体下基础上加1.5mm金属垫片的方法调整定子水平。按工艺要求对各质量控制点进行了严格复查，随后将上导瓦的间隙从原来的0.2mm减小到0.15mm(标准值0.15～0.2mm)，下导瓦从原来的0.25mm减小到0.2mm(标准值0.2～0.25)，同时也发现有一条支架螺栓有些松动。其它没有发现问题。经再次检修回装泵组后，进行了电机单独和泵组整体试运。经检测循环泵组最大振动值为符合运行标准规定20-30μm。

3、结论及评述

大型立式交流电机振动的直接原因是电机转子偏心外加电机上导瓦间隙偏大和螺丝有松动造成，而转子偏心是由于定子偏斜造成，而定子偏斜的根本原因是基础不均下沉引起。从这里可以看出真正引起电动振动的根源确是基础沉降，而松动更加加剧了振动的扩大。

针对该种立式泵电机建议：

1)对检修工艺一定要严格按照检修规程规定，一步一步做到位。特别是技术人员一定要复测检修数据，避免重复检修。

2)对这种大型的立式电机，调整转子中心时一定用调整下支架加的方法，从而避免由于基础沉降而造成定子偏心。

3)如果泵多次出现由于沉降引起电机振动，可以在可测量的位置安装沉降观测点。

关键字检索匹配

通过故障现象：循环泵振动异常，电机电流值趋势增大，在故障事例知识库中并没有检索到对应故障实例，需要通过计算待诊断实例相似度来进一步确认故障：

1、计算待诊断实例相似度(设相似度>0.75为匹配成功)

$D_s(c^{*},c)=1-\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}\frac{X_i-Y_i}{N}}$

所述的预定阈值也是由SPARK在线分析系统分析实时在线采集数据并和历史机器学习数据动态比较，加上专家的经验值来确定。

其中：

(1)N——事例c*与c中初始征兆的最大数目

设事例x与事例a初始征兆的最大数为N＝2

设事例x与事例b初始征兆的最大数为N＝5

(2)Xi、Yi——事例c*与事例c的初始征兆集的各个初始征兆的置信度

设事例x的初始征兆集中各征兆的置信度如下：

循环泵不正常工作：X1＝0.9

内机输出正常：X2＝0.85

电源灯闪烁：X3＝0.9

出口压力正常：X4＝0.86

振动量增加：X5＝0.9

设事例a的初始征兆集中各征兆的置信度如下：

循环泵不正常工作：X1＝0.7

内机输出正常：X2＝0.75

短时间工作:：X3＝0.84

设事例b的初始征兆集中各征兆的置信度如下：

循环泵不正常工作：X1＝0.87

内机输出正常：X2＝0.83

电源灯闪烁：X3＝0.88

出口压力正常：X4＝0.85

振动量增加：X5＝0.87

事例x与事例a的相似度计算结果：

Ds＝0.6127

事例x与事例b的相似度计算结果：

Ds＝0.7655

2、判断是否检测完成

根据上述计算分析：事例x与事例a的相似度为0.6127<0.75，不符合匹配标准；事例x与事例b的相似度为0.7655>0.75，符合匹配标准。检测完成返回检测结果，则该循环泵不正常工作的原因为基座沉降异常，重新对中循环泵的旋转轴。

Claims (14)

1.一种基于大数据的电厂设备智能预测检修方法，其特征在于，该方法包括以下步骤：

(1)建立故障事例知识库，所述故障事例知识库的故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达；

(2)获取待诊断事例的初始征兆和必要的附加说明信息；

(3)按附加说明信息形成检索的关键要素；

(4)按步骤(3)中形成的关键要素检索故障事例知识库，若能进行完全匹配，则返回该事例的结论和维修方案，否则进行步骤(5)；

(5)计算待诊断事例的相似度，包括以下步骤：

(5.1)获取待诊断事例的初始征兆；

(5.2)当故障的初始征兆的各项事实的置信度的均值大于预设阈值时：

式(1)

式中：Ds——事例c*与事例c的相似度

N——事例c*与c中初始征兆的最大数目

Xi、Yi——事例c*与事例c的初始征兆集的各个初始征兆的置信度若考虑权重因素的影响，则两事例的相似度可由式(2)确定：

式(2)

式中Wi——权重因子，且

(6)按相似度的大小从故障事例知识库中取与其最相似的几个故障事例作为将返回的结果；

(7)判断是否检索完，若检索完，则返回，否则继续步骤(4)。

2.如权利要求1所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述步骤(5)之后还包括：对该待诊断事例进行判断，若故障事例知识库中没有该事例或该事例与事例库中所有事例的相似度均小于某个给定的值，则保存该事例入事例库。

3.如权利要求1所述的基于大数据的电厂设备智能预测检修方法，其特征在于：步骤(1)中所述的故障事例知识库的故障事例数据信息来自：系统在初始状态时由用户输入的故障事例数据信息；系统在工作中由用户增加故障事例数据信息；系统在工作中由用户删除故障事例数据信息；系统在工作中由用户增加新原因；以及系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正。

4.如权利要求3所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述系统在初始状态时由用户输入的故障事例数据信息，包括以下步骤：

(4.1)对系统进行以下定义：

(4.1.1)初始状态当不知道各个原因的出现的可能性大小时，认为各原因出现的可能性相等，当预测系统发现实时分析系统产生的设备故障信息有匹配的专家经验与之对应则使用专家经验；

(4.1.2)当故障现象的原因越多，某一具体原因在一次故障现象中出现的可能性就越小；

(4.1.3)当一个原因在一次故障现象中出现时，我们就认为它出现的可能性增大，而没有出现的原因的可能性降低；

(4.1.4)耦合度等于出现的原因次数与发生的故障现象数之比；

(4.1.5)各个原因出现可能性之和等于耦合度；

(4.1.6)耦合度与原因的个数正相关，即可能的原因个数越多，故障现象越复杂，耦合越大；

(4.1.7)当一次故障现象中出现的原因个数与总的可能原因个数之比大于原有耦合度时耦合度增大，反之减小，相等时不变；

(4.2)根据步骤(4.1)中的定义，对用户输入的故障事例数据信息按以下两种情况计算故障现象的耦合度：

(4.2.1)具有专家意见时，根据定义(4.1.1)和定义(4.1.5)，则

其中：c_i为可能产生第i个故障现象的所有原因个数Max{j}；j为某一现象的第j个原因，1≤j≤c_i；μ_ij为现象对该原因的隶属度，是已经发生第i个现象时存在第j个原因的可能性；α_i为第i个故障现象的耦合度，表示了当一个故障现象发生时可能存在的故障原因的多少，代表现象原因的复杂程度；

(4.2.2)当没有专家意见时，根据定义(4.1.6)、定义(4.1.5)和定义(4.1.2)，则：

5.如权利要求4所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述系统在工作中由用户增加故障事例数据信息，包括以下步骤：

(5.1)现象和原因数累加：

Mi＝Mi+1，

Nij＝Nij+1；

其中Mi为第i个故障现象累计发生的次数；Nij为第i个现象的第j个原因累计出现的次数；

(5.2)根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

当m_i≥h时，

其中：h为临界参数，其临界值取决于观测数据范围的大小。其样本的容量越大,则检验的效果越明显；

(5.3)调整实际发生原因的隶属度

(5.3.1)现象调整幅度：Δμ_i＝β×f(c_i)

其中：现象因子f(c_i)是关于原因个数c_i的减函数，与故障现象有关，与具体原因无关；β为敏感度系数，表示系统对事例的敏感程度，与系统有关，而与具体的故障现象和原因均无关；β越大，系统对事例的反应越快、越敏感，0<β<1；

(5.3.2)具体原因调整幅度：Δμ_ij＝f(μ_ij)×Δμ_i

其中：原因的权重函数f(μ_ij)是一个关于μ_ij的一个减函数，体现系统对某一具体的原因重视程度，与具体原因相关，发生可能性越小越重视；

(5.3.3)实际发生原因隶属度的调后值：μ_ij＝μ_ij+Δμ_ij

(5.4)归一化：对某一故障现象来讲，根据由定义(4.1.3)和定义(4.1.5)，当实际中出现的原因隶属度增加时，可以认为没有出现原因的隶属度应相对减小，故应根据各原因隶属度的调后值和新的耦合度，计算事例发生后所有原因的新的隶属度，并更新现象原因隶属度表，充分体现了系统的统一性：

6.如权利要求4所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述系统在工作中由用户删除故障事例数据信息，包括以下步骤：

(6.1)判断要删除的事例的原因是否是独立事件，如果是独立事例，则

Mi＝Mi-1，

如Mi＝0，现象耦合度和原因隶属度都取初始值，Nij＝0，处理完毕；

如Mi＝0；Nij＝Nij-1，不是独立事件，则

Mi＝Mi；Nij＝Nij+1，进行步骤(6.2)重新计算耦合度；

(6.2)根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

当m_i≥h时，

其中：h为临界参数；

(6.3)调整删除原因的隶属度

(6.3.1)现象调整幅度：Δμ_i＝β×f(c_i)

(6.3.2)具体原因调整幅度：Δμ_ij＝f(μ_ij)×Δμ_i

(6.3.3)调整删除原因的隶属度：μ_ij＝μ_ij-Δ_ij

(6.4)归一化：调整并更新所有原因的隶属度：

7.如权利要求4所述的基于大数据的电厂设备智能预测检修系统，其特征在于：所述系统在工作中由用户增加新原因，按以下两种情况计算故障现象的耦合度系数：

(7.1)如果增加的新原因所属该故障现象还没有事例发生，则按步骤(4.2)重新确定耦合度和所有原因的隶属度；

(7.2)如果增加的新原因所属现象已有事例存在，则假定要加入的新原因是极少发生的，确定耦合度和新原因的隶属度包括以下步骤：

(7.2.1)增加原因个数

ci＝ci+1；

j＝j+1；

(7.2.2)现象和原因数累加：

Mi＝Mi+1，

Nij＝Nij+1；

其中Mi为第i个故障现象累计发生的次数；Nij为第i个现象的第j个原因累计出现的次数；

(7.2.3)确定新原因的初始隶属度：由专家直接给出新原因的隶属度或按以下方式取默认值：

μ_ij＝γ×min{μ_ij-1}

其中：γ为重视系数，表示用户对新出现原因的重视程度，由于新出现的原因以前从未发生过，隶属度应该很小，可以认为小于以前所有原因隶属度中的最小值，即0<γ<1；

(7.2.4)确定α_i的值：

根据大数定律和定义(4.1.4)、定义(4.1.7)调整α_i的值，当Mi＜h时

当m_i≥h时，

其中：h为临界参数；

(7.2.5)调整并更新所有原因的隶属度：

8.如权利要求4所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正，是采用ID3决策树学习算法，利用信息熵或信息增益来构造决策树，从而自动归纳出分类规则。

9.如权利要求8所述的基于大数据的电厂设备智能预测检修方法，其特征在于所述归纳出分类规则包括以下步骤：

(9.1)对属性特征值进行预处理：所述属性是指初始征兆的条目，将连续型属性进行离散化，将连续型属性划分成若干个区域，并对每个区域赋予一个连续的整数值；

(9.2)对属性进行优化：决策树的每个分支表达形式为：Ai＝Vij，

式中Vij——属性Ai的第j个值

设A为具有m个属性的集合，即A＝{A1,A2，…,Am}，C为具有p类的集合，即C＝{C1，C2…，Cp}，S为某节点的例子集合，属性Ai的值域为Range(Ai)，S中的每个例子为m+1维的形式，即〈V1，V2，…，Vm，Ck〉,其中且Ck∈C。定义PS，Ck为Ck在S中发生的概率，则信息量为：

信息熵为：

信息增益为：

Gain(A_i，S)＝I(S)-E(A_i，S)

(9.3)生成决策树：根据步骤(2)中属性优化所形成的属性排列的先后顺序，生成决策树，并将该决策树转化为一个二叉树，其根节点(root)相当于决策规则中的IF，叶节点(leaf)相当于决策规则中THEN部分；

(9.4)提取决策规则，所述决策规则的表示形式为：

IFX₁∧X₂∧…∧X_n

THENClas_sC(CF)

式中：X1、X2、…、Xn——规则前提部分

ClassC——应所属的类，即规则的结论部分

CF——规则的置信度

其中，

式中：w——满足规则前提条件及结论的例子数

v——满足规则前提条件的例子数。

10.如权利要求9所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述步骤(9.1)中把属性划分成不超过十个区域。

11.如权利要求9所述的基于大数据的电厂设备智能预测检修方法，其特征在于：所述步骤(9.3)的生成方法包括以下步骤：

(9.3.1)判定某一属性是否具有相同的特征值，若具有相同的特征值，且具有相同的分类，则不产生其他属性的分支，只产生该属性的叶节点；

(9.3.2)判定某一属性的特征值的分布情况，若某一属性的特征值大于或小于某一常量时，且具有相同的分类，则不产生其他属性的分支，只产生该属性的叶节点。

12.如权利要求9所述的基于大数据的电厂设备智能预测检修方法，其特征在于：采用前馈神经网络为预测检修提供理论依据，所述前馈神经网络采集数据的输入、分析，使用回归算法智能自动生成事件模型，所述神经网络的输入层表示初始征兆，输出层表示诊断结论，输入层节点数、隐层的节点及输出层的节点数由用户动态定义。

13.一种利用如权利要求1所述的基于大数据的电厂设备智能预测检修方法的智能预测检修系统，其特征在于，包括：

故障事例知识库，用于存储故障事例，所述故障事例的结构包括：事例名、事例的说明信息、故障的初始征兆和故障的诊断结论，所述故障的初始征兆和故障的诊断结论均采用不确定性知识表达；

数据录入模块，用于将故障事例的数据信息录入所述故障事例知识库；所述数据录入模块包括：标准数据录入子模块，用于录入设备模板信息的基础数据，包括属性、方法和关系；事例信息数据录入子模块，用于录入具体设备的事例信息；

数据查询模块，用于设备模板数据和事例数据的查询和设备事例数据按系统查询，包括：标准数据查询子模块、事例信息数据查询子模块、设备类型信息数据查询子模块；

故障诊断模块，用于获取待诊断事例的初始征兆和必要的附加说明信息，并根据附加说明信息形成检索的关键要素，根据形成的关键要素检索所述故障事例知识库，返回该事例的诊断结论和维修方案；

系统维护模块，包括：设备类型信息维护子模块，用于创建设备类型的逻辑分组；单位信息维护子模块，用于维护设备事例属性的单位信息，所述单位信息包括水位和温度；用户信息维护子模块，用于维护系统使用者的账户信息；系统数据维护子模块，用于对系统数据进行备份和还原；

多媒体模块，用于通过视频设备将现场的设备维护和系统后台连接；

帮助模块，用于通过显示设备和系统后台连接；

网络更新模块，用于在线更新维修数据库，为维修人员提供最新的维修数据支持。

14.如权利要求13所述的智能预测检修系统，其特征在于：所述故障事例知识库的故障事例数据信息来自：系统在初始状态时由用户输入的故障事例数据信息；系统在工作中由用户增加故障事例数据信息；系统在工作中由用户删除故障事例数据信息；系统在工作中由用户增加新原因；以及系统在运行过程中根据发生的故障事例对所述事例库中的故障事例数据信息进行事例的学习和修正。