一種基于孿生模型的設(shè)備健康程度實(shí)時(shí)評(píng)估方法

葉春明，李洪偉，肖 勇，劉俊峰，皇傳泰

（1.華能聊城熱電有限公司，山東 聊城 252041；2.西安熱工研究院有限公司，陜西 西安 710038）

0 引言

狀態(tài)檢修是一種全新的設(shè)備檢修方式，能根據(jù)先進(jìn)的狀態(tài)監(jiān)測(cè)和診斷技術(shù)提供的設(shè)備狀態(tài)信息，判斷設(shè)備的異常，預(yù)知設(shè)備的故障，從而合理安排檢修項(xiàng)目和周期的檢修方式[1]。狀態(tài)檢修的實(shí)現(xiàn)需要以設(shè)備健康狀態(tài)的綜合評(píng)估結(jié)果為依據(jù)，同時(shí)根據(jù)預(yù)判的設(shè)備故障信息，在故障發(fā)生前安排檢修時(shí)間[2]。

傳統(tǒng)的設(shè)備健康狀態(tài)的綜合評(píng)估方法要解決兩個(gè)關(guān)鍵問(wèn)題。一是評(píng)估指標(biāo)的挑選，應(yīng)盡可能地選取一些最能反映設(shè)備狀態(tài)優(yōu)劣的典型指標(biāo)，刪除相對(duì)次要的指標(biāo)[3-4]。二是建立健康度評(píng)估模型，綜合不同指標(biāo)的評(píng)估結(jié)果，給出設(shè)備最終的健康度評(píng)價(jià)[5]。

傳統(tǒng)評(píng)估方法最大的缺陷是需要大量的故障樣本且不能對(duì)于設(shè)備的健康狀態(tài)進(jìn)行實(shí)時(shí)的評(píng)估。為此，本文提出了一種基于孿生模型的設(shè)備健康度實(shí)時(shí)評(píng)估方法，通過(guò)分析測(cè)點(diǎn)預(yù)測(cè)值和實(shí)測(cè)值之間的差異變化即時(shí)偵測(cè)設(shè)備測(cè)點(diǎn)數(shù)據(jù)的異常波動(dòng)，并據(jù)此建立綜合加權(quán)模型對(duì)于設(shè)備的健康狀態(tài)進(jìn)行綜合評(píng)估。最后，基于某大型火電廠的真實(shí)設(shè)備數(shù)據(jù)，驗(yàn)證了本文方法的有效性和可行性。

1 基于數(shù)字孿生的健康度綜合評(píng)估模型

1.1 特征抽取

根據(jù)輸入的傳感器測(cè)點(diǎn)數(shù)據(jù)，首先計(jì)算測(cè)點(diǎn)之間的相關(guān)性，篩選出用于健康度評(píng)價(jià)的關(guān)鍵指標(biāo)。

首先，計(jì)算測(cè)點(diǎn)之間的相關(guān)系數(shù)矩陣。輸入N個(gè)測(cè)點(diǎn)的數(shù)據(jù){X1，X2，...，XN}，依據(jù)公式（3）計(jì)算每?jī)蓚€(gè)測(cè)點(diǎn)之間的皮爾遜相關(guān)系數(shù)，形成相關(guān)系數(shù)矩陣。其中 rij（i，j=1，2，...，n）表示原始向量 Xi，Xj關(guān)聯(lián)程度的相關(guān)系數(shù)。

其中，皮爾遜相關(guān)系數(shù)的計(jì)算公式如下所示：

1.2 孿生模型構(gòu)建

XGBoost算 法 是 在 GBDT（Gradient Boosting Decision Tree）的基礎(chǔ)上改進(jìn)而來(lái)的。GBDT是一種迭代的決策樹(shù)算法，XGBoost算法解決了GBDT算法模型難以并行計(jì)算的問(wèn)題，實(shí)現(xiàn)對(duì)模型過(guò)擬合問(wèn)題的有效控制，且速度快，準(zhǔn)確性高，能有效處理大規(guī)模數(shù)據(jù)，是有效的集成學(xué)習(xí)算法。

首先，基于XGBoost算法建立測(cè)點(diǎn)值回歸模型。基于1.1節(jié)的特征抽取結(jié)果，使用有監(jiān)督學(xué)習(xí)進(jìn)行模型訓(xùn)練。

定義損失函數(shù)。XGBoost算法需要對(duì)傳感器數(shù)據(jù)進(jìn)行學(xué)習(xí)之后進(jìn)行數(shù)值預(yù)測(cè)進(jìn)而輔助判斷設(shè)備的運(yùn)行狀態(tài)，其損失函數(shù)定義如下所示：

確定XGBoost集成算法的訓(xùn)練模型，fk代表一棵決策樹(shù)，其形式化定義如下：

1.3 綜合評(píng)估模型

設(shè)定一個(gè)閾值ε用于判斷設(shè)備狀態(tài)，如果d≤ε則認(rèn)為設(shè)備處于正常運(yùn)行狀態(tài)，反之則認(rèn)為設(shè)備出現(xiàn)異常，進(jìn)行預(yù)警。根據(jù)閥值的偏差大小來(lái)對(duì)設(shè)備的健康狀態(tài)進(jìn)行綜合評(píng)估，基本思想是：設(shè)備給定測(cè)點(diǎn)中存在閥值偏差的測(cè)點(diǎn)越多且偏差程度越大，那么設(shè)備就越不健康。

2 實(shí)驗(yàn)驗(yàn)證

選取某大型火電廠的真實(shí)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)驗(yàn)證，該設(shè)備的主要測(cè)點(diǎn)共計(jì)有數(shù)十個(gè)，數(shù)據(jù)條數(shù)約有50余萬(wàn)條。

實(shí)驗(yàn)一（指標(biāo)測(cè)點(diǎn)數(shù)據(jù)值的擬合）：基于本文提出的孿生模型，對(duì)該設(shè)備的主要指標(biāo)測(cè)點(diǎn)進(jìn)行了數(shù)據(jù)擬合。

圖1展示了幾個(gè)主要指標(biāo)測(cè)點(diǎn)數(shù)據(jù)值的擬合效果。從圖上可以看到，基于本文提出的孿生模型，主要指標(biāo)測(cè)點(diǎn)均取得了較好的擬合效果，其R2決定系數(shù)分別達(dá)到了94.3%和90.7%，并且從圖1（b）展示的效果來(lái)看，能有效發(fā)現(xiàn)測(cè)點(diǎn)數(shù)據(jù)中存在的異常，這充分驗(yàn)證了本文后續(xù)健康評(píng)估方法的可行性。

圖1 主要指標(biāo)測(cè)點(diǎn)數(shù)據(jù)值的擬合效果

實(shí)驗(yàn)二（評(píng)估模型的效果驗(yàn)證）：基于本文提出的綜合評(píng)估模型，對(duì)于設(shè)備的健康程度進(jìn)行綜合評(píng)估，效果如圖2所示。從圖中可以看出，設(shè)備的健康度曲線平滑穩(wěn)定，符合實(shí)際預(yù)期。

圖2 健康程度的綜合評(píng)估結(jié)果

3 結(jié)束語(yǔ)

實(shí)現(xiàn)工業(yè)設(shè)備的狀態(tài)檢修，需要以設(shè)備健康狀態(tài)的綜合評(píng)估結(jié)果為依據(jù)，預(yù)知設(shè)備的故障，在故障發(fā)生前安排檢修時(shí)間。針對(duì)傳統(tǒng)評(píng)估方法的缺陷，論文提出了一種基于孿生模型的設(shè)備健康度實(shí)時(shí)評(píng)估方法，通過(guò)建立基于XGBoost算法的設(shè)備孿生模型，分析設(shè)備測(cè)點(diǎn)預(yù)測(cè)值和實(shí)測(cè)值之間的異常變化，建立綜合加權(quán)模型對(duì)于設(shè)備的健康狀態(tài)進(jìn)行綜合評(píng)估。論文提出的算法模型已在某大型火電廠的真實(shí)數(shù)據(jù)集上進(jìn)行了充分的實(shí)驗(yàn)驗(yàn)證，取得了理想的評(píng)估效果。