基于Adam優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的火電廠大數(shù)據(jù)平臺(tái)預(yù)警模型測試與應(yīng)用

吳青云, 高景輝, 李昭, 譚祥帥, 郭云飛, 姚智, 趙威, 趙如宇,藺奕存, 劉世雄, 王濤, 王林

(西安熱工研究院有限公司, 西安 710054)

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)以及智能故障診斷的快速發(fā)展,使得智慧電廠在電力領(lǐng)域日益重要[1-2]。當(dāng)下火電廠系統(tǒng)龐大、涉及學(xué)科廣泛、各系統(tǒng)間耦合性強(qiáng)、關(guān)系復(fù)雜、運(yùn)行環(huán)境多變,實(shí)現(xiàn)火電廠的智慧化運(yùn)行充滿挑戰(zhàn),主要以分散控制系統(tǒng)(distributed control system,DCS)為主,在實(shí)際應(yīng)用中的不足包括以下三點(diǎn):

(1)DCS數(shù)據(jù)分析功能單一。DCS系統(tǒng)設(shè)計(jì)為數(shù)據(jù)采集和分散控制,但數(shù)據(jù)分析模塊設(shè)計(jì)簡單,針對(duì)復(fù)雜龐大的數(shù)據(jù)分析需求難實(shí)現(xiàn)[3]。

(2)DCS報(bào)警功能設(shè)計(jì)局限。目前DCS系統(tǒng)報(bào)警項(xiàng)目設(shè)計(jì)多為模擬量超出簡單閾值后聲光報(bào)警,有效及時(shí)性差。

(3)DCS預(yù)警功能缺失?；痣姍C(jī)組多系統(tǒng)耦合性強(qiáng),多數(shù)故障影響測點(diǎn)范圍大,故障原因難精準(zhǔn)定位,故障診斷及時(shí)性差[4-8]。

耿文莉等[9]利用一種基于灰色神經(jīng)網(wǎng)絡(luò)的云存儲(chǔ)技術(shù),全面掌控對(duì)數(shù)據(jù)安全風(fēng)險(xiǎn)的在線監(jiān)控,實(shí)現(xiàn)了平臺(tái)智慧監(jiān)視、智慧報(bào)警、智慧識(shí)別、智慧指導(dǎo),但缺少對(duì)故障預(yù)警的分析判斷。孫建梅等[10]通過區(qū)塊鏈技術(shù)建立平臺(tái)綜合評(píng)價(jià)體系,對(duì)多工況復(fù)雜案例做出評(píng)價(jià)及解決相關(guān)難題,但無法實(shí)現(xiàn)提前發(fā)現(xiàn)潛在的故障。王興等[11]研究出一種可編程平臺(tái),實(shí)現(xiàn)對(duì)現(xiàn)場設(shè)備的控制程序重構(gòu)和功能擴(kuò)展,遇到故障時(shí)有較強(qiáng)的處理能力[12-14],但無法滿足對(duì)系統(tǒng)故障的精準(zhǔn)分析。唐標(biāo)等[15]搭建一套基于電力設(shè)備的環(huán)境實(shí)驗(yàn)平臺(tái),實(shí)現(xiàn)了電力設(shè)備安全性與可靠性的提升,缺乏對(duì)故障時(shí)做出專家指導(dǎo)意見提示。

以抗燃油油系統(tǒng)異常預(yù)警模型為例,提出火電廠大數(shù)據(jù)平臺(tái)故障預(yù)警模型的調(diào)試與應(yīng)用。該方法明確了故障預(yù)警模型建模后,并部署至大數(shù)據(jù)平臺(tái)的過程,在事故工況發(fā)生前通過數(shù)理模型提前發(fā)出預(yù)警,結(jié)合機(jī)理模型分析出事故預(yù)警的原因,達(dá)到火電廠全自動(dòng)智慧化運(yùn)行的目標(biāo)。

1 數(shù)據(jù)集處理及特征選擇

采用的先進(jìn)大數(shù)據(jù)分析模塊,從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取了隱含在生產(chǎn)過程中的特征信息,將人工智能技術(shù)與先驗(yàn)知識(shí)深度融合,提高了平臺(tái)在任務(wù)數(shù)據(jù)的識(shí)別、模擬人的控制策略、掌握被控對(duì)象及環(huán)境的有關(guān)知識(shí)等方面的能力,實(shí)現(xiàn)了異常預(yù)警和故障診斷、防止設(shè)備故障擴(kuò)大化,如圖1所示。

1.1 特征選擇

結(jié)合工藝與系數(shù)檢驗(yàn)的特征選擇方法,油箱油位的變化反映抗燃油系統(tǒng)的油箱泄露情況,油泵的運(yùn)行頻率和電流反映系統(tǒng)的運(yùn)行工況(正常運(yùn)行或停工)。除油箱油位外,其他指標(biāo)用于輔助判斷泄露的類型。例如,兩臺(tái)泵電流信號(hào)用于輔助判斷抗燃油系統(tǒng)的運(yùn)行工況,運(yùn)行工況信息去除數(shù)據(jù)中噪聲。

1.2 數(shù)據(jù)去噪

由于抗燃油系統(tǒng)的啟停和儀表的誤差,大數(shù)據(jù)平臺(tái)收集到的數(shù)據(jù)中存在明顯噪聲。為了提高數(shù)據(jù)的信噪比,防止噪聲對(duì)模型效果造成干擾,本模型采用一些方法來降低數(shù)據(jù)中的噪聲。

1.2.1 均值濾波

均值濾波是一種線性濾波算法,用于連續(xù)信號(hào)的去噪,其用時(shí)間點(diǎn)前后一段時(shí)間內(nèi)的均值代替原值,以防止少量異常點(diǎn)影響信號(hào)的整體趨勢。

但是在本模型研究中,抗燃油系統(tǒng)中噪聲的數(shù)量多、幅度大,而均值濾波只能處理少量的噪聲,因此該方法在本問題中效果不明顯。

圖1 大數(shù)據(jù)平臺(tái)下模型總體建設(shè)技術(shù)路線圖Fig.1 Technical roadmap for overall model construction under the big data platform

1.2.2 指數(shù)滑動(dòng)平均

指數(shù)滑動(dòng)平均法是一種用歷史數(shù)據(jù)對(duì)當(dāng)前值進(jìn)行修正的去噪算法,公式為

vt=βvt-1+(1-β)θt

(1)

式(1)中:vt與vt-1分別為當(dāng)前時(shí)間與上個(gè)時(shí)間點(diǎn)修正后的點(diǎn)值;θt為當(dāng)前時(shí)間點(diǎn)修正前的點(diǎn)值;β為平滑系數(shù)。βvt-1代表時(shí)間序列的歷史趨勢,(1-β)θt代表當(dāng)前點(diǎn)值,用加權(quán)平均的方式對(duì)當(dāng)前時(shí)間點(diǎn)的值進(jìn)行修正,通過平滑系數(shù)可以調(diào)整修正的程度。

該方法依賴于歷史數(shù)據(jù),而在泄露模型應(yīng)用到生產(chǎn)中后,只能根據(jù)段時(shí)間段內(nèi)的數(shù)據(jù)進(jìn)行判斷,在歷史數(shù)據(jù)不足的情況下,其去噪效果也不理想。

設(shè)定平滑系數(shù)為0.3,指數(shù)滑動(dòng)平均去噪結(jié)果如圖2所示,通過數(shù)據(jù)的噪聲得到了改善,但仍存在“尖峰”異常值,去噪效果未達(dá)到模型的要求。

圖2 利用指數(shù)滑動(dòng)平均法去噪前后數(shù)據(jù)對(duì)比Fig.2 Comparison of data before and after denoising using exponential sliding average

1.2.3 小波變換

通過把信號(hào)進(jìn)行多尺度分解,有用的信息通常都存儲(chǔ)在低頻域的分解信號(hào)中,而噪聲則集中在高頻域的信號(hào)中,通過丟棄高頻域信號(hào)來實(shí)現(xiàn)去噪。

小波變換去噪的流程主要包括以下三步。

(1)對(duì)原信號(hào)進(jìn)行多尺度小波分解,將原信號(hào)分解為一系列小波函數(shù)的疊加。

(2)對(duì)各尺度上的小波系數(shù)進(jìn)行去噪,丟棄部分含噪高的波段。

(3)通過小波逆變換,從去噪信號(hào)中重構(gòu)原信號(hào)。

小波變換的去噪效果如圖3所示,相比于指數(shù)滑動(dòng)平均去噪方法,其改善效果明顯,出現(xiàn)“尖峰”的幅度降低,突變趨勢減小。但小波變換未能使“尖峰”的數(shù)目減少,去噪效果仍未達(dá)到要求。

1.2.4 結(jié)合高壓抗燃油泵運(yùn)行電流數(shù)據(jù)去噪

本模型數(shù)據(jù)集具有時(shí)間短、噪聲幅度大、頻率高、有源頭可追溯等特點(diǎn),結(jié)合運(yùn)行工況對(duì)數(shù)據(jù)集進(jìn)行分析,數(shù)據(jù)噪聲主要源于油泵的啟停與電流調(diào)整。在停泵及切換泵時(shí),油位發(fā)生變化;在正常運(yùn)行中,油位隨著泵電流的增加而變大,減小而降低。根據(jù)以上特性,本模型將根據(jù)泵運(yùn)行電流對(duì)油箱油位數(shù)據(jù)進(jìn)行處理,去除噪聲與異常值,方法如下:

(1)在取得油箱油位數(shù)據(jù)后取得相同點(diǎn)位相同時(shí)間段與油位數(shù)據(jù)逐一對(duì)應(yīng)的泵電流數(shù)據(jù)。

(2)將泵電流小于正常運(yùn)行電流(25 A)的油箱油位數(shù)據(jù)刪除(去除泵啟停對(duì)油位變化的影響)。

(3)若泵電流發(fā)生改變,判斷改變后電流持續(xù)時(shí)間是否小于1 h,若是則刪除對(duì)應(yīng)的油箱油位數(shù)據(jù)(刪除泵短時(shí)間電流變化導(dǎo)致油位變化的影響)。

(4)將刪除數(shù)據(jù)插值填充,保證總數(shù)據(jù)量不減少。

從原始數(shù)據(jù)中選取2021年1月1日以后5 d的油箱油位數(shù)據(jù),從圖4可以看出,通過以上方法可以去除因反滲透高壓泵運(yùn)行工況的改變導(dǎo)致一段壓差異常波動(dòng)的數(shù)據(jù),降低了數(shù)據(jù)中的噪聲。

圖3 利用小波變換去噪前后數(shù)據(jù)對(duì)比Fig.3 Comparison of data before and after wavelet transform denoising

圖4 結(jié)合運(yùn)行工況的方法去噪前后數(shù)據(jù)對(duì)比Fig.4 Comparison of data before and after denoising combined with operating conditions

結(jié)合油泵運(yùn)行頻率的去噪效果如圖4所示,相比與小波變換去噪,該方法能進(jìn)一步降低異常值的幅度。經(jīng)過去噪處理后曲線已變?yōu)楣饣?原數(shù)據(jù)中異常值基本都被消除,數(shù)據(jù)信噪比提升顯著。

1.3 模型訓(xùn)練群選擇

篩選出未泄漏及泄漏情況下,不同工況中油箱油位、油溫和母管壓力在油泵啟停過程的數(shù)據(jù),時(shí)間窗口為啟泵、停泵前及啟泵后的數(shù)據(jù)。實(shí)現(xiàn)在泄漏30 s內(nèi)發(fā)出預(yù)警,設(shè)計(jì)移動(dòng)窗口大小為20 s內(nèi)油位變化數(shù)據(jù),窗口移動(dòng)步長為20 s。固定H軸上下限差為200 mm,設(shè)計(jì)60 s內(nèi)數(shù)據(jù)最大值和最小值的平均值在窗口中心位置,計(jì)算公式為

(2)

(3)

式中:LEHOil為抗燃油系統(tǒng)的油箱油位;ΔL為窗口H軸上、下限之差;Hmax為窗口上限;Hmin為窗口下限。

本模型旨在油箱油位因泄漏降低至低值報(bào)警及油泵跳閘前提前發(fā)出預(yù)警信號(hào),及時(shí)采取解決措施。因此,油箱油位的變化直接反映高壓抗燃油系統(tǒng)泄漏,選擇油箱油位作為本模型的特征值。由于發(fā)生泄漏情況較少,采用該次油位數(shù)據(jù)變化特征作為模型會(huì)造成故障特征較少的情況。為獲得更豐富的建模數(shù)據(jù),人為去模擬多種泄漏情況下的油位變化曲線,增加訓(xùn)練數(shù)據(jù)量后繪制圖片用于模型訓(xùn)練。

在油位實(shí)際變化曲線的基礎(chǔ)上,增加20組不同油位變化曲線。分別標(biāo)簽為0～20?；诰矸e神經(jīng)網(wǎng)絡(luò)模型,當(dāng)模型輸出連續(xù)5次為6～10時(shí),表示油系統(tǒng)泄漏。如圖5分別為標(biāo)簽為0、標(biāo)簽為5、標(biāo)簽10、標(biāo)簽15和標(biāo)簽為20的圖片。

刪除若干張無效圖片后,共生成圖片14 335張,其中標(biāo)簽為0～20類型的圖片各自約占1/21。

圖5 標(biāo)簽為0、標(biāo)簽為5、標(biāo)簽10、標(biāo)簽15和 標(biāo)簽為20的不同油位變化曲線Fig.5 Different oil level curves with label 0, label 5, label 10, label 15 and label 20

表1為不同標(biāo)簽的數(shù)據(jù)集包含的數(shù)據(jù)量大小。

將圖片順序打亂,隨機(jī)挑選9/10數(shù)據(jù)量訓(xùn)練模型,剩余1/10數(shù)據(jù)量驗(yàn)證模型。表2為訓(xùn)練集和測試集的數(shù)據(jù)量及其包含的標(biāo)簽分類數(shù)量表。

表1 標(biāo)簽對(duì)應(yīng)數(shù)據(jù)量表Table 1 Labels correspond to data scales

表2 訓(xùn)練集和測試集及其包含的標(biāo)簽分類數(shù)量表Table 2 A table of training and test sets and the number of label classifications they contain

2 建立數(shù)理故障預(yù)警模型

2.1 模型開發(fā)

選擇模型時(shí),需要滿足以下條件:

(1)模型關(guān)注油箱油位的波動(dòng)趨勢,需要可識(shí)別在油箱發(fā)生泄漏時(shí)油位的變化特征。

(2)系統(tǒng)正常運(yùn)行時(shí),油箱油位也會(huì)存在一定的上升和下降,模型要識(shí)別正常運(yùn)行和泄漏時(shí)造成油位變化的不同特征。

(3)模型需適應(yīng)不同工況下的油位變化狀況。

預(yù)警模型選取的模型構(gòu)建為二維卷積神經(jīng)網(wǎng)絡(luò)(2D convolutional neural networks,2D CNN)。與一維卷積神經(jīng)網(wǎng)絡(luò)(1D convolutional neural networks,1D CNN)相比,2D CNN能夠利用圖像中的空間信息對(duì)數(shù)據(jù)進(jìn)行輔助判斷,能提高模型的精度;與循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)相比,2D CNN具有參數(shù)量更少的優(yōu)點(diǎn),可減少模型訓(xùn)練過程和部署至大數(shù)據(jù)平臺(tái)之后的模型計(jì)算量。

圖片數(shù)據(jù)是輸入層,卷積層可對(duì)特征提取,池化層用于對(duì)數(shù)據(jù)降維,全連接層用作為分類器,輸出層為標(biāo)簽的分類類型。卷積神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)結(jié)構(gòu)逐層從樣本中學(xué)習(xí)特征,通過網(wǎng)絡(luò)中的非線性單元,從上而下提取信息,如圖6所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)下數(shù)理建模圖Fig.6 Mathematical modeling graph under convolutional neural network

(4)

(5)

一個(gè)卷積核代表一個(gè)權(quán)重矩陣,不同的卷積核代表不同的故障特征,卷積核工作時(shí),對(duì)感受視野內(nèi)的輸入矩陣做元素乘法求和并疊加偏置,以設(shè)定步長移動(dòng)卷積核,并映射到全部區(qū)域,具體計(jì)算公式為

(6)

式(6)中:l為層數(shù);k為卷積核;Kj代表輸入層的感受視野,各個(gè)特征圖對(duì)應(yīng)其中一個(gè)偏置bj值。

高壓抗燃油系統(tǒng)異常預(yù)警模型選擇Relu函數(shù)作為激活函數(shù),公式為

(7)

池化層對(duì)卷積層輸出的數(shù)據(jù)進(jìn)行二次特征提取,實(shí)現(xiàn)降低其維度的目的,采用最大值池化方式,對(duì)于每個(gè)區(qū)域都用區(qū)域中最大的像素值來代表整個(gè)區(qū)域,避免丟失太多信息,降低圖片的尺寸,參數(shù)量和計(jì)算量得到減少,如圖7所示。

批量歸一化處理是為了增加模型識(shí)別準(zhǔn)確性,有針對(duì)性的分批對(duì)建模數(shù)據(jù)進(jìn)行處理分析。批量歸一化層包括方差、輸入數(shù)據(jù)總體均值及批量歸一化處理,表達(dá)式為

(8)

圖7 最大池化示意圖Fig.7 Schematic diagram of maximum pooling

(9)

(10)

全連接層包括卷積層與最大池化層獲取的特征信息分類,全連接層與最后一個(gè)池化層聯(lián)系緊密,利用 Softmax分類器連接在最后一層全連接層后面,將最后一層全連接輸出的邏輯值映射為概率分布得出預(yù)測結(jié)果,其表達(dá)式為

YN=f(WNxN-2bN)

(11)

式(11)中:N為網(wǎng)絡(luò)層編號(hào);YN為全連接層輸出;WN為權(quán)重矩陣;xN-2為二維特征向量;bN為偏置矩陣。

2.2 損失函數(shù)

輸出結(jié)果用來判斷模型的擬合效果,常用的目標(biāo)函數(shù)有均方差函數(shù)和交叉熵函數(shù),其具有更適合分類任務(wù)的特點(diǎn),表達(dá)式為

(12)

式(12)中:M為種類數(shù)量;yC為數(shù)據(jù)的標(biāo)簽,如果目標(biāo)的類別為i,則yC=1,否則為0;ρC為Softmax分類器輸出的概率值。

2.3 Adam優(yōu)化算法

利用Adam(adaptive moment estimation)算法修正神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率,限制在可控范圍內(nèi)。

梯度計(jì)算、偏一階矩迭代、偏二階矩迭代和權(quán)重計(jì)算公式為

(13)

s=ρ1s+(1-ρ1)g

(14)

(15)

ν=ρ2s+(1-ρ2)ggT

(16)

(17)

(18)

2.4 模型評(píng)價(jià)指標(biāo)

設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),劃分好訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練,再用驗(yàn)證數(shù)據(jù)集進(jìn)行模型驗(yàn)證。主要從模型準(zhǔn)確率、交叉熵?fù)p失和模型預(yù)測時(shí)間等對(duì)其評(píng)價(jià),表達(dá)式為

(19)

式(19)中:Amod為模型預(yù)測準(zhǔn)確率;Rmod為模型預(yù)測正確的圖片個(gè)數(shù);Tmod為驗(yàn)證數(shù)據(jù)集的總量。

2.5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本模型涉及問題是一個(gè)圖像多分類問題,即根據(jù)圖像判斷油位變化狀況。設(shè)計(jì)的網(wǎng)絡(luò)如表3所示,特征提取單元使用兩個(gè)卷積層,第一個(gè)卷積層包含32個(gè)5×5的卷積核,提取較大范圍內(nèi)的特征。最大池化后的第二個(gè)卷積層包含16個(gè)3×3的卷積核,進(jìn)一步提取更深層次的特征。再經(jīng)過一次最大池化后將二維特征展開成一維輸入預(yù)測單元中,預(yù)測單元包含兩個(gè)分別包含512與64個(gè)神經(jīng)元的全連接層,最后輸出層使用Sigmoid函數(shù)輸出二分類結(jié)果(0或1)。

表3 油系統(tǒng)泄露模型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)Table 3 Convolutional neural network structure design of oil system leakage model

最終模型的參數(shù)數(shù)量為3 315 761,推理速度在1 s以內(nèi)。

2.6 模型驗(yàn)證

18:56:49油位開始下降,到19:02:19時(shí)下降至50 mm,母管壓力隨之降低,油箱油溫未受其影響,選取此過程為油泄露工況,如圖8所示。

在18:57:19 PM,模型輸出油箱泄露的預(yù)警故障信號(hào),證明模型提前發(fā)現(xiàn)油泄露問題,如圖9所示。

圖8 油泄露工況圖Fig.8 Oil leak working condition diagram

圖9 油泄露模型預(yù)警工況圖Fig.9 Oil leak model early warning working condition diagram

3 平臺(tái)模型聯(lián)合測試

因數(shù)理模型只能滿足油系統(tǒng)泄露提前預(yù)警的功能,無法準(zhǔn)確對(duì)泄露程度進(jìn)行分析判斷,需利用大數(shù)據(jù)平臺(tái)算子塊進(jìn)行對(duì)故障的精細(xì)化機(jī)理判斷。

3.1 高壓抗燃油系統(tǒng)數(shù)理模型算子測試

測試采用20 s的時(shí)間區(qū)間,在時(shí)間區(qū)間內(nèi)的測點(diǎn)數(shù)據(jù)進(jìn)行預(yù)警,共兩份測試文件,如圖10和圖11所示。分別對(duì)應(yīng)大數(shù)據(jù)平臺(tái)生成的虛擬測點(diǎn)“SY.FW_0003”為抗燃油壓力、“SY.FW_0004”為油箱油溫、“SY.FW_0005”油箱油位。

大數(shù)據(jù)平臺(tái)輸出結(jié)果釋義為“0”為抗燃油系統(tǒng)運(yùn)行正常,“1” 為抗燃油系統(tǒng)油泄露預(yù)警。則需要驗(yàn)證2個(gè)測試模型案例,判定模型算法是否達(dá)到預(yù)期效果。

(1)使用測試文件中的正常運(yùn)行數(shù)據(jù)進(jìn)行測試,在平臺(tái)驗(yàn)證結(jié)果為模型未發(fā)生預(yù)警,如圖12和圖13所示。

(2)使用測試文件的油系統(tǒng)泄露數(shù)據(jù)進(jìn)行測試,并驗(yàn)證結(jié)果在18:57:19報(bào)出預(yù)警,在此刻油箱油位已開始逐步下降,證明本次測試符合預(yù)期效果,如圖14所示。

圖10 油系統(tǒng)運(yùn)行正常數(shù)據(jù)圖Fig.10 Data chart of oil system operation normal

圖11 油系統(tǒng)泄露數(shù)據(jù)圖Fig.11 Oil system leakage data diagram

圖13 油系統(tǒng)運(yùn)行正常數(shù)據(jù)測試結(jié)果圖Fig.13 Oil system normal operation data test result graph

3.2 高壓抗燃油系統(tǒng)模型聯(lián)合測試

利用平臺(tái)算子塊進(jìn)行輔助機(jī)理判斷,實(shí)現(xiàn)故障預(yù)警油泄露程度的判斷。

使用測試文件的油系統(tǒng)泄露數(shù)據(jù)觸發(fā)預(yù)警,并根據(jù)當(dāng)前油箱油位與油箱油位(前1 min)的差值來確定此時(shí)油泄露速率,并對(duì)當(dāng)前泄露程度做出判斷:

(1)高壓抗燃油系統(tǒng)發(fā)生輕微泄露時(shí),油箱油位的泄露速率小于3 mm/min。

(2)高壓抗燃油系統(tǒng)發(fā)生中度泄露時(shí),油箱油位的泄露速率在3～5 mm/min。

(3)高壓抗燃油系統(tǒng)發(fā)生重度泄露時(shí),油箱油位的泄露速率大于5 mm/min。

測試結(jié)果符合測試數(shù)據(jù)設(shè)定要求,最終輸出“高壓抗燃油系統(tǒng)重度泄露”預(yù)警,如圖15和圖16所示。

測試完畢后,通過大數(shù)據(jù)平臺(tái)一級(jí)界面、二級(jí)界面和三級(jí)界面的預(yù)警提示做最終驗(yàn)證工作。若預(yù)警實(shí)現(xiàn)后,大數(shù)據(jù)平臺(tái)的一級(jí)界面、二級(jí)界面和三級(jí)界面都會(huì)根據(jù)預(yù)警作出相應(yīng)的提示,并無延時(shí)。則說明從在大數(shù)據(jù)平臺(tái)中后端到前端的模型傳輸過程中準(zhǔn)確無誤,此次驗(yàn)證模型聯(lián)合預(yù)警功能成功。

4 結(jié)論

以數(shù)據(jù)通信調(diào)試、模型準(zhǔn)確性調(diào)試、畫面展示及推送即時(shí)性調(diào)試,實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)下的故障診斷模型全流程精細(xì)化調(diào)試。

圖14 油系統(tǒng)泄露數(shù)據(jù)進(jìn)行測試結(jié)果圖Fig.14 Oil system leakage data for test result graph

圖15 高壓抗燃油系統(tǒng)數(shù)理及機(jī)理模型圖Fig.15 Mathematical and mechanism model diagram of high-pressure anti-fuel system

圖16 高壓抗燃油系統(tǒng)數(shù)理及機(jī)理模型測試圖Fig.16 Test diagram of mathematical and mechanism model of high-pressure anti-fuel system

(1)數(shù)據(jù)通信調(diào)試確保大數(shù)據(jù)平臺(tái)與故障診斷庫之間的數(shù)據(jù)傳輸狀態(tài)正常,避免因通信故障導(dǎo)致故障診斷庫無法接收信息而使對(duì)機(jī)組運(yùn)行狀態(tài)的監(jiān)視及故障預(yù)測喪失。

(2)模型準(zhǔn)確性調(diào)試可確保建模完成后,模型轉(zhuǎn)移至大數(shù)據(jù)平臺(tái)或故障模型庫中時(shí)準(zhǔn)確無誤,避免因模型轉(zhuǎn)移失誤導(dǎo)致在機(jī)組實(shí)際運(yùn)行中模型輸出結(jié)果計(jì)算錯(cuò)誤而造成故障誤報(bào)、故障漏報(bào)或故障預(yù)測不及時(shí)等問題。

(3)畫面展示及信息推送調(diào)試可確保故障診斷庫和大數(shù)據(jù)平臺(tái)可及時(shí)、準(zhǔn)確將機(jī)組運(yùn)行狀況反饋給運(yùn)行人員,可全面對(duì)機(jī)組運(yùn)行狀態(tài)了解更清晰,對(duì)缺陷處理更及時(shí),是機(jī)組運(yùn)行安全、穩(wěn)定及高效。