买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宝武装备智能科技有限公司

摘要：本发明公开了一种基于自编码器‑极限学习机大型空分装置健康度评价方法，本方法读取空分装置各维度设备，包括空压机系统、空气预冷系统、空气纯化系统、蒸汽加热系统、膨胀机系统以及液体泵系统的运行历史数据，采用历史数据对自编码器‑极限学习机进行训练，基于自编码器的异常检测方法构建自适应预警模型，依据各参数的变化，实时动态调整故障权重，通过极限学习机计算得出故障程度因子，进而调整故障对健康度的影响，经健康度评判集合给出空分装置中各维度设备的健康度等级。本方法实时监测空分装置的运行状态，及时发现空分装置的各类故障，依据各参数变化，实时动态调整故障权重，进而调整故障对健康度的影响，提高健康度评价的准确性。

主权项：1.一种基于自编码器-极限学习机大型空分装置健康度评价方法，其特征在于包括如下步骤：步骤一、读取空分装置振动、电流、压力、温度和液位的历史数据，其中，振动数据计算1倍至10倍转速频率、0.25倍转速频率、0.5倍转速频率和0.8倍转速频率，以及对应的振动幅值分量，电流、压力、温度和液位数据清洗去除空分装置转速小于15％额定转速工况的数据；步骤二、对读取的数据集进行数据归一化处理,保留数据的时序关系,其中,X＝{X1,X2,…,Xn}为原始数据集,Xmax、Xmin分别为原始数据集特征序列中的最大值和最小值，之后X去中心化，将X中的每个数据减去X的平均值，原始数据集中80％数据作为训练样本集、20％数据作为检验样本集，搭建自编码网络；步骤三、采用自编码器对空分装置实时数据的阈值更新，自编码器损失函数Loss监测编码数据与原始数据的重构效果，并将实时数据压缩至低维表示形式，用于捕获各种变量之间的相关性和相互作用；自编码网络采用训练样本集和检验样本集进行训练和检验，使得自编码网络输出与输入的误差最小，采用均方误差作为训练的损失函数： 其中，Loss为自编码网络损失值，m为输入故障特征的维数；n为样本数；xij为第i个样本第j个原始输入特征；为使降维后的故障特征尽可能地保持原始输入故障特征的表征能力，应使得误差Loss尽可能小，以此判断重构后的时间序列与原始时间序列的整体误差和局部误差是否异常；步骤四、采用极限学习机计算空分装置各维度故障程度因子，激活函数选用Sigmoid函数： 式中，fx为sigmoid激活函数，x是输入的向量，e是自然常数；由于sigmoid函数输出的结果在0到1之间，它可以用于二元分类问题，即将结果映射到一个二元输出；极限学习机的输出函数为：Hβ＝T3式中，H为神经网络隐含层的输出矩阵，β表示输出层权重矩阵，T表示前向传播的输出； 式中，Gai,bi,xi其第i列对应第i个隐含层单元的输出向量；βi其第i列对应输出层权重矩阵输出向量；Ti表示第i列对应前向传播的输出；如果H是列满秩，使用最小二乘法求最佳权重：其中H+＝HTH-1HT；式中，为β的最佳权重，H+表示H的广义逆矩阵；如果H不是列满秩，则采用奇异值分解法求解H的广义秩来计算最佳权重；根据振动时域原始波形信号计算对应频域信号，再根据选取的特征占比确定空分装置不平衡、不对中、松动、轴承擦瓦和油膜震荡的故障程度因子φ，φ∈[0,1]，当φ接近于0时，则说明空分装置状态良好，反之当φ接近于1时，则说明空分装置故障程度较高；对于振动实时数据，根据实时时域原始波形信号先计算出10个倍频振动幅值分量，再将10个倍频振动幅值分量、0.25倍频振动幅值分量、0.5倍频振动幅值分量和0.8倍频振动幅值分量，以及空分装置设备的电流、压力、温度和液位输入到极限学习机中，计算得出故障程度因子φ；故障程度因子φ通过证书函数影响健康度：Spenalty＝aφ-1a＞14式中，φ为故障程度因子，a为大于1的常数，Spenalty为健康度惩罚得分；最终健康度评价为：Score＝1-Spenalty5式中，Score为最终健康度，Spenalty为健康度惩罚得分；步骤五、确定大型空分装置各维度设备的健康度评判集合，将空分装置运行状态定性划分为健康、比较健康、亚健康、故障、严重故障五个层级，健康：表征设备正常运转，未出现任何故障或异常情况，性能表现优异，比较健康：表征设备运转良好，仅出现轻微故障或异常情况，性能表现正常；亚健康：表征设备出现一些故障或异常情况，但仍可正常运转，性能表现稍有下降；故障：设备出现多次故障或异常情况，需要频繁维修或更换部件，性能表现明显下降；严重故障：表征设备常常出现故障或异常情况，无法正常运转或需要大量的时间和费用进行修理或更换，性能表现严重下降。

全文数据：

权利要求：

百度查询： 宝武装备智能科技有限公司 基于自编码器-极限学习机大型空分装置健康度评价方法