一种提升评估模型预警提前性和准确性的方法技术

本发明专利技术公开了一种提升评估模型预警提前性和准确性的方法，根据现场生产异常记录，筛选出建模对象j的历史生产异常时间集合D，模型捕捉生产异常前k时间内的数据变化规率，模型评估对象在生产异常前k时间内的健康度HPI方差和斜率变化趋势提前反映异常；设置健康度HPI方差和斜率的阈值，如果超出该阈值，模型开始预警；根据阈值参数d

【技术实现步骤摘要】
一种提升评估模型预警提前性和准确性的方法


[0001]本专利技术涉及智能评估诊断模型的建模方法，特别是一种提升评估模型预警提前性和准确性的方法。

技术介绍

[0002]水泥企业属于不间断生产的流程行业，在生产过程中有成千上百个传感器采集各个生产环节的关键节点数据。目前这部分数据对于用户来说主要应用在单个测点的阈值范围监测和工艺生产调试，这两者都是基于点的监测或是控制回路(线)的监测，无法做到整体(面)的状态评估。
[0003]专利CN102270271B：《基于相似度曲线的设备故障早期预警及优化的方法和系统》，简称评估系统(IEM)是利用工厂设备测点、工艺测点的历史正常运行数据，建立设备模型和工艺模型，用以监测设备故障、早期预警或运行操作条件的漂移。评估系统(IEM)实时输出建模对象健康度(HPI)得分，与健康度HPI标准值进行比较。当实时健康度HPI持续低于标准值HPI一段时间后进行报警输出。其中，健康度HPI值是根据建模历史数据计算出的标准固定值。
[0004]将上述专利技术应用在水泥行业的实践中，出现了以下几个问题：
[0005]第一，使用模型健康度HPI基准值比较的方式得到的报警，往往建模对象已经处于生产异常的状态。因此实现不了提前性预知、预判、预警的需求。
[0006]第二，评估系统(IEM)内置了丰富的报警原因规则，这些原因规则，大部分是对关键位置测点在生产异常前的数据变化的描述。而在实际应用中，基于第一点，发现当HPI预警产生时，并没有符合条件的原因规则报出。
[0007]以上应用的问题原因分析：
[0008]第一，评估系统(IEM)模型计算出的健康度HPI值是单个时间点的期望值，参照的是历史数据中相似状态空间对应的健康度值。因而评估模型得到的健康度不直接具备趋势预警功能。而目前梳理的一般专家经验知识，都是基于健康度HPI或者某个测点在最近一段时间内的变化趋势来匹配的。所以，本质上来说。评估系统(IEM)是不带时间趋势的点对点的分类模型，而现实的规则匹配是带有时间趋势的多测点组合模型，这是最根本的区别，也导致了模型无法实现提前预警功能。
[0009]第二，模型健康度HPI是受到所有测点残差的总体影响，而报警规则是基于特定测点的残差，按照规则组合后触发的报警。因此当HPI产生预警时，组合测点预警规则不一定同时出现。
[0010]因而，为了实现故障提前预警及报出更多的对应故障原因，对评估系统IEM的预警方法进行改进。

技术实现思路

[0011]针对现有技术中存在的问题，本专利技术提供了一种可以体现故障的提前性趋势、可
以衡量提前性趋势和历史故障的重合率、解决人工校正预警准确性成本高的问题的提升评估模型预警提前性和准确性的方法。
[0012]本专利技术的目的通过以下技术方案实现。
[0013]一种提升评估模型预警提前性和准确性的方法，步骤包括：
[0014]1)现场生产异常记录包括生产异常的开始、结束时间，停机原因，将现场生产异常记录作为模型负样本的来源，通过滑动窗长的方法提炼获得真实生产异常前的数据模式，根据现场生产异常记录，筛选出建模对象j的历史生产异常时间集合D，D＝{d1，d2，
…
，d
n
}，其中d
n
＝t
nbegin
，d
n
是第n个生产异常时间，t
nbegin
是第n个异常时间段的开始时间；
[0015]2)模型捕捉生产异常前k时间内的数据变化规律：根据步骤1)得到的异常时间集合D，使用每个生产异常开始时间t
nbegin
向前减去k个时间，代表生产异常在数据模式上的提前性，初始的k值根据建模对象预警提前性需求确定。得到历史生产异常前k个时间段集合D
k
，D
k
＝{d
k1
，d
k2
，
…
，d
kn
}，其中d
kn
＝(t
n begin
‑
k，t
nbegin
)，d
kn
是每一段生产异常前的预警提前时间，也是开始存在数据异常的时间；
[0016]3)模型评估对象在生产异常前k时间内的健康度HPI方差和斜率变化趋势提前反映异常，因此需要计算建模对象j在集合D
k
内的健康度HPI方差D
kv
、健康度HPI斜率D
ks
，其中D
kv
＝{d
kv1
，d
kv2
，
…
，d
kvn
}，D
ks
＝{d
ks1
，d
ks2
，
…
，d
ksn
}；
[0017]4)设置健康度HPI方差和斜率的阈值，如果超出该阈值，模型开始预警；
[0018]5)计算在生产异常前k个时间内，根据阈值参数d
kv
T、d
ks
T，得到的历史生产异常预警的方差、斜率重合率指标pD
kvp
、pD
ksp
，其中
[0019][0020][0021]6)建立HPI趋势预警重合率损失函数表征提前方差、斜率异常变化和历史生产异常的重合率，重合率越高，表示参数k、d
kv
T、d
ks
T越合适；
[0022]p＝pD
kvp
+pD
ksp
；
[0023]7)使用启发式算法求解HPI趋势预警重合率损失函数，寻找参数k、d
kv
T、d
ks
T合适值使得损失函数p值最大；
[0024]8)将确定建模对象最优的报警提前时长k，建模对象最合适的健康度HPI方差阈值d
kv
T，斜率阈值d
ks
T代入步骤1)
‑
7)，随着模型更新而重新求解，因而具有自适性；
[0025]9)模型运行时，实时计算k时间段内的健康度HPI方差d
kv
是否超出d
kv
T，若超出则提示方差预警；实时计算k时间段内的健康度HPI斜率d
ks
是否超出d
ks
T，若超出则提示斜率预警。
[0026]使用历史数据，根据阈值参数对故障重合率的统计方式，故障重合率体现了以上参数阈值设置是否合理，并且可进一步判断该故障类型是否具有提前预警的可能性，
[0027]首先初始化集合D
kv
、D
ks
的元素阈值分别为d
kv
T、d
ks
T、其次根据阈值参数d
kv
T、d
ks
T得到故障重合判断集合D
kvp<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提升评估模型预警提前性和准确性的方法，其特征在于步骤包括：1)现场生产异常记录包括生产异常的开始、结束时间，停机原因，将现场生产异常记录作为模型负样本的来源，通过滑动窗长的方法提炼获得真实生产异常前的数据模式，根据现场生产异常记录，筛选出建模对象j的历史生产异常时间集合D，D＝{d1，d2，
…
，d
n
}，其中d
n
＝t
nbegin
，d
n
是第n个生产异常时间，t
nbegin
是第n个异常时间段的开始时间；2)模型捕捉生产异常前k时间内的数据变化规律：根据步骤1)得到的异常时间集合D，使用每个生产异常开始时间t
nbegin
向前减去k个时间，代表生产异常在数据模式上的提前性，初始的k值根据建模对象预警提前性的需求确定，得到历史生产异常前k个时间段集合D
k
，D
k
＝{d
k1
，d
k2
，
…
，d
kn
}，其中d
kn
＝(t
nbegin
‑
k，t
nbegin
)，d
kn
是每一段生产异常前的预警提前时间，也是开始存在数据异常的时间；3)模型评估对象在生产异常前k时间内的健康度HPI方差和斜率变化趋势提前反映异常，因此需要计算建模对象j在集合D
k
内的健康度HPI方差D
kv
、健康度HPI斜率D
ks
，其中D
kv
＝{d
kv1
，d
kv2
，
…
，d
kvn
}，D
ks
＝{d
ks1
，d
ks2
，
…
，d
ksn
}；4)设置健康度HPI方差和斜率的阈值，如果超出该阈值，模型开始预警；5)计算在生产异常前k个时间内，根据阈值参数d
kv
T、d
ks
T，得到的历史生产异常预警的方差、斜率重合率指标pD
kvp
...

【专利技术属性】
技术研发人员：刘林，崔保华，李慧霞，张成伟，张爱民，王磊，李安平，武艳文，
申请(专利权)人：南京凯盛国际工程有限公司，
类型：发明
国别省市：