System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种柴油发电机组的故障监控方法及装置。
技术介绍
1、柴油发电机组在工业上和经济上都有广泛的应用和重要意义。从工业角度来看,柴油发电机组作为主要的电源,为无法接入电网的工业厂区或者远程地区提供可靠的供电服务。此外,柴油发电机组具有启动时间短、负载承受能力强、操作简单等特点,易于维护和管理,使其成为许多工业企业不可或缺的一部分。从经济角度来看,由于柴油发电机组可以独立运行,不依赖于城市电网的供电,因此可以避免电力短缺、停电等问题带来的经济损失。其次,柴油发电机组的燃料成本相对其他发电方式更低,且不会受到天气等自然条件的限制,因此可以节约能源成本,并且保证生产和供电的持续稳定。
2、但是,一旦柴油发电机组出现故障,将会导致场所停电或生产线不正常停机,影响产品生产的效率、工业的持续发展以及部分地区的正常生活。
3、许多柴油发电机组仍然采用传统的人工巡检和定期维护方式,这种方式往往依赖于人员的主观判断和经验,容易忽略隐藏的故障迹象或延误处理时间,同时,柴油发电机组缺乏实时数据监测和数据智能分析,导致柴油发电机组的故障监控效率较低,因此如何提升柴油发电机组的故障监控效率,成为了亟待解决的问题。
技术实现思路
1、本专利技术提供一种柴油发电机组的故障监控方法及装置,其主要目的在于解决柴油发电机组的故障监控时效率较低的问题。
2、为实现上述目的,本专利技术提供的一种柴油发电机组的故障监控方法,包括:
3、采集柴油发电
4、生成所述初级数据的集成特征,对所述集成特征进行特征归一化,得到所述集成特征的归一化特征;
5、利用预设的决策算法生成所述柴油发电机组的故障监控模型,其中,所述预设的决策算法为:
6、
7、其中,obj(t)是所述故障监控模型的第t轮迭代的目标函数值,是衡量所述故障监控模型的预测结果与真实标签之间的差异值,yi是所述故障监控模型的样本的真实标签,是在第t-1轮迭代中对所述样本的预测标签,i是所述样本的样本索引,t表示迭代的轮数,k是生成的决策树的树索引,k是需要构建的决策树的树总数,γ是正则化系数,t是所述戒色书的叶节点数量,ωj是第j个叶节点的权重,j是所述叶节点的节点索引;
8、对所述故障监控模型进行参数调优,得到优化后的故障监控模型;
9、利用所述归一化特征对所述优化后的故障监控模型进行模型训练,得到训练完成的故障监控模型;
10、获取所述柴油发电机组的实时数据,利用所述训练完成的故障监控模型和所述实时数据生成所述柴油发电机组的故障结果。
11、可选地,所述采集柴油发电机组的传感数据,包括:
12、利用预设的传感设备采集柴油发电机组的传感数据,其中,所述传感数据包括:温度数据、压力数据、振动数据和频率数据。
13、可选地,所述对述传感数据进行异常值剔除,得到所述传感数据的初级数据,包括:
14、根据所述传感数据的时间标签生成所述柴油发电机组的数据序列;
15、根据所述数据序列对所述传感数据进行离群点检测,得到所述传感数据的离群数据;
16、将所述离群数据标记为异常值,对所述传感数据中的异常值进行剔除,得到所述传感数据的初级数据。
17、可选地,所述根据所述数据序列对所述传感数据进行离群点检测,得到所述传感数据的离群数据:
18、利用如下离群点检测算法和所述数据序列对所述传感数据进行离群点检测,得到所述传感数据的离群数据:
19、
20、其中,fp(a)是所述传感数据的离群值,p是计算局部可达密度时考虑的最近邻点个数,a是所述传感数据的数据标识,np(a)是所述传感数据的p个最近邻点的集合,b是最近邻点的集合中的最近邻点标识,lrd(a)是所述传感数据a的局部可达密度,lrd(b)是所述传感数据b的局部可达密度。
21、可选地,所述生成所述初级数据的集成特征,包括:
22、提取所述初级数据的时序特征、统计特征和频域特征;
23、根据所述时序特征、所述统计特征和所述频域特征生成所述初级数据的集成特征。
24、可选地,所述对所述集成特征进行特征归一化,得到所述集成特征的归一化特征,包括:
25、生成所述集成特征中的子特征的特征权重;
26、根据所述特征权重和所述子特征生成所述集成特征的特征加权值;
27、根据所述特征加权值生成所述集成特征的归一化特征。
28、可选地,所述对所述故障监控模型进行参数调优,得到优化后的故障监控模型,包括:
29、确定所述故障监控模型的待调优参数和所述待调优参数的取值范围;
30、根据所述待调优参数和所述取值范围生成所述故障监控模型的参数空间;
31、遍历所述参数空间中的参数组合,根据所述参数组合生成所述故障监控模型的性能指标;
32、根据所述性能指标确定所述故障监控模型的最优参数组,根据所述最优参数组生成优化后的故障监控模型。
33、可选地,所述根据所述最优参数组生成优化后的故障监控模型,包括:
34、根据所述最优参数组中的最优学习率对所述故障监控模型进行学习率配置,得到一级监控模型;
35、根据所述最优参数组中的最优树的深度对所述一级监控模型进行树深度配置,得到二级监控模型;
36、根据所述最优参数组中的最优叶子节点数对所述二级监控模型进行叶子节点数配置,得到优化后的故障监控模型。
37、可选地,所述利用所述归一化特征对所述优化后的故障监控模型进行模型训练,得到训练完成的故障监控模型,包括:
38、根据所述归一化特征和所述归一化特征所对应的特征标签生成所述优化后的故障监控模型的模型训练集;
39、利用所述模型训练集对所述优化后的故障监控模型进行模型训练,得到所述优化后的故障监控模型的决策树集合;
40、根据所述决策树集合生成所述优化后的故障监控模型的模型指标,根据预设的指标阈值和所述模型指标生成训练完成的故障监控模型。
41、为了解决上述问题,本专利技术还提供一种柴油发电机组的故障监控装置,所述装置包括:
42、数据处理模块,用于采集柴油发电机组的传感数据,对所述传感数据进行异常值剔除,得到所述传感数据的初级数据;
43、特征生成模块,用于生成所述初级数据的集成特征,对所述集成特征进行特征归一化,得到所述集成特征的归一化特征;
44、模型构建模块,用于利用预设的决策算法生成所述柴油发电机组的故障监控模型,其中,所述预设的决策算法为:
45、
46、其中,obj(t)是所述故障监控模型的第t轮迭代的目标函数值,是衡量所述故障监控模型的预本文档来自技高网...
【技术保护点】
1.一种柴油发电机组的故障监控方法,其特征在于,所述方法包括:
2.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述采集柴油发电机组的传感数据,包括:
3.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述对述传感数据进行异常值剔除,得到所述传感数据的初级数据,包括:
4.如权利要求3所述的柴油发电机组的故障监控方法,其特征在于,所述根据所述数据序列对所述传感数据进行离群点检测,得到所述传感数据的离群数据:
5.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述生成所述初级数据的集成特征,包括:
6.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述对所述集成特征进行特征归一化,得到所述集成特征的归一化特征,包括:
7.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述对所述故障监控模型进行参数调优,得到优化后的故障监控模型,包括:
8.如权利要求7所述的柴油发电机组的故障监控方法,其特征在于,所述根据所述最优参数组生成优化后的故障监控
9.如权利要求1至8中任一项所述的柴油发电机组的故障监控方法,其特征在于,所述利用所述归一化特征对所述优化后的故障监控模型进行模型训练,得到训练完成的故障监控模型,包括:
10.一种柴油发电机组的故障监控装置,其特征在于,所述装置包括:
...【技术特征摘要】
1.一种柴油发电机组的故障监控方法,其特征在于,所述方法包括:
2.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述采集柴油发电机组的传感数据,包括:
3.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述对述传感数据进行异常值剔除,得到所述传感数据的初级数据,包括:
4.如权利要求3所述的柴油发电机组的故障监控方法,其特征在于,所述根据所述数据序列对所述传感数据进行离群点检测,得到所述传感数据的离群数据:
5.如权利要求1所述的柴油发电机组的故障监控方法,其特征在于,所述生成所述初级数据的集成特征,包括:
6.如权利要求1所述的柴油发电机组...
【专利技术属性】
技术研发人员:刘挺,张俊君,谢传楠,夏永洪,熊永康,宋冠宏,
申请(专利权)人:上海泰创智享智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。