(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211079572.4 (22)申请日 2022.09.05 (71)申请人 南京泽宜电力工程有限公司 地址 210000 江苏省南京市江宁区秣陵街 道龙眠大道689号天御溪岸花园6幢 221室(江宁高新园) (72)发明人 董磊　顾成龙　 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于全工况卷积特征记忆的引风机故 障预警方法 (57)摘要 本发明涉及电站设备故障预警技术领域， 尤 其为一种基于全工况卷积特征记忆的引风机故 障预警方法， 包括以下步骤： 步骤一， 引风机历史 数据获取； 步骤二， R稳态 检验； 步骤三， 动态区间 拓延； 步骤四， 离线阶段的数据归一化与划分； 步 骤五， 构建样本集； 步骤六， 模型训练， 基于CA E‑M 对训练样本集建模； 步骤七， 模型验证； 步骤八， 故障预警阈值计算； 步骤九， 在线阶段的实时数 据归一化， 将各参数进行归一并与历史数据构成 窗口数据； 步骤十， 实时监测与预警， 输入模型得 到实时监测指标， 对比故障阈值实现实时故障预 警。 本发明基于机组历史运行数据， 提出监测指 标作为引风机故障的判别标准， 可以实现全工况 特征表达与故障预警。 权利要求书2页 说明书6页 附图1页 CN 115526238 A 2022.12.27 CN 115526238 A 1.一种基于全工况 卷积特征记忆的引风机故障预警方法， 其特 征在于， 包括以下步骤： 步骤一， 引风机历史数据获取， 从机组数据库获取引风机状态参数的正常历史数据； 步骤二， R稳态检验， 使用R稳检验将数据划分为稳态和动态区间； 步骤三， 动态区间拓延， 将引风机动态区间向稳态区间拓延， 得到增广动态区间数据集 {Di}； 步骤四， 离线阶段的数据归一化与划分， 将区间集合内数据归一化并划分为训练数据 与验证数据； 步骤五， 构建样本集， 利用滑动窗口分别对训练数据、 验证数据内区间采样； 步骤六， 模型训练， 基于 CAE‑M对训练样本集建模； 步骤七， 模型验证， 基于训练好的模型 得到验证样本集对应的S PE序列； 步骤八， 故障预警阈值计算， 根据验证样本SPE序列的核密度估计结果得到故障预警阈 值； 步骤九， 在线阶段的实时数据归一 化， 将各参数进行归一并与历史数据构成窗口数据； 步骤十， 实时监测与预警， 输入模型得到实时监测指标， 对比故障阈值实现实时故障预 警。 2.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 正常历史数据为从电站实时数据库中采集表征引风机状态的相关参数在各种工况 下的正常历史数据， 得到 离线数据D， 按时间顺序以10s作为间隔采集数据。 3.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： R稳态检验通过R检验法对时间序列运行数据进行稳态判定， 分别以引风机电机功 率、 引风机进 出口差压作为稳态判别对象， 取两者均为稳态的时刻作为总体稳态时刻， 得到 引风机稳态、 动态工况区间的划分结果， 其中引风机电机功率和引风机进出 口差压的一阶 滤波值、 一阶滤波均方差和方差的无偏估计值计算方式为： xf,i＝ λ1xi+(1‑λ1)xf,i‑1 取λ1＝0.2， λ2＝0.1， λ3＝0.01， 分别取序列前10个值的平均值和方差分别作为xf,0、 令 定义统计量Ri， 如果Ri小于阈值2， 认为该时刻 数据处于稳态并定义状态标识量为1， 否 则认为数据处于动态， 状态标识量 为0， Ri计算公式如下： 4.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 增广动态区间数据集{Di}包括引风机全部具有代 表性的稳态与动态工况。 5.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 离线数据的归一化将增广动态区间数据集{Di}中的数据进行归一化， 并将其按照 一定比例划分为训练数据{Di}t与验证数据{Di}v， 不破坏区间内的连续性与区间之间的差权　利　要　求　书 1/2 页 2 CN 115526238 A 2异性， 所述训练数据与验证数据均尽可能覆盖全部 工况。 6.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 使用长度为l的滑动窗以步长 s对训练数据{Di}t和验证数据{Di}v内各个增广动态 区间进行采样， 得到训练样本集{WDi}t和验证样本集{WDi}v。 7.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： CAE ‑M对训练样 本集{WDi}t进行建模， 得到 反映引风机正常状态下全工况特性的模 型， 并将验证样本集{WDi}v输入训练的模型中计算 监测指标S PE： 8.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 故障预警 阈值的计算为使用核密度估计得到验证样本集SP E的概率密度函数， 将累 积概率为0.99时的SPE值作为偏差限值， 即引风机故障预警阈值h 。 9.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 实时数据归一化将引风机各参数实时数据使用与训练数据、 验证数据相同的数值 进行归一 化， 并与其前l ‑1个时刻已归一 化的数据组合， 构成长度为 l的窗口数据。 10.根据权利要求1所述的一种基于全工况卷积特征记忆的引风机故障预警方法， 其特 征在于： 将实时窗口数据输入已训练的模 型， 得到实时SP E， 如果实时SPE大于故障预警 阈值 h， 认为引风机状态 异常， 发出故障预警信号， 否则认为引风机处于正常状态。权　利　要　求　书 2/2 页 3 CN 115526238 A 3