(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 202111671396.9 (22)申请日 2021.12.31 (71)申请人 上海恕笃智能科技有限公司 地址 200241 上海市闵行区东川路5 55号乙 楼1层1001室(集中登记地) (72)发明人 厉海涛　任平　谭红旭　张朝磊　 (74)专利代理 机构 上海助之鑫知识产权代理有 限公司 31328 专利代理师 吴红艳 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于快速自主学习的电厂设备实时故 障预警方法 (57)摘要 本发明涉及故障预警技术领域， 具体为一种 基于快速自主学习的电厂设备实时故障预警方 法， 采用快速高效的机器学习实现海量数据的分 钟级快速训练和秒级快速预测， 实现电厂设备实 时在线故障预警， 其主要步骤包括： 快速自主学 习模型训练； 快速自主学习模型在线预测； 快速 自主学习模 型在线训练。 能够对电厂设备故障相 关的多个测点的海量数据在普通计算机服务器 环境下进行分钟级快速学习， 减少模 型训练时间 成本和计算 资源， 减少预警模型开发人员的专业 依赖和数据分析人力成本， 通过秒级快速学习能 够实现对设备运行数据进行实时收集和自主学 习， 对预警模型进行实时动态修正， 从而提高模 型的预警精度。 权利要求书2页 说明书5页 附图3页 CN 114444714 A 2022.05.06 CN 114444714 A 1.一种基于快速自主学习的电厂设备实时故障预警方法， 其特征在于， 包括： 快速自主 学习模型训练； 快速自主学习模型在线预测； 快速自主学习模型在线训练； 其中， 快速自主学习模型训练包括以下步骤： 步骤A1： 采集预警模型相关的历史数据， 并进行相关的数据预处 理， 形成原 始数据集 步骤A2： 对采集的历史数据集进行平均值 标准差 计算， 形成历史数据特 征； 步骤A3： 通过KMeans快速聚类机器学习算法， 形成电厂设备运行自主训练识别的k个模 式状态， 完成聚类核心mx|s和聚类数据集 的计算； 步骤A4： 通过高斯混合模型 快速训练算法， 形成电厂设备运行自主训练识别的高斯核； 步骤A5： 最终实现快速自主训练模型的特征构 建， 完成高斯核协方差矩阵Cx|s的计算完 成模型训练； 快速自主学习模型在线预测包括以下步骤： 步骤B1： 采集预警模型相关的实时数据， 并进行相关的数据 预处理， 形成原始数据向量 步骤B2 ： 加载 训练好的预警模型的特征数据 ， 构造高斯混合模型高斯核 步骤B3： 采用轻量级E M迭代算法， 完成Θ的迭代计算； 步骤B4： 采用基于高斯核距离评判标准的健康度评估算法完成预警模型动态健康度计 算， 并根据预警模型健康度单一 量化指标进行 预警逻辑判断， 完成模型 预测和预警判断； 快速自主学习模型在线训练包括以下步骤： 步骤C1： 进入本轮实时计算流程， 完成预警模型动态加载mx|s、 Cx|s， 使得本轮计算分析 的预警模型始终处于最 新状态； 步骤C2： 预警模型实时预测分析， 计算预测值x*和预测值 误差σ2(x*)； 步骤C3： 计算基于高斯核距离的健康度单一量化评估指标H， 完成预警模型实时动态健 康度评估； 步骤C4： 预警逻辑判断， 触发当前时刻预警， 并进入下一轮实时计算 流程； 步骤C5： 触发的预警通过报警合并， 进入报警处 理流程完成报警诊断； 步骤C6： 诊断结果确定当前 预警是否属于正常报警； 步骤C7： 如果是正常报警则向系统用户推送检维修建议； 步骤C8： 如果是误报警， 则系统后台自动统计误报警时间段和误报警的测点历史数据 存储； 步骤C9： 同时调用快速自主训练算法， 对 模型进行误报警数据的在线二次训练； 步骤C10： 完成模型在线更新， 以保证后续实时计算流程动态加载的模型是在线二 次训 练后的模型。 2.根据权利要求1所述的基于快速自主学习的电厂设备实时故障预警方法， 其特征在 于， 步骤B3中，权　利　要　求　书 1/2 页 2 CN 114444714 A 2其 中 ， 对 实 时 数 据 的 预 测 值 和预测值 误差 进行计算。 3.根据权利要求1所述的基于快速自主学习的电厂设备实时故障预警方法， 其特征在 于， 步骤B4中， 预警模型动态健康度计算公式为： 权　利　要　求　书 2/2 页 3 CN 114444714 A 3