一种基于孪生模型的设备健康程度实时评估方法

叶春明，李洪伟，肖 勇，刘俊峰，皇传泰

（1.华能聊城热电有限公司，山东 聊城 252041；2.西安热工研究院有限公司，陕西 西安 710038）

0 引言

状态检修是一种全新的设备检修方式，能根据先进的状态监测和诊断技术提供的设备状态信息，判断设备的异常，预知设备的故障，从而合理安排检修项目和周期的检修方式[1]。状态检修的实现需要以设备健康状态的综合评估结果为依据，同时根据预判的设备故障信息，在故障发生前安排检修时间[2]。

传统的设备健康状态的综合评估方法要解决两个关键问题。一是评估指标的挑选，应尽可能地选取一些最能反映设备状态优劣的典型指标，删除相对次要的指标[3-4]。二是建立健康度评估模型，综合不同指标的评估结果，给出设备最终的健康度评价[5]。

传统评估方法最大的缺陷是需要大量的故障样本且不能对于设备的健康状态进行实时的评估。为此，本文提出了一种基于孪生模型的设备健康度实时评估方法，通过分析测点预测值和实测值之间的差异变化即时侦测设备测点数据的异常波动，并据此建立综合加权模型对于设备的健康状态进行综合评估。最后，基于某大型火电厂的真实设备数据，验证了本文方法的有效性和可行性。

1 基于数字孪生的健康度综合评估模型

1.1 特征抽取

根据输入的传感器测点数据，首先计算测点之间的相关性，筛选出用于健康度评价的关键指标。

首先，计算测点之间的相关系数矩阵。输入N个测点的数据{X1，X2，...，XN}，依据公式（3）计算每两个测点之间的皮尔逊相关系数，形成相关系数矩阵。其中 rij（i，j=1，2，...，n）表示原始向量 Xi，Xj关联程度的相关系数。

其中，皮尔逊相关系数的计算公式如下所示：

1.2 孪生模型构建

XGBoost算 法 是 在 GBDT（Gradient Boosting Decision Tree）的基础上改进而来的。GBDT是一种迭代的决策树算法，XGBoost算法解决了GBDT算法模型难以并行计算的问题，实现对模型过拟合问题的有效控制，且速度快，准确性高，能有效处理大规模数据，是有效的集成学习算法。

首先，基于XGBoost算法建立测点值回归模型。基于1.1节的特征抽取结果，使用有监督学习进行模型训练。

定义损失函数。XGBoost算法需要对传感器数据进行学习之后进行数值预测进而辅助判断设备的运行状态，其损失函数定义如下所示：

确定XGBoost集成算法的训练模型，fk代表一棵决策树，其形式化定义如下：

1.3 综合评估模型

设定一个阈值ε用于判断设备状态，如果d≤ε则认为设备处于正常运行状态，反之则认为设备出现异常，进行预警。根据阀值的偏差大小来对设备的健康状态进行综合评估，基本思想是：设备给定测点中存在阀值偏差的测点越多且偏差程度越大，那么设备就越不健康。

2 实验验证

选取某大型火电厂的真实数据集进行了实验验证，该设备的主要测点共计有数十个，数据条数约有50余万条。

实验一（指标测点数据值的拟合）：基于本文提出的孪生模型，对该设备的主要指标测点进行了数据拟合。

图1展示了几个主要指标测点数据值的拟合效果。从图上可以看到，基于本文提出的孪生模型，主要指标测点均取得了较好的拟合效果，其R2决定系数分别达到了94.3%和90.7%，并且从图1（b）展示的效果来看，能有效发现测点数据中存在的异常，这充分验证了本文后续健康评估方法的可行性。

图1 主要指标测点数据值的拟合效果

实验二（评估模型的效果验证）：基于本文提出的综合评估模型，对于设备的健康程度进行综合评估，效果如图2所示。从图中可以看出，设备的健康度曲线平滑稳定，符合实际预期。

图2 健康程度的综合评估结果

3 结束语

实现工业设备的状态检修，需要以设备健康状态的综合评估结果为依据，预知设备的故障，在故障发生前安排检修时间。针对传统评估方法的缺陷，论文提出了一种基于孪生模型的设备健康度实时评估方法，通过建立基于XGBoost算法的设备孪生模型，分析设备测点预测值和实测值之间的异常变化，建立综合加权模型对于设备的健康状态进行综合评估。论文提出的算法模型已在某大型火电厂的真实数据集上进行了充分的实验验证，取得了理想的评估效果。