CN114266297B 火电装备语义知识库、构建方法及零样本故障诊断方法 （浙江大学）

LiangjunFenget.al.FaultDesBasedAttributeTransferforZero电过程总结的含有专家知识的故障诊断案例文2(1)对每种属性建立属性判别器，再利用建立的火电装备语义知识库对训练集中的每本属性语义向量中属性判别器对应属性的标注结果为标签，对每个属性判别器进行训练；将新采集的故障样本过程数据输入至每个属性判别器，收集原始故障案例，所述原始故障案例包括在高端火电装案例采集若干对应的历史运行过程数据样本组对每个故障案例进行属性标注，每种属性的标注结果组成每个故障案4.如权利要求2所述的方法，其特征在于，所述属性包括与故障引发原因相关的操作对每种属性建立属性判别器，再利用建立的火电装备语义知识库对训练集性语义向量构成语义向量矩阵As(Ns×da)；其中，表示第i个样本，表示第i个样本的故障类别，表示第i个样本在语义知识库对应x为样本的过程变量数量；3由此得到新的故障样本xi的语义属性a(i,:),wj*为第j个属性判别器故障数据到故障属案例的故障类别作为该采集的故障样本的故障识别将属性语义向量预测值与建立的火电装备语义知识库中所有故障案例的属性语义向性语义向量预测值与建立的火电装备语义知识库中未在历史运行中出现过的故障案例的4组已经成为我国电力工业发展的代表性机组和主流方向。与常规火力发电装备相比较,百地应用于故障诊断领域，建立基于数据的故障诊断模型而不依赖于任何复杂的领域知识，5故障案例采集若干对应的历史运行过程数据样本组成训练[0014](1)对每种属性建立属性判别器，再利用建立的火电装备语义知识库对训练集中的每个样本根据故障类别映射构建对应的属性语义向量，再利用样本的过程数据作为输故障类别作为该采集的故障样本的故障识别[0018]对每种属性建立属性判别器，再利用练集中的每个样本构建属性语义向量所有样本x为样本的过程变量数量。6[0020]L(w")=llA,(:,m)-xw"+AIlw"Il,(:,h)表示As矩阵的第h列数据(h≠m)，则该属性的属性判别器采用OneClassSVM利用样本[0025]进一步地，所述步骤(2)中，将新采集的故障样本过程数据输入至每个属性判别器，每个属性判别器的输出结果组成新采集的故障样本对应的属性语义向量预测值具体A(i,j)=(r')"w"[0030]由此得到新的故障样本xi的语义属性a(i,:),wj*为第j个属性判别器故障数据到故[0032]将属性语义向量预测值与建立的火电装备语义知识库中所有故障案例的属性语的火电装备语义知识库中未在历史运行中出现过的故障案例的属性语义向量进行相似度7[0038]提出了一种火电装备语义知识库、构建方法和基于语义[0047]训练集可以写作其中鸡表示第i个可见样本(Seensample)的过程数据，dx表示数据的维度，每个维度为一种过程变量的数据，⃞eys(NSX1),表示第i个可见样本的故障类别，Ns为训练集样本也即可见样本数81/2/3/4”季度并进行二值编码，最后每个故障案例的所有属性标注结果构成属性语义向%=v(index⃞)和这里index表示第i个可见样本故障标签对应的语义向量索引，即a;=z(index⃞,dd),表示可见故障样本对应的语义向量；所有可见样本的语义向量构成语义向量矩阵As(Ns×da)。因此，针对可见样本集利用构造出新的训练集合在该集合的基[0055](1.1)标注属性不全一致时属9个语义属性构造一个LASSO模型，针对第m个语义属性构造的模型Mm损失函数L(wm)如公式[0073](1.2)标注属性全部一致时属h表示属性映射矩阵。数据分隔开。当OneClassSVM模型认为输入预测样本为未见样本是合群点时，即[0084]对于新采集的故障样本即预测样本xi，利用步骤(1.3)建立的属性判别器进行属[0089](2.2)将预测属性和故障案例进行匹配：得到新的故障样本的属性预测值a(i,:)后，需要利用语义空间到标签空间的映射v得到故障样本的故障类别?。这一过程通过属似度匹配也能得到未见样本的故障标签=v(indexi),完成未知故障属性到故障案例的量预测值与建立的火电装备语义知识库中未在历史运行中出现过的故障案例的属性语义u为建立的火电装备语义知识库中未在历史运行中出现过的故障案例数[0095]选取部分与语义知识库的描述有对应的过程运行数据进行算法验证。数据包含故障的分类精度提高4对于分组ⅡOn