[发明专利]基于贝叶斯网络模型的燃气轮机气路故障的检测方法

说明书

一种基于贝叶斯网络模型的燃气轮机气路故障的检测方法，将实时信号采集得到的燃气轮机气路部件的数据生成数据集，从数据集中得到正常工况参数、待测异常参数、训练集和测试集，经预处理和聚类分析得到离散化后的优化训练集和优化测试集，然后通过优化测试集对经初始化以及参数优化后的贝叶斯网络进行测试，得到用于实时检测燃气轮机气路系统当前的工况状态的优化贝叶斯网络模型，从而对系统故障进行检测。本发明提出了具体的贝叶斯网络模型结构学习和参数学习的方法，进而建立测量参数与燃气轮机正常工况参数之间的相关模型，实现了燃气轮机气路系统的在线故障检测。

技术领域

本发明涉及的是一种火力发电领域的技术，具体是一种基于贝叶斯网络模型的燃气轮机气路故障的检测方法。

背景技术

燃气轮机的结构复杂，长期运行在高转速、高温高压以及高应力的状态下，工作环境恶劣，易发生机械故障和气路故障。燃气轮机由气路部件和附属系统组成，其中燃气轮机气路部件若发生故障，将会严重影响燃气轮机的可用性，因此需要对燃气轮机的气路部件进行故障检测，提前发现设备异常，有效防止因故障扩张而引发的重大事故，从而保证燃气轮机安全稳定运行。对于燃气轮机，气路故障一般以单一故障形式出现，在发动机处于正常工作状态时，各部件和整机具有无故障状态对应的特征，热力参数处于正常的范围；在工作环境不变的情况下发生故障时，部件性能的变化将导致测量参数的变化。因此，通过分析测量参数的变化即可估计燃气轮机正常工况参数的变化，进而分析燃气轮机气路的正常工况状况。现有技术大都只能检测故障模式，或缺少针对性的结构学习和参数学习方法，没有从燃气轮机故障检测的实际需求出发。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于贝叶斯网络模型的燃气轮机气路故障的检测方法，建立测量参数与燃气轮机正常工况参数之间的相关模型，实现燃气轮机气路系统的在线故障检测。

本发明是通过以下技术方案实现的：

本发明将实时信号采集得到的燃气轮机气路部件的数据生成数据集，从数据集中得到正常工况参数、待测异常参数、训练集和测试集，经预处理和聚类分析得到离散化后的优化训练集和优化测试集，然后通过优化测试集对经初始化以及参数优化后的贝叶斯网络进行测试，得到用于实时检测燃气轮机气路系统当前的工况状态的优化贝叶斯网络模型，从而对系统故障进行检测。

所述的数据集，包含多个周期燃气轮机气路部件正常运行数据和故障数据，经划分得到正常工况参数、待测异常参数。

所述的训练集和测试集来自无量纲化处理后的数据集中随机抽取的数据，优选训练集和测试集的比例为4:1。

所述的预处理包括：清洗异常值以删除无效数据、迭代中值滤波以降低测量仪器噪声以及结合梯度和Laplacian算子的边缘检测以减少错误预警。

所述的聚类分析是指：采用K-Means算法基于正常工况参数和待测异常参数对训练集进行连续变量聚类分析，使训练集离散化并得到优化训练集和优化测试集，具体包括以下步骤为：

a.从数据集中随机抽取k个样本作为初始的聚类中心C＝{c1,c2,…,ck}；

b.针对数据集中的每个样本，计算到k个聚类中心的距离，并将其分配到距离最近的聚类中心所对应的类中；

c.所有样本分配完成后，重新计算k个聚类的中心；

d.将第二次计算得到的k个聚类中心与第一次计算所得进行比较，若聚类中心发生变化，则跳转到步骤b，否则算法结束。

所述的贝叶斯网络，采用基于遗传算法与K2(GA-K2)算法相结合和贝叶斯信息准则(BIC)的方法建立得到，具体包括以下步骤：

i.生成初始种群，每个个体为所有网络节点的一种排序结构；

ii.对初始种群中的每个个体实施实施K2算法，学习出对应的贝叶斯网络结构；