[发明专利]一种面向百万千瓦超超临界机组的在线故障检测方法

权利要求书

1.一种面向百万千瓦超超临界机组的分布分层式在线故障检测方法，其特征在于，该方法包括以下步骤：

(1)获取正常待分析数据：设一个百万千瓦超超临界机组具有J个测量变量和操作变量，每一次采样可以得到一个1×J的向量，采样N次后获取的数据表述为一个二维矩阵X＝[X₁,X₂,...,X_J]∈R^N×J，其中所述测量变量为机组正常运行过程中可被测量的状态参数，包括流量、电压、电流、温度、速率；所述操作变量包括进风量、给料量、阀门开度；

(2)利用基于互信息的谱聚类方法将过程变量分为不同的子块，同一子块中的变量具有较强的相关关系，不同子块间相关关系较弱；该步骤由以下子步骤来实现：

(2.1)求取变量间的互信息：

I(X_i,X_j)＝H(X_i)+H(X_j)-H(X_i,X_j) (1)

其中，X_i表示第i个变量，H(X_i)为变量X_i的信息熵：i＝1,2,...,J

H(X_i)＝-∫_xp(X_i)logp(X_i)dx (2)

H(X_i,X_j)为变量X_i和X_j的联合信息熵：

p(X_i)与p(X_j)表示变量X_i和X_j的概率密度函数，p(X_i,X_j)为联合概率密度函数；

(2.2)基于式(1)求取的互信息，求取两两变量之间的广义相关系数：

其中，r_ij∈[0,1]；

(2.3)基于式(4)，求取变量的相关矩阵：

(2.4)基于式(5)定义的相关矩阵R，求取斜对角矩阵D：

D＝diag{D_ii} (6)

其中，D_ii为式(5)中第i行所有元素的和：

(2.5)求取斜对角矩阵D的拉普拉斯矩阵：

L＝D^-1/2RD^-1/2 (8)

(2.6)将拉普拉斯矩阵进行谱分解：

L＝PΛP^T (9)

其中，P＝[P₁,P₂,...,P_J]为正交特征向量；

(2.7)选择k个最大特征值对应的特征向量组成矩阵E＝[P₁,P₂,...,P_k]∈R^J×k，对矩阵E中每一行进行归一化处理，得到矩阵Y：

(2.8)利用kmeans聚类算法对Y进行聚类，如果第i行属于第b类，则变量X_i划分到第b子块X_b；这样，就将百万千瓦超超临界机组的众多操作变量根据相关程度分成B个变量块：

X＝[X₁ X₂...X_B] (11)

其中，是第b个变量块，b＝1,2,...,B，J_b表示X_b中包含的变量个数；

(3)利用基于高斯混合模型的信息论分解方法将变量块中的变量根据样本方向上的分布情况进一步分解，该步骤通过以下子步骤来实现；

(3.1)将变量块随机分成W_b个子块：

(3.2)利用高斯混合模型方法求取第w个变量子块的概率密度，w＝1,2,...,W_b：

其中,是子高斯成分的个数；是第m个子高斯成分的先验概率，满足以及为包含子高斯成分的均值和协方差矩阵的参数集；为多元高斯概率密度：

其中，J_b,w为中变量的个数；

(3.3)求取子块中的各个变量的概率密度分布函数：

其中变量i＝1,2,...,J_b,w，w＝1,2,...,W_b，J_b,w是变量块中变量的个数，表示X_b,i属于子块时X_b,i的条件概率密度；

(3.4)求取变量子块和的KL散度，w,v∈[1,W_b]：

其中，和分别是和的概率密度函数，可以利用公式(13)计算；

(3.5)利用蚁群算法优化步骤(3.1)的随机分块，使得以下目标函数最大化：

(3.6)通过重复步骤(3.2)—(3.5)，每个变量块进一步划分为若干个子块；原始数据集X分成不同的子块：

其中，变量块

(4)基于步骤(2)与(3)得到的变量分块结果，首先利用主元分析方法(PCA)描述变量子块中各个变量的相关关系：

其中，P_b,w是负载矩阵，T_b,w是主元矩阵；

(5)利用高斯混合模型(GMM)方法建立主元矩阵T_b,w的分布情况：

其中，是高斯分量的个数；表示第m个分量的权重，为包含子高斯成分的均值和协方差矩阵的参数集；

(6)针对每个变量子块，b＝1,2,...,B；w＝1,2,...,W_b，建立BIP统计量

其中，表示属于第m个分量的概率，为主元矩阵T_b,w第n行向量，n＝1,2,..,N；是基于局部马氏距离的概率，其定义为

其中，为到第m个高斯分量的马氏距离，t为T_b,w中任意一行；

(7)利用高斯混合模型方法监测每个变量块中各个子块之间的关系，该步骤通过以下子步骤来实现；

(7.1)将每个变量块X_b中各个子块的主元矩阵的第一列组合到一起：

其中，t_b,w为主元矩阵T_b,w第1个列向量，w＝1,2,...,W_b；

(7.2)利用GMM描述主元数据的分布情况：

其中，为第b个变量子块中高斯分量的个数；表示第m个分量的权重，为包含子高斯成分的均值和协方差矩阵的参数集；

(7.3)针对每个变量块的主元数据建立BIP统计量：

其中，为主元矩阵第n行向量，n＝1,2,..,N；表示属于第m个分量的概率；是基于局部马氏距离的概率，为到第m个高斯分量的马氏距离，为中任意一行；

(8)在线故障检测时，从变量子块，变量块，整个机组三个层次对过程进行监测；该步骤通过以下子步骤来实现：

(8.1)获取新数据：按照步骤(1)采集各测点变量的值，记为z(1×J)；

(8.2)按照步骤(2)与步骤(3)得到的变量分块结果，将新数据进行子块分解：

z＝[z₁ z₂…z_b…z_B](26)

其中z_b为第b个变量子块；

(8.3)在最底层，即变量子块层，将每个子块中的数据向对应子块的主元方向进行投影，b＝1,2,...,B，w＝1,2,...,W_b：

其中是负载矩阵；

(8.4)求取各个子块的在线统计量指标：

其中，上式各参数含义与公式(22)中类似；表示属于第m个分量的概率；是基于局部马氏距离的概率，为到第m个高斯分量的马氏距离，t为T_b,w中任意一行；

(8.5)在变量块层，首先将z_b中各个变量子块的主元组合到一起：

(8.6)求取各个变量块z_b的在线统计量指标：

其中，上式各参数含义与公式(25)中类似；表示属于第m个分量的概率；是基于局部马氏距离的概率，为到第m个高斯分量的马氏距离，为中任意一行；

(8.7)将正常标记为‘N’，故障标记为‘F’，各个变量块的BIP指标转换为正常与故障的概率：

其中，BIP_b,lmt为统计量BIP指标的控制限；表示第b个变量块正常的条件概率；表示第b个变量块发生故障的条件概率；

(8.8)通过贝叶斯规则，计算第b个变量块发生故障的后验概率

其中，P_b(F)＝α；P_b(N)＝1-α分别表示在显著性水平为α下过程发生故障或正常的先验概率；

(8.9)综合考虑所有变量块的故障概率，计算全局监测统计量

(9)判断过程运行状态：从变量子块、变量块、整个机组三个层次对过程状态进行分析；实时比较三个层次的统计量与控制限：

(a)在每个变量子块中，如果BIP_b,w＞1-α，说明在子块中的变量发生了故障，否则认为子块中的变量运行在正常范围内；

(b)在变量块层面，如果BIP_b＞1-α，说明该变量块中各个变量子块的相关关系发生了异常，否则说明第b个子块中的所有变量都运行正常；

(c)在机组层面，如果PF_z＞α，说明在百万千瓦超超临界机组运行过程中发生了异常或故障，否则说明机组整体正常运行。