[发明专利]面向百万千瓦超超临界机组动静态信息的故障诊断方法

摘要

本发明公开了一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法。本发明针对百万千瓦超超临界机组因故障信息多样化导致的故障类型难以区分的问题，运用贝叶斯网络分类器捕捉故障的静态信息，同时，结合慢特征分析算法，提取故障的动态信息。最后，利用动静两种故障信息构造了用于提高故障诊断准确率的在线故障诊断模型。该方法克服了大型燃煤机组因变量过多而导致的故障信息提取不充分的问题，有效地解决了包含多样化动静故障信息的故障的在线诊断困难的问题，大大提高了难以区分的机组故障的在线诊断性能，有助于火电厂对工厂进行有效及时的排查检修，从而保证了百万千瓦超超临界发电机组的安全可靠运行。

主权项

1.一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法，其特征在于，该方法包括以下步骤:(1)获取待分析数据：设一个热力系统生产过程具有J个变量，则针对第i个故障F_i，每一次采样可以得到一个1×J的向量，采样N_i次后得到的数据表述为一个二维矩阵X_i(N_i×J)，一共获取C组故障F{F₁,F₂,...,F_C}，表示为X(N×J)，(2)建立全局故障诊断模型，该步骤通过以下子步骤实现：(2.1)变量排序：利用互信息计算得到包含故障信息程度的J个变量进行排序，具体为：根据互信息的大小将变量递减排序，以此得到有序的变量序列。新得到的变量序列记为Vorder{v1,v2,...,vJ}，其中变量v1是包含故障信息最多的变量，依此类推。(2.2)变量选择：根据排序结果V_order{v₁,v₂,...,v_J}，第一次选择第1个变量V_select{v₁}用于构建分类器网络，第二次选择前2个变量V_select{v₁,v₂}用于构建分类器网络。按顺序每次比上一次增加一个变量，最后根据分类器的性能确定最优的变量数量J_s，对应的变量序列为(2.3)去相关化：利用独立成分分析(ICA)方法对故障数据X(N×J_s)进行去相关化处理，处理后的故障数据记为X_IC(N×J_s)。同时，被选择的变量矩阵经过去相关化后得到被选择的特征矩阵(2.4)离散化：利用比例最小熵离散化(PEMD)方法对故障数据XIC(N×Js)进行离散化，得到离散化后的故障数据集记为XD(N×Js)。(2.5)构建全局故障诊断模型的网络结构：由选择的变量和全部故障F{F₁,F₂,...,F_C}构建全局朴素贝叶斯分类器。全局故障诊断模型的网络结构由一个父节点和J_s个子节点组成。其中父节点的状态包括全部故障F{F₁,F₂,...,F_C}，每个子节点对应一个被选择的变量特征s_i。(2.6)计算条件概率表：通过学习训练数据中的每个特征离散化后在不同故障类型下的数值分布频率，得到每个特征的条件概率：(2.7)训练全局诊断模型：利用验证数据训练得到全局诊断网络的最优子节点个数，记为Jm。其最优子节点个数有分类器性能决定，而朴素贝叶斯分类器的判别准则为选取所有类别后验概率中最大的一类作为输入数据的类别，其目标函数为：P(s)为事件s出现的概率，由全概率公式求得。(2.8)最后，完成以分类效果最优为目标的全局故障诊断模型的构建。该网络由1个父节点和Jm个子节点组成。(3)定义可区分故障类FS和不可区分故障类FI，具体为：从C组故障中获取部分数据作为验证数据。采用步骤2获得的全局故障诊断模型将验证数据中的全部故障类型分为可区分故障类FS和不可区分故障类FI。前者为在全局诊断网络中其分类精确度大于θ的故障类型；后者定义为在全局诊断网络中其分类精确度低于θ的故障类型。其分类精确度(Accurate Classification Rate,ACR)定义为：因此，全局诊断网络的诊断结果可以表示如下：为了避免在线诊断时出现误分类情况，针对可区分故障类FS，设定误判指标λ。其计算公式如下：其中，Mi表示验证数据中故障Fi中的样本数量。(4)针对不可区分故障类FI，将其根据故障信息的变化快慢程度进行分组。该分组步骤及准则通过以下子步骤实现：(4.1)计算所有故障类型的特征平均变化速率Δnsf_ave，n表示计算次数(下文中该表示形式同样适用)，该速率的计算由以下子步骤实现：(4.1.1)从C组故障中获取部分变量的数据作为训练数据。输入训练数据的原始故障数据X′(N′×J)，其中的一维时序向量表示为x(t)＝[x1(t),...,xN(t)]T,t∈[t0,t1]，t表示时间。利用慢特征分析算法(Slow Feature Analysis，SFA)计算所有故障类型F{F1,F2,...,FC}的平均最慢特征系数矩阵wnsf_ave。计算公式如下：定义经过投影后的输出信号为yj(t):＝gj(x(t))；SFA的目标函数：约束条件为：t＝0    (7)考虑线性方程，则令gj(x′)＝wjTx′    (10)则其中B＝t    (13)此时可以转化成求解广义特征值和广义特征矩阵的问题，AW＝BWΛ    (14)将公式(14)带入公式(11)中可得，Δ(yj)＝λj    (15)λj为第j个特征值。最慢的特征对应最小的特征值，按特征值由大到小排列，则最终输出的平均最慢特征系数矩阵wnsf_ave为最小特征值对应的特征向量。(4.1.2)提取最慢的特征向量vnsf_ave作为投影方向，用来得到最慢的平均变化值：vnsf_ave＝(wnsf_ave)T·X′(N′×J)    (16)(4.1.3)计算平均变化系数Δnsf_ave：输入原始故障数据X′(N′×J)，。全部故障类型F{F1,F2,...,FC}的最慢平均变化程度，用符号Δnsf_ave表示，可用以下公式计算得到：其中α表示归一化系数，Ri为训练数据中第i个故障的样本数量。(4.2)计算每个故障类型的独立特征变化速率该速率的计算由以下子步骤实现：(4.2.1)依次输入训练数据中每类原始故障数据X′_i(R_i×J)。与步骤(4.1.1)相同，利用慢特征分析算法依次计算故障类型F_i的特征系数矩阵同步骤(4.1.1)最终输出的独立特征系数矩阵是最小特征值对应的特征向量。(4.2.2)提取最慢的特征向量作为投影方向，用来得到最慢的独立变化值：(4.2.3)计算平均变化系数输入原始故障数据X′_i(R_i×J)。故障类型F_i的最慢变化程度，用符号表示，可用以下公式计算得到：其中β表示归一化系数，Ri取决于每类故障样本的数量。(4.3)计算每个故障类型F_i的时序相对变化程度判别指标当判别系数时，表示该故障F_i的故障特征在时序上的变化程度相对较快；而当判别系数时，则表示该故障F_i的特征变化程度相对较慢。(4.4)根据每个故障类型F_i的时序相对变化程度判别指标进行分组，分组准则如下：考虑到朴素贝叶斯分类器的准确性，设定在一个故障子组中故障类别的数量不多于z个。参数z的设定取决于分类器针对待处理数据集的分类性能。每次计算得到的判别指标将故障集分为两个子集，即相对变化缓慢的子集P_S{F₁,...,F_M}和相对变化快速的子集P_F{F_M+1,...,F_m}。如果M>z或者m‑M‑1>z，再次计算P_S或者P_F的判别指标直到达到截止条件：(M≤z)且(m‑M‑1≤z)    (23)将每次计算得到的判别指标都保存，作为在线应用的判别指标。(4.5)当分组结束后，将得到b个故障子组，记为(5)以每个故障子组为单位，建立多个平行的局部故障诊断模型(Parallel Bayesian Networks,PBN)。局部故障诊断模型的构建步骤同全局故障诊断模型的构建步骤一致，即与步骤(2)一致。(6)当故障发生后，实时采集故障数据，通过检测故障数据中的变量，确定故障的类型。该步骤包括以下子步骤：(6.1)获取新在线数据，记为xnew(t)＝{x1(t),...,xJ(t)}T。(6.2)将xnew带入全局诊断网络中，根据步骤(3)确定其为可区分故障类FS还是不可区分故障类FI。如果xnew属于可区分故障类FS，则将其最大后验概率与阈值Z相比较。如果在线数据的最大后验概率值低于阈值Z，则此xnew将被判定为不可区分的故障类型FI；反之，则输出全局诊断网络的诊断结果。如果xnew属于不可区分故障类FI，则进行步骤(6.3)。(6.3)根据步骤(4)将x_new分入相应的故障子组具体步骤如下：根据步骤(4)计算x_new的时序变化程度，得到在线数据的独立特征变化速率再比较步骤(4)中训练得到的Δⁿ_{sf_ave}，计算在线数据的时序相对变化程度判别指标根据的取值和步骤(4)的分组标准将x_new放入相应的故障子组中。(6.4)用故障子组对应的平行的局部故障诊断模型PBN_num对x_new进行分类，最后输出PBN_num的诊断结果。