一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法技术

本发明专利技术公开了一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法。本发明专利技术首先运用了稀疏协整分析和格兰杰因果分析分别对非平稳变量提取局部的精细化的非平稳变量间的因果关系子网，同时对所有变量提取全局性的因果关系。最后，结合贝叶斯网络对故障路径进行追溯并定位根源故障变量。该方法克服了大型燃煤机组因果分析中非平稳性的影响，充分挖掘了非平稳变量间所包含的潜在因果关系，建立了多层诊断模型，有效地解决了复杂非平稳故障过程定位根源故障变量困难的问题，大大提高了非平稳过程的故障传播的诊断性能，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。

【技术实现步骤摘要】
一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法
本专利技术属于大规模非平稳过程故障诊断领域，特别是针对一种面向百万千瓦超超临界机组的非平稳性的多层因果结构的贝叶斯网络故障诊断方法。
技术介绍
在高速发展的21世纪，火力发电行业的大规模化、复杂化的方向发展成为主流。随着科学技术的不断发展以及全球能源的急速消耗，火力发电行业对能效的要求越来越高。前期的百万千瓦超临界机组已经不足以满足要求，于是百万千瓦超超临界机组开始占据主导地位，该机组是世界上最先进的高效、大容量燃煤发电设备，具有明显的能效优势，是我国电力工业发展的代表性机组和主流方向。近年来，我国逐渐形成了以大容量、高参数、低能耗的超临界和超超临界机组为主体的电力能源结构，取代了以往高能耗小型火电机组为主导的陈旧模式。其中，我国百万千瓦超超临界机组保有量世界第一，并且发展空间巨大。然而，这种大型燃煤发电过程除了具有具有规模庞大、设备众多、参数多样化且相互影响等方面的特点，由于频繁调峰，过程扰动，设备老化等原因还会具有明显的非平稳特性。综上所述，火力发电过程是一个生产工艺流程长、设备多样化、变量高度耦合、非平稳性强、安全要求高的工业过程。由此可知，该过程一旦发生故障将会带来人生安全和经济效益的双重损失。常见的典型故障有由于磨损、腐蚀、设备老化、应力拉伸等原因造成的四管泄露，由于堵塞、漏粉、断裂等原因造成的磨煤机故障，由于振动大、温度高等原因造成的送风机、引风机故障等。其中四管四管爆裂故障一旦发生其后果将十分严重。确保工业过程正常运行、提高产品质量以及人员安全的重要技术被称为故障诊断。在检测到故障后，如何进一步判断故障类型，隔离故障变量，并及时定位故障根源变量，从源头根治故障是故障诊断领域所研究的主要内容。对于火力发电机组，由于其设备分布空间广、数量庞大，其发生的故障往往会随着时间的推移从故障根源变量传播至其他相关流程变量。而又由于火力发电机组存在非平稳性，对故障传播的诊断带来了一定的干扰因素。在实际生产过程中，常常由于非平稳特性的存在，无法正确地提取变量间的因果关系，导致故障发生后不能快速地确定故障传播的路径，浪费了检修时的有效时间，徒劳无功。针对火力发电机组故障诊断中的上述问题，前人已经尝试从多种角度进行了探讨与研究，并相继提出了一些针对非平稳性过程的故障诊断方法。总体来说，主要包括基于解析模型的方法和基于数据驱动的方法。随着工业自动化程度的加深和信息化水平的不断提高，大量的过程数据得以存储并利用，因此，基于数据驱动的方法得到越来越多研究者的关注。然而，在数据驱动的方法中传统的用差分消除非平稳特性的方法，可能会损失有效的因果信息，导致建立的故障追溯网络中的因果关系不完善甚至错误，最终造成故障根源变量的误判。因此，百万千瓦超超临界机组具有明显的大规模、复杂化和非平稳特性，这给故障诊断带来了很大的挑战。
技术实现思路
本专利技术针对百万千瓦超超临界机组这一典型的大规模、非平稳过程提出了一种面向百万千瓦超超临界机组的非平稳性的多层因果结构的贝叶斯网络故障诊断方法。该方法充分提取百万千瓦超超临界机组的非平稳变量间的因果关系，在这种局部精细化的因果关系的上层，又构建了相对完善的全局性的整个系统的因果网络。随后，结合具有因果推理能力的贝叶斯网络模型，对得到的精细化因果关系网进行合理利用，能有效找到故障的传播途径，并准确定位故障根源变量。本专利技术的目的通过以下技术方案实现：一种面向百万千瓦超超临界机组的非平稳性的多层因果结构的贝叶斯网络故障诊断方法，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个测量变量和操作变量。则针对正常流程，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率等；所述操作变量包括进风量、给料量、阀门开度等。建模过程选取一组正常数据，表示为Xi(Ni×J)，i表示第i组正常数据，测试过程选取某一种或几种故障案例，故障案例表示为Fcase(Nf×J),Nf表示故障案例casef的采样总次数，其中casef∈{case1,...,casen}，n等于故障案例的总个数。(2)识别非平稳变量：通过单位根检验方法(AugmentedDickey-Fuller，ADF)识别矩阵Xi(Ni×J)中的非平稳变量，得到非平稳变量数据矩阵Vns(Ni×Jns)，Jns表示非平稳变量个数。(3)针对非平稳变量建立局部的因果关系模型，该步骤通过以下子步骤实现：(3.1)提取平稳特征：利用(2)中得到的非平稳变量数据矩阵Vns(Ni×Jns)建立稀疏协整模型。非平稳变量数据矩阵可以表示为其中vT表示第T次采样的采样值。建立稀疏协整模型具体包括以下子步骤：(3.1.1)对vt建立向量自回归模型，t＝1,2,…Jnsvt＝Π1vt-1+…+Πpvt-p+c+μt(1)其中，Πi(Jns×Ni)为系数矩阵，i＝1,2,…p，μt(Ni×1)为高斯白噪声，μt～Ni(0,Ξ)，Ξ表示方差；c(Ni×1)为常数向量，p为模型阶次；(3.1.2)在公式(1)中两端减去vt-1得到误差修正模型其中，为(Jns×Jns)的单位矩阵；(3.1.3)将步骤(3.1.2)中的Γ分解为两个列满秩的矩阵Γ＝ΑΒT公式(2)变为其中Α(Ni×R)，Β(Ni×R)；(3.1.4)通过极大似然估计方法对公式(3)中的协整向量矩阵Β进行估计其中，L(*)表示极大似然函数，tr(*)表示矩阵的迹。t∈{p+1,...,Ni}；Ω＝(Ω1,...,Ωp-1)T，Θ＝Ξ-1；(3.1.5)对公式(4)的极大似然估计转化为特征方程求解过程其中，参数矩阵Θi及Φi可以通过最小二乘算法求得；(3.1.6)对公式(4)的目标函数加入惩罚函数得到稀疏协整向量其中，P1，P2，P3为参数B，Ω，Θ的惩罚函数，这里的惩罚函数采用1范数形式。调整参数λ1和λ2采用交叉检验来确定，调整参数λ3采用贝叶斯信息准则确定。通过对公式(6)的求解可以得到稀疏的协整向量。(3.2)协整向量分组：利用公式(6)中得到的稀疏协整向量可以根据平稳残差序列的平稳程度将变量进行划分。包括以下子步骤：(3.2.1)利用ADF检验衡量每个稀疏协整向量的残差序列的平稳程度，并记录残差序列的ADF检验统计量ti。(3.2.2)将ti进行升序排序，最小的检验统计量值对应的稀疏协整向量被保留。稀疏协整向量中的非零元素对应的变量被分到子组中，并记为Vsf_i。(3.2.3)将Vsf_i中的变量从原始数据集Vns中移除。(3.2.4)重复迭代步骤(3.2.1)-(3.2.3)直到所有变量都被分到不同的子组中。(3.3)建立局部的非平稳变量间的因果关系，具体子步骤包括如下：(3.3.1)利用EViews统计软件中的格兰杰因果分析功能，分别处理每一个得到的子组中的非平稳变量，得到每组Vsf_i中的两两非平稳变量的F统计量。mi是子组中非平稳变量的个数；(3.3.2)假设变量vi不是vj的格兰杰原因(i,j∈{1,...,mi})，若该假设的F统计量小于0.05，则拒绝该假设，即vi是vj的格兰杰原因；如果F统计本文档来自技高网...

【技术保护点】
1.一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法，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个测量变量和操作变量。则针对正常流程，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率等；所述操作变量包括进风量、给料量、阀门开度等。建模过程选取一组正常数据，表示为Xi(Ni×J)，i表示第i组正常数据，测试过程选取某一种或几种故障案例，故障案例表示为Fcase(Nf×J),Nf表示故障案例casef的采样总次数，其中casef∈{case1,...,casen}，n等于故障案例的总个数。(2)识别非平稳变量：通过单位根检验方法(Augmented Dickey‑Fuller，ADF)识别矩阵Xi(Ni×J)中的非平稳变量，得到非平稳变量数据矩阵Vns(Ni×Jns)，Jns表示非平稳变量个数。(3)针对非平稳变量建立局部的因果关系模型，该步骤通过以下子步骤实现：(3.1)提取平稳特征：利用(2)中得到的非平稳变量数据矩阵Vns(Ni×Jns)建立稀疏协整模型。非平稳变量数据矩阵可以表示为...

【技术特征摘要】
1.一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法，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个测量变量和操作变量。则针对正常流程，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率等；所述操作变量包括进风量、给料量、阀门开度等。建模过程选取一组正常数据，表示为Xi(Ni×J)，i表示第i组正常数据，测试过程选取某一种或几种故障案例，故障案例表示为Fcase(Nf×J),Nf表示故障案例casef的采样总次数，其中casef∈{case1,...,casen}，n等于故障案例的总个数。(2)识别非平稳变量：通过单位根检验方法(AugmentedDickey-Fuller，ADF)识别矩阵Xi(Ni×J)中的非平稳变量，得到非平稳变量数据矩阵Vns(Ni×Jns)，Jns表示非平稳变量个数。(3)针对非平稳变量建立局部的因果关系模型，该步骤通过以下子步骤实现：(3.1)提取平稳特征：利用(2)中得到的非平稳变量数据矩阵Vns(Ni×Jns)建立稀疏协整模型。非平稳变量数据矩阵可以表示为其中vT表示第T次采样的采样值。建立稀疏协整模型具体包括以下子步骤：(3.1.1)对vt建立向量自回归模型，t＝1,2,…Jnsvt＝Π1vt-1+…+Πpvt-p+c+μt(1)其中，Πi(Jns×Ni)为系数矩阵，i＝1,2,…p，μt(Ni×1)为高斯白噪声，μt～Ni(0,Ξ)，Ξ表示方差；c(Ni×1)为常数向量，p为模型阶次；(3.1.2)在公式(1)中两端减去vt-1得到误差修正模型其中，为(Jns×Jns)的单位矩阵；i＝1,2,...p-1。(3.1.3)将步骤(3.1.2)中的Γ分解为两个列满秩的矩阵Γ＝ΑΒT公式(2)变为其中Α(Ni×R)，Β(Ni×R)；(3.1.4)通过极大似然估计方法对公式(3)中的协整向量矩阵Β进行估计其中，L(*)表示极大似然函数，tr(*)表示矩阵的迹。t∈{p+1,...,Ni}；Ω＝(Ω1,...,Ωp-1)T，Θ＝Ξ-1；(3.1.5)对公式(4)的极大似然估计转化为特征方程求解过程其中，参数矩阵Θi及Φi可以通过最小二乘算法求得；(3.1.6)对公式(4)的目标函数加入惩罚函数得到稀疏协整向量其中，P1，P2，P3为参数B，Ω，Θ的惩罚函数，这里的惩罚函数采用1范数形式。调整参数λ1和λ2采用交叉检验来确定，调整参数λ3采用贝叶斯信息准则确定。通过对公式(6)的求解可以得到稀疏的协整向量。(3.2)协整向量分组：利用公式(6)中得到的稀疏协整向量可以根据平稳残差序列的平稳程度将变量进行划分，包括以下子步骤：(3.2.1)利用ADF检验衡量每个稀疏协整向量的残差序列的平稳程度，并记录残差序列的ADF检验统计量ti。(3.2.2)将ti进行升序排序，最小的检验统计量值对应的稀疏协整向量被保留。稀疏协整向量中的非零元素对应的变量被分到子组中，并记为Vsf_i。(3.2.3)将Vsf_i中的变量从原...

【专利技术属性】
技术研发人员：赵春晖，高洁，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33