基于贝叶斯网络模型的燃气轮机气路故障的检测方法技术

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。本发明专利技术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。

【技术实现步骤摘要】
基于贝叶斯网络模型的燃气轮机气路故障的检测方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术是通过以下技术方案实现的：本专利技术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；iii.对步骤ii得出的网络结构在当前数据集下进行BIC评分，BIC评分的表达式为其中：第一项是度量结构模型ζ与数据的拟合程度，第二项是结构模型复杂度的惩罚项；iiii.将BIC评分作为适应度函数，在原来的种群中进行选择，生成下一代新种群；iiiii.判断是否达到预设迭代次数，是则进行下一步，否则返回步骤ii；iiiiii.将当前种群中适应度最高的个体作为节点顺序，运用K2算法，得到最终的贝叶斯网络结构。所述的初始化是指：将优化训练集基于历史经验和专家知识进行建模以将专家知识转化为先验概率分布，具体包括以下步骤：1)基于数据集计算出后验概率分布p(θ|D)；2)计算下一个样本的条件概率分布p(Dm+1|D)。所述的参数优化是指：采用重要性抽样法产生模拟样本后，再利用贝叶斯估计整合先验知识优化网络参数学习，具体包括以下步骤：1.从根节点出发，根据网络条件概率表，通过生成随机数的方式获取n个互相独立的样本；2.近似计算后验均值；3.将网络节点之间的条件概率θ视为随机变量，假设θ服从已知分布p(θ)，求出测得的数据集D的样本联合分布4.根据θ的分布可计算出后验分布p(θ|D)；5.根据贝叶斯估计公式计算p(x|D)＝∫p(x|θ)p(θ|D)dθ；6.将p(x|D)代入后验概率p(wi|x,D)以得到条件概率θ的最优估计。所述的测试是指：基于优化测试集进行贝叶斯网络模型测试，输出推断准确率最优的贝叶斯网络模型。技术效果与现有技术相比，本专利技术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。附图说明图1为本专利技术的原理图；图2为本专利技术的示意图；图3为本专利技术系统示意图。具体实施方式如图3所示，为本实施例涉及的一种基于贝叶斯网络模型的燃气轮机气路故障的检测系统，包括：信号采集模块、贝叶斯网络训练模块以及贝叶斯网络测试模块，其中：信号采集模块输入实时采集得到的燃气轮机气路部件的数据，贝叶斯网络训练模块与信号采集模块相连并传输离散化后的优化训练集和优化测试集，贝叶斯网络测试模块与贝叶斯网络训练模块相连并传输经初始化以及参数优化后的贝叶斯网络，贝叶斯网络测试模块输出推断准确率最优的贝叶斯网络模型。如图1和图2所示，本实施例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，采集多个周期燃气轮机气路部件正常运行数据和故障数据，共31608条数据，经划分得到正常工况参数、待测异常参数，其中：正常运行的数据划分为正常工况参数有三个，故障数据划分为测量参数有八个。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。所述的正常工况参数包括：流量因子SW、效率因子SE和排气面积SA。所述的测量参数包括：三个温度T1～T3、三个压强P1～P3、低压轴转速XNLP和高压轴转速XNHP。所述的训练集是指：从经无量纲化处理后的燃气轮机气路部件的数据中随机抽取的80％的数据，共25286条。所述的测试集是指：训练集组成后剩余的20％的数据，共6322条。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本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征在于，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。

【技术特征摘要】
1.一种基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征在于，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。2.根据权利要求1所述的基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征是，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。3.根据权利要求1所述的基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征是，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。4.根据权利要求1所述的基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征是，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。5.根据权利要求1所述的基于贝叶斯网络模型的燃气轮机气路故障的检测方法，其特征是，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...

【专利技术属性】
技术研发人员：夏唐斌，徐伟，司国锦，周骏，史周，郑宇，
申请(专利权)人：上海交通大学，中国电信股份有限公司上海分公司，
类型：发明
国别省市：上海,31