基于传感器关联网络的燃气轮机异常检测与故障诊断方法技术

一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法，涉及燃气轮机故障诊断技术领域，诊断方法步骤如下：步骤一信号预处理；步骤二：对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价；步骤三：对得到的燃气轮机传感器关联网络模型进行分层聚类；步骤四：利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价；步骤五：计算各层中所有子类的信息熵，计算所有信息熵指标超限子类的超类的信息熵指标。本基于传感器关联网络的燃气轮机异常检测与故障诊断方法，用于实现对大型燃气轮机完整运行状态的异常监测，特别适用于传感器测点信息非常丰富的情况。

Anomaly detection and fault diagnosis of gas turbine based on sensor network

A gas turbine anomaly detection and fault diagnosis algorithm based on sensor network association, relates to the field of fault diagnosis technology of gas turbine, the diagnosis algorithm steps are as follows: a step signal preprocessing; step two: To evaluate the correlation between any point after pretreatment in the set of two sensors between; step three: Hierarchical clustering of sensor correlation network model of gas turbine obtained; step four: the structure of residual matrix by using the information entropy index of the small sub class corresponding to the distribution of evaluation; step five: calculate the information entropy of all subclasses of each layer in the calculation of information entropy index information entropy index all the super class subclass gauge the. The gas turbine anomaly detection and fault diagnosis algorithm for sensor network based on Association, for the realization of abnormal monitoring of large gas turbine complete operation, especially suitable for sensor information is very abundant.

【技术实现步骤摘要】

：本专利技术涉及燃气轮机故障诊断
，具体涉及基于传感器关联网络的燃气轮机异常检测与故障诊断算法。
技术介绍
：大型燃气轮机这类复杂的工业系统的结构和功能复杂，工作环境恶劣且工况多变，是故障多发系统，并且在结构上通常由多级子系统和辅助系统组成，各级子系统在控制流程的作用下实现了由物质流引导的能量流和信息流的传递过程，通过安装在结构上的成百上千甚至上万个传感器可以实现其运行状态的监测。当系统发生故障时，故障效果将会沿着信息传递方向扩散，并导致众多传感器的状态相继出现异常而报警。在无法确认故障源的情况下，操作人员很难制定合理的解决方案，从而导致故障的进一步扩大，威胁生产安全。传统的基于定量模型以及规则的故障诊断方法由于知识表示能力的限制使得其很难从整体上描述系统运行的完整状态，只适用于解决局部故障的诊断问题。因此，对大型燃气轮机进行完整的状态监测，从而实现准确的异常检测和故障诊断具有重要的意义。
技术实现思路
：本专利技术的目的是提供一种基于传感器关联网络的燃气轮机异常检测与故障诊断算法，改善传统的基于定量模型以及规则的诊断方法只适用于解决局部故障的局限，提高了对大型燃气轮机的故障诊断能力。本专利技术采用的技术方案为：一种基于传感器关联网络的燃气轮机异常检测与故障诊断算法，诊断算法步骤如下：步骤一：信号预处理，将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号，并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征；步骤二：对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价，并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型；步骤三：对得到的燃气轮机传感器关联网络模型进行分层聚类，并利用矩阵的形式表示分层聚类后的传感器关联网络模型，将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算，形成一个残差矩阵；步骤四：利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价，并通过与经验阈值的比较判断残差是否超限，如果超限，则说明该子类对应的功能集合出现异常，如果没有超限，则说明系统工作在容忍范围内；步骤五：计算各层中所有子类的信息熵，计算所有信息熵指标超限子类的超类的信息熵指标，直到遇到信息熵指标不超限的子类，则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。所述的步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号，并保证得到的频域信号采样点数与时域信号采样点数相同；然后，对趋势类型的信号用其变化率代表其变化特征；最后，根据指令信号对不同工作模式下的测量信号进行划分。所述的步骤二中的相关性指标首先选用最大互信息系数(MIC)为评价指标，对任意两个传感器测点的时间序列之间的相关性进行评价；然后，保留所有相关性评价指标中大于0.3的指标，并将小于等于0.3相关性评价指标置为0；最后，对由所有的传感器测点以及各个测点之间的相关性评价指标构成的传感器网络以“Modularity”为指标采用“Fast Unfolding算法”进行聚类。所述的步骤三中对传感器关联网络模型进行分层聚类时首先燃气轮机中构成子系统的最小部件数应不大于作为聚类尺寸；然后，分层聚类的层数应不小于需要分析的最小粒度燃气轮机子系统或部件所在层数一致。所述的步骤四和步骤五中利用残差矩阵信息熵的推理过程：首先，计算最顶层所有最小粒度子类对应的残差矩阵的信息熵指标，判断该指标是否超限，若未超限，则该子类代表的功能集合工作在可容忍范围内，若超限，则说明该子类代表的功能集合发生异常；然后，计算包含信息熵指标超限子类的超类的信息熵指标，判断该指标是否超限，若超限，则递归执行本步骤；最后，找到具有信息熵超限的最大子类，则该子类为异常效果影响的最大范围。本专利技术的有益效果是：可用于实现对大型燃气轮机完整运行状态的异常监测，特别适用于传感器测点信息非常丰富的情况，与现有技术相比的优点在于：能够利用系统的整体运行信息尽可能完备地描述系统的运行特征，从而实现对大型燃气轮机这类系统的系统更加准确地异常检测与故障诊断任务。附图说明：图1是本专利技术流程结构示意图。具体实施方式：参照图1，一种基于传感器关联网络的燃气轮机异常检测与故障诊断算法，诊断算法步骤如下：步骤一：信号预处理，将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号，并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征；步骤二：对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价，并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型；步骤三：对得到的燃气轮机传感器关联网络模型进行分层聚类，并利用矩阵的形式表示分层聚类后的传感器关联网络模型，将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算，形成一个残差矩阵；步骤四：利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价，并通过与经验阈值的比较判断残差是否超限，如果超限，则说明该子类对应的功能集合出现异常，如果没有超限，则说明系统工作在容忍范围内；步骤五：计算各层中所有子类的信息熵，计算所有信息熵指标超限子类的超类的信息熵指标，直到遇到信息熵指标不超限的子类，则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。所述的步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号，并保证得到的频域信号采样点数与时域信号采样点数相同；然后，对趋势类型的信号用其变化率代表其变化特征；最后，根据指令信号对不同工作模式下的测量信号进行划分。所述的步骤二中的相关性指标首先选用最大互信息系数(MIC)为评价指标，对任意两个传感器测点的时间序列之间的相关性进行评价；然后，保留所有相关性评价指标中大于0.3的指标，并将小于等于0.3相关性评价指标置为0；最后，对由所有的传感器测点以及各个测点之间的相关性评价指标构成的传感器网络以“Modularity”为指标采用“Fast Unfolding算法”进行聚类。所述的步骤三中对传感器关联网络模型进行分层聚类时首先燃气轮机中构成子系统的最小部件数应不大于作为聚类尺寸；然后，分层聚类的层数应不小于需要分析的最小粒度燃气轮机子系统或部件所在层数一致。所述的步骤四和步骤五中利用残差矩阵信息熵的推理过程：首先，计算最顶层所有最小粒度子类对应的残差矩阵的信息熵指标，判断该指标是否超限，若未超限，则该子类代表的功能集合工作在可容忍范围内，若超限，则说明该子类代表的功能集合发生异常；然后，计算包含信息熵指标超限子类的超类的信息熵指标，判断该指标是否超限，若超限，则递归执行本步骤；最后，找到具有信息熵超限的最大子类，则该子类为异常效果影响的最大范围。首先在建立传感器关联网络模型时，利用布置在燃气轮机各部件上的传感器采集到系统的运行时数据，并根据数据时间序列所描述的燃气轮机特征属性类型将时域内的周期信号转换为频域信号并保持其采样点数不变；利用相关性评价指标获得任意两个传感器测点之间的相关程度指标；将该指标作为图的边、将传感器测点作为图节点，形成传感器关联网络模型。然后，根据得到的传感器之间的相关程度指标对传感本文档来自技高网...

【技术保护点】
一种基于传感器关联网络的燃气轮机异常检测与故障诊断算法，其特征在于：诊断算法步骤如下：步骤一：信号预处理，将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号，并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征；步骤二：对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价，并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型；步骤三：对得到的燃气轮机传感器关联网络模型进行分层聚类，并利用矩阵的形式表示分层聚类后的传感器关联网络模型，将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算，形成一个残差矩阵；步骤四：利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价，并通过与经验阈值的比较判断残差是否超限，如果超限，则说明该子类对应的功能集合出现异常，如果没有超限，则说明系统工作在容忍范围内；步骤五：计算各层中所有子类的信息熵，计算所有信息熵指标超限子类的超类的信息熵指标，直到遇到信息熵指标不超限的子类，则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。

【技术特征摘要】
1.一种基于传感器关联网络的燃气轮机异常检测与故障诊断算法，其特征在于：诊断算法步骤如下：步骤一：信号预处理，将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号，并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征；步骤二：对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价，并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型；步骤三：对得到的燃气轮机传感器关联网络模型进行分层聚类，并利用矩阵的形式表示分层聚类后的传感器关联网络模型，将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算，形成一个残差矩阵；步骤四：利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价，并通过与经验阈值的比较判断残差是否超限，如果超限，则说明该子类对应的功能集合出现异常，如果没有超限，则说明系统工作在容忍范围内；步骤五：计算各层中所有子类的信息熵，计算所有信息熵指标超限子类的超类的信息熵指标，直到遇到信息熵指标不超限的子类，则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。2.根据权利要求1所述的基于传感器关联网络的燃气轮机异常检测与故障诊断算法，其特征在于：步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号，并保证得到的频域信号采样点数与时域信号采样点数相同；然后，对趋势类型的信号用其变化率代表其变化特征；最...

【专利技术属性】
技术研发人员：徐志强，王伟影，崔宝，唐瑞，
申请(专利权)人：中国船舶重工集团公司第七〇三研究所，
类型：发明
国别省市：黑龙江;23