一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法技术

本发明专利技术公开了一种面向百万千瓦超临界机组非平稳故障特性的在线故障诊断方法。本发明专利技术针对百万千瓦超临界机组故障过程非平稳、复杂多变的特性，结合运用协整分析和基于变量选择的双重模型用于故障诊断。该方法克服了大型燃煤机组故障过程的非平稳特性，充分挖掘故障间所包含的潜在信息，建立了双重诊断模型，互为补充，相辅相成，有效地解决了复杂非平稳故障过程在线诊断困难的问题，大大提高了非平稳故障过程在线诊断的性能，有助于现场工程师对故障进行准确的修复，从而保证了百万千瓦超超临界发电机组的安全可靠运行并提高了生产效益。

An on-line fault diagnosis method for non-stationary fault characteristics of megawatts Ultra Supercritical Unit

The invention discloses an on-line fault diagnosis method for non-stationary fault characteristics of a million kilowatt supercritical unit. Aiming at the characteristics of non-stationary, complex and changeable fault process of a mega-kilowatt supercritical unit, the invention combines cointegration analysis with a dual model based on variable selection for fault diagnosis. This method overcomes the non-stationary characteristics of the fault process of large coal-fired units, fully taps the potential information contained in the fault, establishes a dual diagnosis model, complements each other and complements each other, effectively solves the difficult problem of on-line diagnosis of complex non-stationary fault process, and greatly improves the on-line diagnosis of non-stationary fault process. The performance of the break is helpful for site engineers to repair the faults accurately, thus ensuring the safe and reliable operation of the million-kilowatt ultra-supercritical generator set and improving the production efficiency.

【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故障特性的在线故障诊断方法
本专利技术属于非平稳过程统计监测领域，特别是针对一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法。
技术介绍
近年来，为了实现电力的可持续发展，火力发电行业积极开展结构调整，以大容量、高参数、低能耗的超临界和超超临界机组取代高能耗小型火电机组，基本形成了以超超临界机组为主体的电力能源结构。百万千瓦超超临界机组热力系统是个极其复杂的工业过程，规模庞大、设备多数、参数众多且相互影响，现场具有高温、高压、高噪声等特点。整个工艺过程生产流程长、单元装置多、空间分布广、安全要求高，其中可能发生的故障复杂多样。以锅炉及其辅助设备为例，常见的典型故障包括由于磨损、腐蚀、设备老化、应力拉伸等原因造成的四管泄露(水冷壁、过热器、再热器、省煤器)，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。为了保障机组安全可靠运行，必须对热力系统采用有效的故障检测和故障诊断方法。故障诊断是指在检测到故障后，进一步判断发生了哪种故障，并及时对故障变量进行隔离，消除故障的影响。前人对此已经作了相应的研究与探讨，基于不同的角度提出了相应的在线故障诊断方法。概括说来，主要包括基于解析模型的方法和基于数据驱动的方法。对于火电机组这样的复杂非线性系统，其结构复杂、动态时变以及强耦合性严重，使得难以建立精确的解析模型来实现故障诊断。而随着技术的发展，电厂生产过程中可以获得越来越多的数据，基于数据驱动的在线故障诊断策略越来越受到研究人员和现场工程师的青睐。基于数据、驱动的方法主要包括多元统计方法和人工智能方法。其中，主成分分析、偏最小二乘法、费舍尔判别分析等方法作为多元统计分析方法的典型代表，受到了大家的关注。其原理是假设机组在预先设定的稳态工况下运行，一旦运行状态偏离稳态工况，则认为机组发生了故障。并通过两个监测统计量T2和SPE来判断机组是否偏离正常状态。但是，基于传统多元统计分析在线故障诊断方法应用于实际超超临界百万机组的生产过程中存在着两方面的问题：首先，百万千瓦超超临界机组在运行过程中可能发生很多故障情况。受到内部和外部因素的影响，故障过程中的变量和输出会随着时间的推移而变化，从而使整个故障过程具有非平稳特性。由于非平稳过程的统计特性会随着时间变化而变化，传统的多元统计分析方法无法准确描述非平稳过程，因而难以用于非平稳过程的建模和诊断。其次，超超临界机组热力系统结构复杂，参数众多且相互影响，故障特性复杂多变。传统的故障诊断方法通常只利用正常数据与故障数据的差别建立监测指标，而没有考虑不同故障间的关系。针对上述问题，前人提出将所有故障考虑在内，利用不同故障类的数据进行分析。但他们的做法局限于仅考虑不同故障类数据在分布和方差信息上的差异，将多个故障的诊断视为了一个简单的多分类问题，而没有考虑不同故障类间更深层的差异和联系。因而，现有的故障诊断方法并不能很好地运用在百万千瓦超超临界机组上。本专利技术的内容深入考虑了百万千瓦超超临界机组非平稳以及复杂多样的故障特性，提出了一种基于协整分析和双重模型的故障诊断策略。该方法立足于故障过程的非平稳特性，区分了平稳变量和非平稳变量。并充分挖掘了不同的故障类间的公共信息和每个故障类的独特信息，分别建立了公共故障诊断模型和独特故障诊断模型，综合考虑这两个模型进行判断，大大提高了复杂非平稳过程在线故障诊断的性能。到目前为止，尚未见到与本专利技术相关的研究报道。
技术实现思路
本专利技术的目的在于针对百万千瓦超超临界机组的复杂非平稳故障特性，提供了一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法。本专利技术的目的是通过以下技术方案来实现的：提供一种面向百万千瓦超超临界机组的非平稳故障特性分析与在线故障诊断方法，该方法包括以下步骤：(1)获取过程分析数据：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；所述操作变量包括进风量、给料量、阀门开度；分别获取C组故障数据二维矩阵，统一表示为Xi(N×J)，其中下标i表示故障的类别；(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C(1)其中，xj代表第i个故障类中的平稳变量，∩表示求取不同矩阵的交集，Js表示综合C类故障后的公共平稳变量个数。(2.2.2)获取所有非平稳变量：求取所有故障类中非平稳变量的并集，可以得到C种故障类型下的全部非平稳变量集合：Xns(N×Jns)＝Xns,1∪Xns,2∪...∪Xns,C(2)其中，xn,j表示第i个故障类中的非平稳变量，∪表示求取不同矩阵的并集，Jns表示综合C类故障后的所有非平稳变量个数。(2.2.3)建立公共协整模型：对(3.2)中的所有非平稳变量矩阵Xns(N×Jns)进行协整分析，得到公共协整向量B以及如式(3)所示的公共协整特征：γ＝XnsB(3)其中，B是Jns×RCA的矩阵，向量个数RCA由Johansen检验确定。γ＝XnsB是从所有类的非平稳向量中提取的公共平稳残差序列，表征了公共的故障特性。(2.3)获取公共平稳特征矩阵：求取公共平稳变量矩阵和公共协整特征矩阵的并集，可以得到公共的平稳特征矩阵：Xalls(N×Jalls)＝Xs∪γ(4)其中，Xalls包含了所有(2.2.1)中的公共平稳变量和(2.2.3)中的公共平稳协整特征，统称为公共平稳特征，Jalls表示公共平稳特征的个数。(2.4)提取关键故障特征，该步骤由以下子步骤来实现：(2.4.1)假设所有的故障样本服从多元广义高斯分布。定义一个虚拟的故障变量C，可能的取值的个数与故障数据二维矩阵的组数相同，即为C。服从如下的概率分布P(C＝c)＝P(c)。根据互信息准则，xalls和故障变量C间的互信息可以按下式表示其中，xalls是公共平稳特征矩阵中的一个随机向量，x表示其中的一个样本，样本服从散布矩阵为∑，形状参数为β的多元广义高斯分布。xalls在C＝c条件下的概率密度服从参数为∑c和βc。(2.4.2)将所有特征按互信息大小递减排序后，需要找出那些在所有故障类中分类性能最好的一组关键特征，表示为Xkey。该关键特征Xkey＝[Xkey,1,Xkey,2,...,Xkey,i,...,Xkey,C]，Xkey,i中具有Ni个样本。(2.5)建立基于FDA的公共故障诊断模型，该步骤包括以下子步骤本文档来自技高网...

【技术保护点】
1.一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法，其特征在于，该方法包括以下步骤：(1)获取过程分析数据：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；所述操作变量包括进风量、给料量、阀门开度；分别获取C组故障数据二维矩阵，统一表示为Xi(N×J)，其中下标i表示故障的类别；(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C    (1)其中，...

【技术特征摘要】
1.一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法，其特征在于，该方法包括以下步骤：(1)获取过程分析数据：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；所述操作变量包括进风量、给料量、阀门开度；分别获取C组故障数据二维矩阵，统一表示为Xi(N×J)，其中下标i表示故障的类别；(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C(1)其中，j∈(1,2,...,Js,i)，xj代表第i个故障类中的平稳变量，∩表示求取不同矩阵的交集，Js表示综合C类故障后的公共平稳变量个数。(2.2.2)获取所有非平稳变量：求取所有故障类中非平稳变量的并集，可以得到C种故障类型下的全部非平稳变量集合：Xns(N×Jns)＝Xns,1∪Xns,2∪...∪Xns,C(2)其中，j∈(1,2,...,Jns,i)，xn,j表示第i个故障类中的非平稳变量，∪表示求取不同矩阵的并集，Jns表示综合C类故障后的所有非平稳变量个数。(2.2.3)建立公共协整模型：对(3.2)中的所有非平稳变量矩阵Xns(N×Jns)进行协整分析，得到公共协整向量B以及如式(3)所示的公共协整特征：γ＝XnsB(3)其中，B是Jns×RCA的矩阵，向量个数RCA由Johansen检验确定。γ＝XnsB是从所有类的非平稳向量中提取的公共平稳残差序列，表征了公共的故障特性。(2.3)获取公共平稳特征矩阵：求取公共平稳变量矩阵和公共协整特征矩阵的并集，可以得到公共的平稳特征矩阵：Xalls(N×Jalls)＝Xs∪γ(4)其中，Xalls包含了所有(2.2.1)中的公共平稳变量和(2.2.3)中的公共平稳协整特征，统称为公共平稳特征，Jalls表示公共平稳特征的个数。(2.4)提取关键故障特征，该步骤由以下子步骤来实现：(2.4.1)假设所有的故障样本服从多元广义高斯分布。定义一个虚拟的故障变量C，可能的取值的个数与故障数据二维矩阵的组数相同，即为C。服从如下的概率分布P(C＝c)＝P(c)。根据互信息准则，xalls和故障变量C间的互信息可以按下式表示：其中，xalls是公共平稳特征矩阵中的一个随机向量，x表示其中的一个样本，样本服从散布矩阵为∑，形状参数为β的多元广义高斯分布。xalls在C＝c条件下的概率密度服从参数为∑c和βc。(2.4.2)将所有特征按互信息大小递减排序后，需要找出在所有故障类中分类性能最好的一组关键特征，表示为Xkey。该关键特征Xkey＝[Xkey,1,Xkey,2,...,Xkey,i,...,Xkey,C]，Xkey,i中具有Ni个样本。(2.5)建立基于FDA的公共故障诊断模型，该步骤包括以下子步骤：(2.5.1)选取上述得到的所有故障类的关键特征中的样本作为总样本其中，由Xkey,i(i＝1,2,...,C)组成，Jkey代表关键故障特征的个数；(2.5.2)数据准备：分别计算总样本均值向量每类故障样本均值向量总类内散布矩阵Sw和类间的散布矩阵Sb，计算公式如下：其中，Si是每个故障类的散布矩阵；(2.5.3)最大化费舍尔准则：求取使费舍尔准则函数最大的权重向量w，即求使类间离散度和类内离散度的比值最大的权重向量w：其中，权重向量w就是费舍尔最优判别方向。(2.5.4)求使费舍尔判据最大的权重向量相当于一个求取广义特征向量的特征值问题：Sbw＝λSww(8)其中，特征值λ代表故障类之间的总体可分程度。当Sw为非奇异阵时，上式可以转化成一个常规的特征值问题：Sw-1Sbw＝λw(9)求解上式可以得到RFDA个非零的广义...

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