汽轮机故障严重程度的评估方法、终端设备及存储介质技术

本发明专利技术涉及一种汽轮机故障严重程度的评估方法，包括以下步骤：S1、获取根据汽轮机故障严重程度的分类数据；S2、将特征集合A划分为两个特征子集：单调特征子集Am和非单调的特征子集Anm；S3、从单调特征子集Am中计算获得最好的单调特征子集Amp；S4、从非单调的特征子集Anm与最好的单调特征子集Amp中计算获得最好的特征子集Ap；S5、基于汽轮机的样本集合U＝{x1,x2,...,xn}，获取Ap的所有特征，以故障的严重程度D＝{d1,d2,...,dk}为类别，作为分类器的训练样本，构建训练出一个分类模型，训练结果记为Me；S6、以模型Me为故障严重程度的评估模型，对待评判的数据进行分类，分类结果也在D＝{d1,d2,...,dk}中，此即对应故障的严重程度。

Evaluation method of steam turbine fault severity, terminal equipment and storage medium

The present invention relates to a method for evaluating turbine fault severity, which comprises the following steps: S1, obtaining classified data according to turbine fault severity; S2, dividing feature set A into two feature subsets: monotone feature subset Am and non-monotone feature subset Anm; S3, calculating the maximum from monotone feature subset Am. A good monotone feature subset Amp; S4, the best feature subset Ap obtained from the non-monotone feature subset Anm and the best monotone feature subset Amp; S5, based on the sample set U ={x1, x2,..., xn} of the turbine, all the features of Ap are obtained, and classified as the fault severity D ={d1, d2,..., dk} for the training of the classifier. Sample, build a training model, the training results are recorded as Me; S6, the model Me for the assessment of the severity of the fault model, the evaluation of the data for classification, classification results are also D ={d1, d2,..., dk}, that is, the severity of the corresponding fault.

【技术实现步骤摘要】
汽轮机故障严重程度的评估方法、终端设备及存储介质
本专利技术属于故障检测的应用领域，具体地涉及一种汽轮机故障的严重程度的评估方法、终端设备及存储介质。
技术介绍
汽轮机作为重要的动力设备，广泛用于电厂中，而对汽轮机的运行的基础理论和应用技术方面的研究工作，特别是对于生产中的主要关键机组实行状态监测和故障诊断，及时准确的掌握设备运行状态，预测其未来的发展趋势，已取得了显著的经济效益和社会效益。现代化生产要求最大程度的保证企业的安全，汽轮机作为核心主动力设备，一发生故障，就马上停机检修，这对对生产造成的经济和安全的影响都极大。但汽轮机的故障是逐渐发展的，有不同的严重程度信息，生产部门更希望能够根据设备运行状态的异常或早期的故障征兆，按故障的严重程度和发展趋势进行有目的的检修。获取故障的严重程度信息能够帮助用户了解设备状态的发展趋势，制定合理的维修策略和检修方案。在设备状态监测中的大量传感器数据，为设备故障程度识别提供了重要的科学依据。在实际的故障诊断问题中，为了更好的进行故障诊断研究，更需要考虑故障的严重程度信息。这种维修方式更加科学合理，可以缩短设备维修的时间，提高设备利用率，减少设备停机时间，延长设备生命周期，增强市场竞争力。汽轮机的故障程度识别极为困难，而故障程度识别是故障诊断领域的新的挑战和一项特殊任务。
技术实现思路
本专利技术旨在提供一种汽轮机故障的严重程度的评估方法，以解决目前不能有效识别汽轮机故障的严重程度的问题。为此，本专利技术采用的具体技术方案如下：一种汽轮机故障严重程度的评估方法，包括以下步骤：S1：获取根据汽轮机故障严重程度的分类数据，汽轮机的样本集合记为U＝{x1,x2,...,xn}，这些样本的特征集合记为A＝{a1,a2,...,aj}，这样每个样本由A进行描述，而故障的严重程度为D＝{d1,d2,...,dk}，从而样本xi在特征aj∈A和故障的严重程度D上的取值分别记为v(xi,aj)和v(xi,D)；S2：将特征集合A划分为两个特征子集：单调特征子集Am和非单调的特征子集Anm；S3：从单调特征子集Am中计算获得最好的单调特征子集Amp；S4：从非单调的特征子集Anm与最好的单调特征子集Amp中计算获得最好的特征子集Ap；S5：基于汽轮机的样本集合U＝{x1,x2,...,xn}，获取Ap的所有特征，以故障的严重程度D＝{d1,d2,...,dk}为类别，作为分类器的训练样本，构建训练出一个分类模型，训练结果记为Me；S6：以模型Me为故障严重程度的评估模型，对待评判的数据进行分类，分类结果也在D＝{d1,d2,...,dk}中，此即对应故障的严重程度。进一步地，步骤S2的具体过程如下：S21：计算每个特征与故障的严重程度之间的排序互信息值:其中，指关于属性a，小于等于xi的样本集合，即表示决策值小于xi的样本集合，即排序互信息值越大表示这个特征与故障的严重程度之间的单调关系越强；S22：设置阈值若则特征a被判定为单调特征，归到单调特征子集Am，否则归到非单调特征子集Anm。进一步地，步骤S3的具体过程如下：S31：获得单调特征子集Am中各种可能的特征子集的组合：将所有的特征，通过排列组合的形式，组合出所有可能的特征子集的组合；S32：计算步骤S31得到的各特征子集的故障严重支持判定程度，获得Amp，其中设单个子集为B，则对任意的样本xi，找到就单调特征子集Bm而言比xi好，就非单调特征子集Bnm而言与xi相似的样本集合：其中，表示集合的基数，最好的B即为Amp。进一步地，步骤S4的具体过程如下：S41：获得Anm中的特征和Amp可进行组合的各种可能的特征子集的组合；S42：计算步骤S41得到的各特征子集的故障严重支持判定程度，获得最好的特征子集Ap，即对某一特征子集B，计算混合单调一致的样本对数量一致样本对数量越大，表示特征子集B对故障的严重程度D的分类能力越强，最好的B即为Ap。进一步地，步骤S5中的分类器包括：决策树、支持向量机或贝叶斯分类器。本专利技术还提供了一种用于评估汽轮机故障严重程度的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。此外，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。本专利技术采用上述技术方案，具有的有益效果是：本专利技术能够实现对汽轮机故障程度的自动识别，为汽轮机的检修提供有力支持。此外，本专利技术的算法过程比较简单明了，计算速度快，对计算机配置要求相对较低，具有很好的推广性。附图说明图1是本专利技术的汽轮机故障严重程度的评估方法的流程图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。现结合附图和具体实施方式对本专利技术进一步说明。如图1所示，一种汽轮机故障严重程度的评估方法，包括以下步骤：S1：获取根据汽轮机故障严重程度的分类数据，汽轮机的样本集合记为U＝{x1,x2,...,xn}，这些样本的特征集合记为A＝{a1,a2,...,aj}，这样每个样本由A进行描述，而故障的严重程度为D＝{d1,d2,...,dk}，从而样本xi在特征aj∈A和故障的严重程度D上的取值分别记为v(xi,aj)和v(xi,D)；S2：将特征集合A划分为两个特征子集：单调特征子集Am和非单调的特征子集Anm，具体过程如下：S21：计算每个特征与故障的严重程度之间的排序互信息值:其中，指关于属性a，小于等于xi的样本集合，即表示决策值小于xi的样本集合，即排序互信息值越大表示这个特征与故障的严重程度之间的单调关系越强；S22：设置阈值若则特征a被判定为单调特征，归到单调特征子集Am，否则归到非单调特征子集Anm；S3：从单调特征子集Am中计算获得最好的单调特征子集Amp，具体过程如下：S31：获得单调特征子集Am中各种可能的特征子集的组合：将所有的特征，通过排列组合的形式，组合出所有可能的特征子集的组合；S32：计算步骤S31得到的各特征子集的故障严重支持判定程度，获得Amp，其中设单个子集为B，则对任意的样本xi，找到就单调特征子集Bm而言比xi好，就非单调特征子集Bnm而言与xi相似的样本集合：其中，表示集合的基数，最好的B即为Amp；S4：从非单调的特征子集Anm与最好的单调特征子集Amp中计算获得最好的特征子集Ap，具体过程如下：S41：获得Anm中的特征和Amp可进行组合的各种可能的特征子集的组合；S42：计算步骤S41得到的各特征子集的故障严重支持判定程度，获得最好的特征子集Ap，即对某一特征子集B，计算混合单调一致的样本对数量一致样本对数量越大，表示特征子集B对故障的严重程度D的分类能力越强，最好的B即为Ap；S5：基于汽轮机的样本集合U＝{x1,x2,...,xn}，获取Ap的所有特征，以故障的严重程度D＝{d1,d2,.本文档来自技高网...

【技术保护点】
1.一种汽轮机故障严重程度的评估方法，其特征在于：所述评估方法包括以下步骤：S1：获取根据汽轮机故障严重程度的分类数据，汽轮机的样本集合记为U＝{x1,x2,...,xn}，这些样本的特征集合记为A＝{a1,a2,...,aj}，这样每个样本由A进行描述，而故障的严重程度为D＝{d1,d2,...,dk}，从而样本xi在特征aj∈A和故障的严重程度D上的取值分别记为v(xi,aj)和v(xi,D)；S2：将特征集合A划分为两个特征子集：单调特征子集Am和非单调的特征子集Anm；S3：从单调特征子集Am中计算获得最好的单调特征子集Amp；S4：从非单调的特征子集Anm与最好的单调特征子集Amp中计算获得最好的特征子集Ap；S5：基于汽轮机的样本集合U＝{x1,x2,...,xn}，获取Ap的所有特征，以故障的严重程度D＝{d1,d2,...,dk}为类别，作为分类器的训练样本，构建训练出一个分类模型，训练结果记为Me；S6：以模型Me为故障严重程度的评估模型，对待评判的数据进行分类，分类结果也在D＝{d1,d2,...,dk}中，此即对应故障的严重程度。

【技术特征摘要】
1.一种汽轮机故障严重程度的评估方法，其特征在于：所述评估方法包括以下步骤：S1：获取根据汽轮机故障严重程度的分类数据，汽轮机的样本集合记为U＝{x1,x2,...,xn}，这些样本的特征集合记为A＝{a1,a2,...,aj}，这样每个样本由A进行描述，而故障的严重程度为D＝{d1,d2,...,dk}，从而样本xi在特征aj∈A和故障的严重程度D上的取值分别记为v(xi,aj)和v(xi,D)；S2：将特征集合A划分为两个特征子集：单调特征子集Am和非单调的特征子集Anm；S3：从单调特征子集Am中计算获得最好的单调特征子集Amp；S4：从非单调的特征子集Anm与最好的单调特征子集Amp中计算获得最好的特征子集Ap；S5：基于汽轮机的样本集合U＝{x1,x2,...,xn}，获取Ap的所有特征，以故障的严重程度D＝{d1,d2,...,dk}为类别，作为分类器的训练样本，构建训练出一个分类模型，训练结果记为Me；S6：以模型Me为故障严重程度的评估模型，对待评判的数据进行分类，分类结果也在D＝{d1,d2,...,dk}中，此即对应故障的严重程度。2.如权利要求1所述的汽轮机故障严重程度的评估方法，其特征在于：步骤S2的具体过程如下：S21：计算每个特征与故障的严重程度之间的排序互信息值:其中，指关于属性a，小于等于xi的样本集合，即表示决策值小于xi的样本集合，即排序互信息值越大表示这个特征与故障的严重程度之间的单调关系越强；S22：设置阈值若则特征a被判定为单调特征，归到单调特征子集Am，否则归到非单...

【专利技术属性】
技术研发人员：潘巍巍，贺惠新，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建,35