一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯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超临界机组动静态信息的分布式贝叶斯在线故障诊断方法。本发明专利技术针对百万千瓦超超临界机组因故障信息多样化导致的故障类型难以区分的问题，运用贝叶斯网络分类器捕捉故障的静态信息，同时，结合慢特征分析算法，提取故障的动态信息。最后，利用动静两种故障信息构造了用于提高故障诊断准确率的在线故障诊断模型。该方法克服了大型燃煤机组因变量过多而导致的故障信息提取不充分的问题，有效地解决了包含多样化动静故障信息的故障的在线诊断困难的问题，大大提高了难以区分的机组故障的在线诊断性能，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动静态信息的分布式贝叶斯在线故障诊断方法
本专利技术属于火电过程故障诊断领域，特别是涉及一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法。
技术介绍
在高速发展的21世纪，随着工业自动化程度的提高和经济全球化趋势，火力发电行业朝着大规模化、复杂化的方向发展。同时，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。对于大规模的火力发电机组，现场具有高温、高压及高噪声等特点。此外，百万千瓦超超临界机组还具有相对较高的复杂性，具体体现在规模庞大、设备众多、参数多样化且相互影响等方面。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、变量复杂化、安全要求高的工业过程。由此可知，该过程中发生故障的机率较高，而且一旦发生故障将会带来人生安全和经济效益的双重损失。例如，2016年8月11日，湖北当阳市马店矸石发电有限责任公司发生爆管事故，确认死亡22人、受伤4人，其中3人重伤；一年后，2017年11月1日，印度北部北方省温恰哈尔镇一座燃煤火力发电厂发生爆炸事故，造成至少16人丧生，约100人受伤。因此，确保火力发电工业过程的安全可靠运行至关重要。故障诊断是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。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。对于火力发电机组，由于其设备分布空间广、数量庞大，其发生的故障类型具有复杂多样化。以锅炉及其辅助设备为例，常见的典型故障包括一旦发生就会造成重大事故的四管泄漏问题，其中的四管指的是锅炉中的水冷壁、过热器、再热器和省煤器；同时，也包括由于堵塞、漏粉、断裂等原因造成的磨煤机故障和由于外界环境变化及设备损害造成的送风机轴承振动大、进出口温差异常等故障。针对火力发电机组故障复杂多样化的问题，前人对此已从不同的角度做了相应的研究与探讨，提出了相应的在线故障诊断方法。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。而随着工业自动化程度的加深和信息化水平的不断提高，大量的传感器被引入到火力发电系统中，用于监控系统的运行状态。从而，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，现有的数据分析方法，如主成分分析、偏最小二乘法、费舍尔判别分析，都仅仅考虑了故障的静态信息，而忽视了故障动态信息。因此，将其运用在百万千瓦超超临界机组上，并不能得到很好的诊断效果。
技术实现思路
本专利技术的目的在于充分提取百万千瓦超超临界机组故障数据的动态和静态信息用于故障子组的划分，然后根据得到的故障子组建立精确的在线故障诊断模型，提供了一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法。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动静态信息的分布式贝叶斯在线故障诊断方法，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，则针对第i个故障Fi，每一次采样可以得到一个1×J的向量，采样Ni次后得到的数据表述为一个二维矩阵Xi(Ni×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；一共获取C组故障F{F1,F2,...,FC}，表示为X(N×J)，(2)建立全局故障诊断模型，该步骤通过以下子步骤实现：(2.1)变量排序：利用互信息计算得到包含故障信息程度的J个变量进行排序，具体为：根据互信息的大小将变量递减排序，以此得到有序的变量序列。新得到的变量序列记为Vorder{v1,v2,...,vJ}，其中变量v1是包含故障信息最多的变量，依此类推。(2.2)变量选择：根据排序结果Vorder{v1,v2,...,vJ}，第一次选择第1个变量Vselect{v1}用于构建分类器网络，第二次选择前2个变量Vselect{v1,v2}用于构建分类器网络。按顺序每次比上一次增加一个变量，最后根据分类器的性能确定最优的变量数量Js，对应的变量序列为(2.3)去相关化：利用独立成分分析(ICA)方法对故障数据X(N×Js)进行去相关化处理，处理后的故障数据记为XIC(N×Js)。同时，被选择的变量矩阵经过去相关化后得到被选择的特征矩阵(2.4)离散化：利用比例最小熵离散化(PEMD)方法对故障数据XIC(N×Js)进行离散化，得到离散化后的故障数据集记为XD(N×Js)。(2.5)构建全局故障诊断模型的网络结构：由选择的变量和全部故障F{F1,F2,...,FC}构建全局朴素贝叶斯分类器。全局故障诊断模型的网络结构由一个父节点和Js个子节点组成。其中父节点的状态包括全部故障F{F1,F2,...,FC}，每个子节点对应一个被选择的变量特征si。(2.6)计算条件概率表：通过学习训练数据中的每个特征离散化后在不同故障类型下的数值分布频率，得到每个特征的条件概率：(2.7)训练全局诊断模型：利用验证数据训练得到全局诊断网络的最优子节点个数，记为Jm。其最优子节点个数有分类器性能决定，而朴素贝叶斯分类器的判别准则为选取所有类别后验概率中最大的一类作为输入数据的类别，其目标函数为：P(s)为事件s出现的概率，由全概率公式求得。(2.8)最后，完成以分类效果最优为目标的全局故障诊断模型的构建。该网络由1个父节点和Jm个子节点组成。(3)定义可区分故障类FS和不可区分故障类FI，具体为：从C组故障中获取部分数据作为验证数据。采用步骤2获得的全局故障诊断模型将验证数据中的全部故障类型分为可区分故障类FS和不可区分故障类FI。前者为在全局诊断网络中其分类精确度大于θ的故障类型；后者定义为在全局诊断网络中其分类精确度低于θ的故障类型。本模型的阈值θ设为90％。其分类精确度(AccurateClassificationRate,ACR)定义为：因此，全局诊断网络的诊断结果可以表示如下：为了避免在线诊断时出现误分类情况，针对可区分故障类FS，设定误判指标λ。其计算公式如下：其中，Mi表示验证数据中故障Fi中的样本数量。(4)针对不可区分故障类FI，将其根据故障信息的变化快慢程度进行分组。该分组步骤及准则通过以下子步骤实现：(4.1)计算所有故障类型的特征平均变化速率Δnsf_ave，n表示计算次数(下文中该表示形式同样适用)，该速率的计算由以下子步骤实现：(4.1.1)从C组故障中获取部分变量的数据作为训练数据。输入训练数据的原始故障数据X′(N′×J)，其中的一维时序向量表示为x(t)＝[x1(t),...,xN(t)]T,t∈[t0,t1]，t表示时间。利用慢特征分析算法(SlowFeatureAnalysis，SFA)计算所有故障类型F{F1,F2,...,FC}的平均最慢特征系数矩阵wnsf_ave。计算公式如下：定义经过投影后的输出信号为yj(t):＝gj(x(t))；SFA的目标函数：约束条件为：<yj>t＝0(7)考虑线性方程，则令gj(x′)＝wjTx′(10)则其中B＝&lt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动静态信息的分布式贝叶斯在线故障诊断方法，其特征在于，该方法包括以下步骤:(1)获取待分析数据：设一个热力系统生产过程具有J个变量，则针对第i个故障Fi，每一次采样可以得到一个1×J的向量，采样Ni次后得到的数据表述为一个二维矩阵Xi(Ni×J)，一共获取C组故障F{F1,F2,...,FC}，表示为X(N×J)，

【技术特征摘要】
1.一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法，其特征在于，该方法包括以下步骤:(1)获取待分析数据：设一个热力系统生产过程具有J个变量，则针对第i个故障Fi，每一次采样可以得到一个1×J的向量，采样Ni次后得到的数据表述为一个二维矩阵Xi(Ni×J)，一共获取C组故障F{F1,F2,...,FC}，表示为X(N×J)，(2)建立全局故障诊断模型，该步骤通过以下子步骤实现：(2.1)变量排序：利用互信息计算得到包含故障信息程度的J个变量进行排序，具体为：根据互信息的大小将变量递减排序，以此得到有序的变量序列。新得到的变量序列记为Vorder{v1,v2,...,vJ}，其中变量v1是包含故障信息最多的变量，依此类推。(2.2)变量选择：根据排序结果Vorder{v1,v2,...,vJ}，第一次选择第1个变量Vselect{v1}用于构建分类器网络，第二次选择前2个变量Vselect{v1,v2}用于构建分类器网络。按顺序每次比上一次增加一个变量，最后根据分类器的性能确定最优的变量数量Js，对应的变量序列为(2.3)去相关化：利用独立成分分析(ICA)方法对故障数据X(N×Js)进行去相关化处理，处理后的故障数据记为XIC(N×Js)。同时，被选择的变量矩阵经过去相关化后得到被选择的特征矩阵(2.4)离散化：利用比例最小熵离散化(PEMD)方法对故障数据XIC(N×Js)进行离散化，得到离散化后的故障数据集记为XD(N×Js)。(2.5)构建全局故障诊断模型的网络结构：由选择的变量和全部故障F{F1,F2,...,FC}构建全局朴素贝叶斯分类器。全局故障诊断模型的网络结构由一个父节点和Js个子节点组成。其中父节点的状态包括全部故障F{F1,F2,...,FC}，每个子节点对应一个被选择的变量特征si。(2.6)计算条件概率表：通过学习训练数据中的每个特征离散化后在不同故障类型下的数值分布频率，得到每个特征的条件概率：(2.7)训练全局诊断模型：利用验证数据训练得到全局诊断网络的最优子节点个数，记为Jm。其最优子节点个数有分类器性能决定，而朴素贝叶斯分类器的判别准则为选取所有类别后验概率中最大的一类作为输入数据的类别，其目标函数为：P(s)为事件s出现的概率，由全概率公式求得。(2.8)最后，完成以分类效果最优为目标的全局故障诊断模型的构建。该网络由1个父节点和Jm个子节点组成。(3)定义可区分故障类FS和不可区分故障类FI，具体为：从C组故障中获取部分数据作为验证数据。采用步骤2获得的全局故障诊断模型将验证数据中的全部故障类型分为可区分故障类FS和不可区分故障类FI。前者为在全局诊断网络中其分类精确度大于θ的故障类型；后者定义为在全局诊断网络中其分类精确度低于θ的故障类型。其分类精确度(AccurateClassificationRate,ACR)定义为：因此，全局诊断网络的诊断结果可以表示如下：为了避免在线诊断时出现误分类情况，针对可区分故障类FS，设定误判指标λ。其计算公式如下：其中，Mi表示验证数据中故障Fi中的样本数量。(4)针对不可区分故障类FI，将其根据故障信息的变化快慢程度进行分组。该分组步骤及准则通过以下子步骤实现：(4.1)计算所有故障类型的特征平均变化速率Δnsf_ave，n表示计算次数(下文中该表示形式同样适用)，该速率的计算由以下子步骤实现：(4.1.1)从C组故障中获取部分变量的数据作为训练数据。输入训练数据的原始故障数据X′(N′×J)，其中的一维时序向量表示为x(t)＝[x1(t),...,xN(t)]T,t∈[t0,t1]，t表示时间。利用慢特征分析算法(SlowFeatureAnalysis，SFA)计算所有故障类型F{F1,F2,...,FC}的平均最慢特征系数矩阵wnsf_ave。计算公式如下：定义经过投影后的输出信号为yj(t):＝gj(x(t))；SFA的目标函数：约束条件为：<yj>t＝0(7)考虑线性方程，则令gj(x′)＝wjTx′(10)则其中B＝<xxT>t(13)此时可以转化成...

【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