一种基于相关性网络和SVDD的燃气轮机异常检测方法技术

本发明专利技术公开了一种基于相关性网络和SVDD的燃气轮机异常检测方法，整体步骤为：数据准备；建立相关性网络模型；训练SVDD模型；实时采集并抽取燃气轮机各关键测点数据，利用SVDD模型计算新的测点数据距离维保后正常状态的距离；异常检测。本发明专利技术在构建相关性网络模型时，考虑的是所有测点之间的相关性变化情况，将测点随工况变动作为正常情况，避免了工况分组和模型无法覆盖所有工况的问题，再利用SVDD方法对实时数据和正常状态进行比较，得到燃气轮机性能的偏离，有效解决了燃气轮机变工况的问题，提高了燃气轮机异常检测结果的准确性。

【技术实现步骤摘要】
一种基于相关性网络和SVDD的燃气轮机异常检测方法
本专利技术涉及一种异常检测方法，尤其涉及一种基于相关性网络和SVDD的燃气轮机异常检测方法。
技术介绍
燃气轮机是很多企业极其重要的大型动力设备，其设计结构和功能非常复杂，工作环境恶劣且工况多变，一旦发生故障，将带来严重的生产损失和非常高的维护成本。目前，所有燃气轮机在出厂时已经加装了很多的传感器，希望通过监测传感器数据的变化提前发现异常，避免大型的燃机故障或者事故。但由于燃气轮机运行过程中工况是动态变化的，在这种情况下，变化的工况掩盖了性能参数真实的衰退规律，单纯的分析性能参数势必会导致大量的误报和漏报。因此，如何处理变工况问题对燃气轮机异常检测具有重大的意义和使用价值。传统的变工况问题处理方法主要有两种，一种是建立一个单一的模型覆盖所有的工况，另外一种是将历史工况分组，然后采用多模型的方法对每组工况分别建立子模型。但上述两种方法还存在以下技术缺陷有待解决：(1)无论是假设工况不变的单一模型还是基于工况分组的多模型方法，当燃气轮机实际工况不在模型训练集的工况范围内时，模型将无法识别出参数变化是工况变化引起的还是故障引起的，容易导致本文档来自技高网...

【技术保护点】
1.一种基于相关性网络和SVDD的燃气轮机异常检测方法，其特征在于：所述方法的整体步骤为：步骤1、数据准备，针对燃气轮机全部测点进行机理及影响因素分析，根据分析结果得到所有的关键测点，然后抽取机组运行数据和维保数据，构建出初始训练样本；步骤2、建立相关性网络模型，对模型初始训练样本中的任意两个测点滚动计算相关系数，形成多个连续的相关系数矩阵，然后利用得到的相关系数矩阵构建燃气轮机的相关性网络模型；步骤3、基于步骤2得到的训练样本训练SVDD模型；步骤4、实时采集并抽取燃气轮机各关键测点数据，利用步骤3中创建的SVDD模型计算新的测点数据距离维保后正常状态的距离；步骤5、将连续每个时点计算得到的...

【技术特征摘要】
1.一种基于相关性网络和SVDD的燃气轮机异常检测方法，其特征在于：所述方法的整体步骤为：步骤1、数据准备，针对燃气轮机全部测点进行机理及影响因素分析，根据分析结果得到所有的关键测点，然后抽取机组运行数据和维保数据，构建出初始训练样本；步骤2、建立相关性网络模型，对模型初始训练样本中的任意两个测点滚动计算相关系数，形成多个连续的相关系数矩阵，然后利用得到的相关系数矩阵构建燃气轮机的相关性网络模型；步骤3、基于步骤2得到的训练样本训练SVDD模型；步骤4、实时采集并抽取燃气轮机各关键测点数据，利用步骤3中创建的SVDD模型计算新的测点数据距离维保后正常状态的距离；步骤5、将连续每个时点计算得到的距离连接在一起形成燃气轮机的性能曲线，对燃气轮机机组进行异常检测。2.根据权利要求1所述的基于相关性网络和SVDD的燃气轮机异常检测方法，其特征在于：所述步骤1的具体过程为：步骤1.1、抽取该机组过去一年的运行数据和维保数据，运行数据的采样间隔为5分钟，然后对照维保数据，从一年的运行数据中截取出机组维保后连续运行10天内的数据；步骤1.2、对截取出的运行数据进行整理和清洗，剔除各测点异常值，得到模型初始训练样本，将这些数据存入历史数据库。3.根据权利要求2所述的基于相关性网络和SVDD的燃气轮机异常检测方法，其特征在于：所述步骤2的具体过程为：步骤2.1、设定滚动窗口，选用最大信息系数MIC作为评价测点相关性的方法，滚动计算所有测点两两之间的MIC值，得到多个MIC组成的相关性网络；步骤2.2、为减少测点中干扰因素的影响，保留每个相关性网络中MIC大于0.2的值，将MIC小于0.2的值替换为0；步骤2.3、计算所有相关性网络的特征值，每个相关性网络会有多个特征值，将特征值保存到数据库中，作为SVDD模型的训练样本。4.根据权利要求3所述的基于相关性网络和SVDD的燃气轮机异常检测方法，其特征在于：所述...

【专利技术属性】
技术研发人员：李郭敏，
申请(专利权)人：未必然数据科技北京有限公司，
类型：发明
国别省市：北京,11