基于秩次相关的因果结构图的燃气轮机故障预测方法技术

本发明专利技术公开了一种基于秩次相关的因果结构图的燃气轮机故障预测方法，其步骤包括：1、获取所有监测节点向量的数据集；2、为每个监测节点使用秩次相关的方法选择一组候选邻居监测点集；3、在受限空间内使用爬山搜索，通过评分函数完成定向工作，确定本监控节点与其他监测节点间的因果关系；4、直到评分次数超过设定值前获得相应的监测系统因果结构图，并用于训练故障预测模型；从而得到故障预测模型，以实现对故障进行更加准确的预测。本发明专利技术能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。

【技术实现步骤摘要】
基于秩次相关的因果结构图的燃气轮机故障预测方法
本专利技术属于数据挖掘领域，具体地说是一种基于秩次相关的因果结构图的燃气轮机故障预测方法。
技术介绍
故障检测是由于建立“监控系统”的需要而发展起来的。由于所建系统规模的不断扩大，复杂性的提高以及系统投资的巨大，人们迫切需要提高系统的可靠性和安全性。因而有必要建立一个监控系统来监视整个系统的运行状态，不断检测系统的变化和故障，进而采取必要的措施，防止系统的损坏和事故的发生。而其前提则是必须具有检测和诊断故障的能力。故障预测通常根据系统历史状态预测故障是否在未来时间发生，及早检测出故障并采取相应的维护措施，预防故障的演变恶化。目前，常用的故障预测方法包括：基于模型的方法，如时间序列预测、卡尔曼滤波、基于机理模型或经验模型的方法等；基于数据的方法，如统计分析、贝叶斯理论、隐马尔可夫模型等；基于人工智能的方法，如神经网络预测、专家系统、模糊逻辑预测等。其中，贝叶斯方法由于具有处理不确定事件的独特能力，在故障预测领域占有重要的地位。贝叶斯网络能够描述随机变量/事件间的依赖关系，是一种不确定性因果关联模型，具有较强的学习能力，因此擅长表达复杂、不确定性的问题。目前贝叶斯网络具备成熟的概率推理算法，易于进行预测推理。以上特点使得贝叶斯网络适合用于故障预测。随着大数据技术的兴起，如何将大数据相关技术应用于燃气轮机状态监测和故障诊断是一个值得研究的课题。燃气轮机机组在运行时不断地产生大量的监测数据，基于这些海量的运行监测数据，开展燃气轮机机组状态分析、性能监测和故障智能诊断预测研究，具有非常重要的现实意义。通过数据建模，可以对燃气轮机机组状态进行实时的健康评估，预测状态趋势，在没有发生重大故障前提前预警，可以早期发现燃气轮机故障，从而避免经济损失、提供维修建议、有助于燃机的安全可靠地运行。然而，这些数据的分布往往是任意的，彼此之间的关系往往具有非线性的特点，对于这种非线性数据的研究是具有一定的挑战。这些运行数据构成一个复杂的网络系统，辨识该复杂系统的网络节点间的联系，有助于燃气轮机的状态监测和故障预测。而描述复杂网络间关系的杰出模型就是由美国加州大学的JudeaPearl提出的基于概率论和图论的贝叶斯网络模型。Hoyer等对于贝叶斯网络因果模型进行更进一步扩展，提出了加性噪声模型，该模型可以建模非高斯非线性的数据。而燃气轮机机组的运行数据恰恰也是非高斯非线性的。所以，基于加性噪声模型对燃气轮机机组的运行数据进行分析是非常有意义的研究方向。基于规则的诊断方法，该方法采用直接及启发式知识表示，诊断速度较快，且容易实现编程和系统开发，具有直观方便的优点。不过由于知识库中的故障类型较少，面对新的故障问题时就显得无从下手，极易导致诊断失误或者失败；基于人工神经网络的故障诊断主要是建立故障源和征兆间的映射，具有高度的容错机制及非线性等优点。不过由于神经网络的诊断方法对系统内部的潜在关系不能进行准确的揭示，因而增加了该方法出现误诊的概率；混合型智能诊断方法可以依据发动机组性能参数的不同以及采集存储的历史数据信息按照一定的选用规则选取合理的诊断方法，具有良好的综合性能。目前这些方法的主要局限包括：(1)燃气轮机的故障预测采用直接知识表示的方法，速度快，但知识库中的故障较少，面对新的故障时候就不能有效的进行故障预测，很大可能会导致诊断失误；(2)单独的神经网络诊断方法，不能对燃气轮机系统内部的各部件关系进行准确的揭示，只能通过数据进行表面分析，这也给故障预测带来很大的不确定性。
技术实现思路
本专利技术为克服现有技术存在的不足之处，提出了一种基于秩次相关的因果结构图的燃气轮机故障预测方法，以期能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。本专利技术为解决技术问题采用如下技术方案：本专利技术一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X1,X2,...,Xi,...,Xn}的燃气轮机运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有，表示第i个监测点Xi的运行数据Di中第k个样本；i＝1,2,...,n，k＝1,2,...,m，m表示运行数据的样本总数；其特点是，所述燃气轮机故障预测是按如下步骤进行：步骤1、定义第i个监测点Xi的候选节点集为PN(Xi)；并初始化PN(Xi)＝φ；初始化i＝0；步骤2、定义秩次相关假设检验的阈值为Kα；定义循环值j，并初始化j＝2；步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点Xi的运行数据Di；否则，表示获得每个监测点的候选节点集，并执行步骤8；步骤4、对所述第j个监测点Xj与第i个监测点Xi进行秩次相关系数计算，得到秩次相关系数rij；步骤5、对所述秩次相关系数rij进行假设检验，从而计算数据集的显著性水平值pij；步骤6、若pij≥Kα，则表示第j个监测点Xj与第i个监测点Xi没有相关性，若pij＜Kα，则表示第j个监测点Xj与第i个监测点Xi有相关性，并第j个监测点Xj加入到候选节点集PN(Xi)中；步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；步骤8、定义监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，则对每个监测点的候选节点集使用爬山搜索法进行定向后，返回步骤9执行；否则，执行步骤10；步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，所述监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用所述故障预测模型得到实时监测的监测点的预测值，从而将所述预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。本专利技术所述的燃气轮机故障预测方法的特点也在于，所述步骤4是按如下步骤进行：步骤4.1、定义第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的等级差为dij；步骤4.2、将燃气轮机运行数据集D中所有数据进行秩次排列后得到运行数据集的秩次排序D′＝{D′1,D′2,...,D′i,...,D′n}；D′i表示运行数据集秩次排序D′中第i个监测点X′i的运行数据的秩次排序；步骤4.3、定义变量k，k∈[1,m]；步骤4.4、利用式(1)计算第i个监测点Xi的运行数据Di与第j个监测点本文档来自技高网...

【技术保护点】
1.一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X

【技术特征摘要】
1.一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X1,X2,...,Xi,...,Xn}的燃气轮机运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有，表示第i个监测点Xi的运行数据Di中第k个样本；i＝1,2,...,n，k＝1,2,...,m，m表示运行数据的样本总数；其特征是，所述燃气轮机故障预测是按如下步骤进行：
步骤1、定义第i个监测点Xi的候选节点集为PN(Xi)；并初始化PN(Xi)＝φ；初始化i＝0；
步骤2、定义秩次相关假设检验的阈值为Kα；定义循环值j，并初始化j＝2；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点Xi的运行数据Di；否则，表示获得每个监测点的候选节点集，并执行步骤8；
步骤4、对所述第j个监测点Xj与第i个监测点Xi进行秩次相关系数计算，得到秩次相关系数rij；
步骤5、对所述秩次相关系数rij进行假设检验，从而计算数据集的显著性水平值pij；
步骤6、若pij≥Kα，则表示第j个监测点Xj与第i个监测点Xi没有相关性，若pij＜Kα，则表示第j个监测点Xj与第i个监测点Xi有相关性，并第j个监测点Xj加入到候选节点集PN(Xi)中；
步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；
步骤8、定义监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；
步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，则对每个监测点的候选节点集使用爬山搜索法进行定向后，返回步骤9执行；否则，执行步骤10；
步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，所述监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；
步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；
步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用所述故障预测模型得到实时监测的监测点的预测值，从而将所述预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。


2.根据权利要求1所述的燃气轮机故障预测方法，其特征是，所述步骤4是按如下步骤进行：
步骤4.1、定义第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的等级差为dij；
步骤4.2、将燃气轮机运行数据集D中所有数据进行秩次排列后得到运行数据集的秩次排序D′＝{D′1,D′2,...,D′i,...,D′n}；D′i表示运行数据集秩次排序D′中第i个监测点X′i的运行数据的秩次排序；
步骤4.3、定义变量k，k∈[1,m]；
步骤4.4、利用式(1)计算第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的第k行的等级差



式(1)中，表示运行数据集秩次D′中第i个监测点X′i的第k个样本的秩次排序；表示新的运行数据集秩次D′中第j个监测点X′j的第k个样本的秩次排序；
步骤4.5、利用式(2)计算所述第j个监测点Xj与第i个监测点Xi的秩次相关系数rij：





3.根据权利要求1所述的燃气轮机故障预测方法，其特征是，所述步骤5是按如下步骤进行：
步骤5.1、利用式(3)对秩次相关系数rij的真值进行假设检验：
H0：E(rij)＝0H1：E(rij)≠0(3)<...

【专利技术属性】
技术研发人员：杨静，樊高金，沈安波，江刘峰，朱尤杰，方宝富，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34