基于混合方法的燃气轮机多传感器故障检测方法技术

基于混合方法的燃气轮机多传感器故障检测方法，解决了现有燃气轮机的多传感器故障检测不灵敏的问题，属于燃气轮机故障检测技术领域。本发明专利技术包括：S1、获得燃气轮机无故障时的运行数据，所述运行数据包括燃气轮机每个传感器的数据；S2、建立燃气轮机的平衡流形展开模型，利用各传感器的数据分别进行参数辨识，得到各个传感器对应的用于卡尔曼滤波估计燃气轮机的状态方程与观测方程；S3、分别利用各个传感器的测量数据及S2中对应的状态方程与观测方程对燃气轮机的状态进行最优估计，并将得到的状态量作为相应传感器的检测因子；S4、对所有传感器的检测因子进行聚类，分为两类，其中检测因子数量少的一类对应的传感器为故障传感器。器。器。

【技术实现步骤摘要】
基于混合方法的燃气轮机多传感器故障检测方法


[0001]本专利技术涉及一种基于混合方法的燃气轮机多传感器故障检测方法,属于燃气轮机故障检测


技术介绍

[0002]燃气轮机是由压气机、燃烧室、涡轮以及一系列辅助系统组成的旋转机械，是重要的原动力装置。其在电力系统、航空航天、舰船等诸多领域得到了广泛应用，是21世纪乃至更长时期内能源高效转化与洁净利用的核心动力装备。燃气轮机被誉为“工业皇冠上的明珠”，其工作原理与内部结构十分复杂，工作环境又十分恶劣，通常需要对其运行状态进行实时监测，并利用监测数据进行系统的状态监测。状态的监测需要利用燃气轮机上遍布的众多传感器，实时采集机组运行数据，送至监测系统进行状态分析进行系统的故障检测。但是，如果传感器出现了故障，其监测到的数据就会发生变化，如果利用错误的数据进行燃气轮机的状态监测，就会导致错误的分析、检测结果，进而影响机组安全、正常的运行。因此，进行燃气轮机的状态监测，必须建立在传感器正常工作的基础上。所以，有必要先对传感器的状态进行监测，检查传感器是否出现故障。
[0003]现有的传感器故障诊断方法可分为基于模型的方法和数据驱动的方法。首先，在基于模型的方法中，需要利用所建模型与燃气轮机系统直接进行对比以实现传感器的故障检测与隔离；但建模误差、模型不确定性、传感器噪声等干扰因素都会对检测结果产生负面影响从而降低检测灵敏度；因此，为了抑制上述因素的影响，一类基于卡尔曼滤波的方法被设计来提高检测的灵敏性。其次，对于以数据驱动为代表的燃气轮机传感器故障诊断技术，主要有以支持向量机、神经网络、模糊逻辑等为主的基于分类的故障诊断方法和以K
‑
Means聚类、基于密度的聚类方法(DBSCAN)等为主的基于聚类的故障诊断方法。
[0004]基于模型的方法中，目前基于卡尔曼滤波的检测方法众多，但仍普遍存在：只适用于单传感器故障，多传感器并发故障时，算法将失效；仍需要将非线性的燃气轮机系统线性化，这将不可避免地降低检测精度等问题。此外，基于数据驱动的方法中，分类的方法多以有监督学习为主，此类方法需要大量的数据和标签从而实现精准地故障诊断，而在燃气轮机实际运行过程中，积累故障样本往往是十分困难的。而聚类问题则更多以无监督学习方法为主，此类方法不需要故障标签就可实现故障诊断。但基于数据驱动的诊断方法受系统噪声和测量噪声的影响较为严重，很难实现故障的灵敏检测。因此，有必要研究用于多传感器故障的检测方法，实现多传感器故障的灵敏检测，为燃气轮机状态监测系统的正常运行提供保障。

技术实现思路

[0005]针对现有燃气轮机的多传感器故障检测不灵敏的问题，本专利技术提供一种基于混合方法的燃气轮机多传感器故障检测方法。
[0006]本专利技术的一种基于混合方法的燃气轮机多传感器故障检测方法，所述方法包括：
[0007]S1、获得燃气轮机无故障时的运行数据，所述运行数据包括燃气轮机每个传感器的数据；
[0008]S2、建立燃气轮机的平衡流形展开模型，利用各传感器的数据分别进行参数辨识，得到各个传感器对应的用于卡尔曼滤波估计燃气轮机的状态方程与观测方程；
[0009]S3、分别利用各个传感器的测量数据及S2中对应的状态方程与观测方程对燃气轮机的状态进行最优估计，并将得到的状态量作为相应传感器的检测因子；
[0010]S4、对所有传感器的检测因子进行聚类，分为两类，其中检测因子数量少的一类对应的传感器为故障传感器。
[0011]作为优选，S2中，平衡流形展开模型为：
[0012][0013]其中，n
H
表示高压转子转速，n
L
表示低压转子转速，n
P
表示动力轴转速；α＝u＝q
mfe
，u表示输入变量，α表示调度变量，q
mfe
表示燃油流量，A(α)∈R3×3，B(α)∈R3×1，C(α)∈R
n
×3，D(α)∈R
n
×1，A(α)表示以α表示的系数矩阵，B(α)表示以α表示的系数矩阵，C(α)表示以α表示的系数矩阵，D(α)表示以α表示的系数矩阵；n为表示传感器的数量，X
e
(α)∈R3，Y
e
(α)∈R
n
,u
e
(α)∈R1,X
e
(α)表示以α表示的多项式矩阵,Y
e
(α)表示以α表示的多项式矩阵,u
e
(α)表示以α表示的多项式矩阵；Y表示平衡流形展开模型的输出值,p(
·
)表示X和u对α的非线性映射；
[0014]采用平方根容积卡尔曼滤波，将平衡流形展开模型离散，得到状态方程与观测方程。
[0015]作为优选，S2中，状态方程与观测方程为：
[0016][0017]其中，x
k
为对应的离散量，x
k
‑1为对应X的离散量，u
k
‑1为对应u在k
‑
1时刻的离散量，f(
·
)表示平衡流形展开模型离散后x
k
‑1,u
k
‑1对x
k
的函数关系；y
k
为k时刻传感器的输出值，g(
·
)表示平衡流形展开模型离散后x
k
,u
k
对y
k
的函数关系，u
k
为对应u在k时刻的离散量；x
k
∈R
n
为状态变量，u
k
∈R1为输入变量，y
k
∈R1为输出变量，ω
k
‑1和v
k
为不相关的白噪声，分别代表系统噪声和测量噪声。
[0018]作为优选，所述S4中，采用具有噪声的基于密度的聚类方法DBSCAN对所有传感器的检测因子进行聚类。
[0019]本专利技术的有益效果，实现了燃气轮机多传感器的故障检测与隔离，在利用非线性的平衡流形展开模型的基础上结合非线性卡尔曼滤波提高检测精度的同时，建立SRCKF检测阵并结合DBSCAN聚类方法实现多传感器故障的检测，解决了传统的基于卡尔曼滤波的传感器故障检测方法一般仅能检测单个故障的问题。解决了传感器故障难以检测、诊断和隔离的问题，为后续的维护与燃机监测提供数据保障，因而该项技术有较强的推广意义。
附图说明
[0020]图1为本专利技术的流程示意图；
[0021]图2为三轴燃气轮机结构图；
[0022]图3表示本专利技术基于SRCKF
‑
DBSCAN的传感器故障检测与诊断结果。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合方法的燃气轮机多传感器故障检测方法，其特征在于，所述方法包括：S1、获得燃气轮机无故障时的运行数据，所述运行数据包括燃气轮机每个传感器的数据；S2、建立燃气轮机的平衡流形展开模型，利用各传感器的数据分别进行参数辨识，得到各个传感器对应的用于卡尔曼滤波估计燃气轮机的状态方程与观测方程；S3、分别利用各个传感器的测量数据及S2中对应的状态方程与观测方程对燃气轮机的状态进行最优估计，并将得到的状态量作为相应传感器的检测因子；S4、对所有传感器的检测因子进行聚类，分为两类，其中检测因子数量少的一类对应的传感器为故障传感器。2.根据权利要求1所述的基于混合方法的燃气轮机多传感器故障检测方法，其特征在于，S2中，平衡流形展开模型为：其中，n
H
表示高压转子转速，n
L
表示低压转子转速，n
P
表示动力轴转速；α＝u＝q
mfe
，u表示输入变量，α表示调度变量，q
mfe
表示燃油流量，A(α)∈R3×3，B(α)∈R3×1，C(α)∈R
n
×3，D(α)∈R
n
×1，A(α)表示以α表示的系数矩阵，B(α)表示以α表示的系数矩阵，C(α)表示以α表示的系数矩阵，D(α)表示以α表示的系数矩阵；n为表示传感器的数量，X
e
(α)∈R3，Y
e
(α)∈R
n
,u
e
(α)∈R1,X
e
(α)表示以α表示的多项式矩阵,Y
e
(α)表示以α表示的多项式矩阵,u
e
(α)表示以α表示的多项式矩阵；Y表示平衡流形展开模型的输出值,p(
·
)表示X和u对α的非线性映射；采用平方根容积卡尔曼滤波，将平衡流形展开模型离散，得到状态方程与观测方程。3.根据权利要求2所述的基于混合方法的燃气轮机多传感器故障检测方法，其特征在于，S2中，状态方程与观测方程为：其中，x
k
为对应的离散量，x
k
‑1为对应X的离散量，u
k
‑1为对应u在k
‑
1时刻的离散量，f(
·
)表示平衡流形展开模型离散后x
k
‑1,u
k
‑1对x
k
的函数关系；y
k
为k时刻传感器的输出值，g(
·
)表示平衡流形展开模型离散后x
k
,u
k
对y
k
的函数关系，u
k
为对应u在k时刻的离散量；x
k
∈R
n
为状态变量，u
k
∈R1为输入变量，y
k
∈R1为输出变量，ω
k
‑1和v
k
为不相关的白噪声，分别代表系统噪声和测量噪声。4.根据权利要求3所述的基于混合方法的燃气轮机多传感器故障检测方法，其特征在于，所述S4中，采用具有噪声的基于密度的聚类方法DBSCAN对所有传感器的检测因子进行聚类。5.根据权利要求4所述的基于混合方法的燃气轮机多传感器故障检测方法，其特征在于，所述S3包括：S31、设置x0的最优初始化值及误差协方差阵的特征平方根更新初值；
S32、进行估计容积点及时间更新，k∈{1,2,
…
,∞}；S32、估计容积点及时间更新，k∈{1,2,
…
,∞}，获取k
‑...

【专利技术属性】
技术研发人员：刘金福，朱麟海，龙振华，任铭，昊罗京，刘鑫，
申请(专利权)人：南京遒涯信息技术有限公司哈尔滨仁通能源科技有限公司，
类型：发明
国别省市：