一种基于主成分分析法的燃气轮机故障检测方法技术

本发明专利技术公开了一种基于主成分分析法的燃气轮机故障检测方法，包括以下步骤：首先进行热工参数相关性分析筛选出基础特征参数；其次针对上述基础特征参数数据，采用主成分分析方法进行分析，得到特征值矩阵和特征向量矩阵，并依据累积方差贡献率确定主元个数k；再通过特征值矩阵和特征向量矩阵，建立综合统计量ψ，依据检验水平α，确定出统计量的边界ψ

【技术实现步骤摘要】
一种基于主成分分析法的燃气轮机故障检测方法


[0001]本专利技术涉及故障检测
，尤其涉及一种基于主成分分析法的燃气轮机故障检测方法。

技术介绍

[0002]燃气轮机是以连续流动的气体为工质带动叶轮高速旋转，将燃料的能量转变为有用功的内燃式动力机械，是一种旋转叶轮式热力发动机。
[0003]而现有燃气轮机的结构紧凑，部件形状复杂，工作环境难以保证，轻微的损伤可能导致其性能明显下降，对其安全性带来巨大隐患。为满足在舰船领域的高效率、高推重比、低噪音、低排放、平稳运行等要求，需要对运行中的燃气轮机进行热力参数监测，评估其性能状态，保证不发生重大事故，维持燃机的正常稳定运行。作为舰船的核心动力，燃机的性能好坏，运行是否安全稳定，将直接影响到船舶的生存能力。一旦其出现事故，其后果将不仅仅带来严重的经济损失，还有可能会威胁到人员的生命安全。因此，对于如何有效的检测燃气轮机故障，避免重大事故的发生，成为当前船用燃气轮机急需解决的问题之一。
[0004]在现有的燃气轮机故障检测中，一般通过监控报警或者周期检测的方式发现故障。该方式效率低下，且对工作人员的经验和知识储备要求很高，很难及时发现故障检，显然满足不了现代智能智能化的需求。因此，有必要提出一种燃气轮机的智能故障检测方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于主成分分析法的燃气轮机故障检测方法，使工作人员能够更加实时、准确、方便地了解燃气轮机的运行状态，判断燃气轮机是否故障。
[0006]本专利技术公开的一种基于主成分分析法的燃气轮机故障检测方法所采用的技术方案是:
[0007]一种基于主成分分析法的燃气轮机故障检测方法，包括以下步骤：
[0008]首先基于燃气轮机正常运行时，机载传感器所采集的热工参数数据，进行热工参数相关性分析筛选出基础特征参数；
[0009]其次针对上述基础特征参数数据，采用主成分分析方法进行分析，得到特征值矩阵和特征向量矩阵，并依据累积方差贡献率确定主元个数k；
[0010]再通过特征值矩阵和特征向量矩阵，建立综合统计量ψ，依据检验水平α，确定出统计量的边界ψ
α
；
[0011]检测燃气轮机的实时特征参数，通过实时特征参数数据，结合特征向量矩阵和特征值矩阵，计算当前运行状态的监测统计量ψ
i
，比较监测统计量ψ
i
与统计量边界ψ
α
的大小，从而实现故障检测。
[0012]作为优选方案，基于燃气轮机正常运行时，机载传感器采集的M个热工参数进行相关性分析，筛选出m个热工参数作为基础特征参数，并且m≤M，从而得到基础特征参数样本集X
m*n
，其中m：基础特征参数个数，n：样本数量，并且样本集X
m*n
的每一列均包含m个不同的
基础特征参数。
[0013]作为优选方案，基于样本集X
m*m
采用主成分分析方法，得到特征向量矩阵和特征值矩阵，依据特征值矩阵的特征值，计算主元累积方差贡献率，依据主元累积方差贡献率大于一个经验值确定主元个数k。
[0014]作为优选方案，通过特征值矩阵和特征向量矩阵建立T2统计量、SPE统计量和ψ统计量，依据检验水平α首先计算出统计量边界和统计量边界SPE
α
，再计算出综合统计量ψ的边界ψ
α
。
[0015]作为优选方案，主成分分析方法可解释为原始数据在主元空间和残差空间的投影，其主要步骤包括数据标准化、计算协方差矩阵、奇异值分解得特征值矩阵和特征向量矩阵。
[0016]作为优选方案，样本集X
m*n
具体处理方式如下：
[0017]第一步进行数据标准化,标准化公式如下：
[0018][0019]上述式中，x为X
m
*
n
中的一个列向量x＝[x1，x2，
…
，x
m
]T
，u为样本的均值，σ为样本标准差；
[0020]第二步计算协方差矩阵，X
m
*
n
协方差矩阵计算公式如下：
[0021][0022]上述式中，cov(x，y)为协方差函数，其定义式为：
[0023]cov(x
a
，x
b
)＝E[(x
a
‑
E(x
a
))(x
b
‑
E(x
b
))][0024]上述式中，x
a
，x
b
指不同的列向量，其中a和b均不大于n的正整数，E(x)函数为期望函数；
[0025]第三步奇异值分解，奇异值分解是一个能适用于任意矩阵的一种分解的方法，对于样本X
m*n
总是存在一个奇异值分解使得：
[0026]X
m*n
＝U
·
∑
·
V
T
[0027]上述式中，U是一个m*m的矩阵，称为特征向量矩阵；∑是一个m*m的矩阵，称为特征值矩阵，∑
m*n
矩阵中除对角线为特征值，其余为0，；V是一个n*n的矩阵，T的含义为转置矩阵。
[0028]作为优选方案，方差贡献率为特征值矩阵中特征值与所有特征值之和的比值，代表主元的方差贡献率，累积方差贡献率是依据贡献率从大到小累加，累积方差贡献率大于的经验值，一般取85％可以达到较好效果。
[0029]作为优选方案，T2统计量表示数据在主元空间上投影变化的大小，体现了数据在变化趋势和幅值上偏离模型的程度，T2统计量服从统计学中的F分布，其计算公式如下：
[0030][0031]式中：P
k
为主元特征向量矩阵，D
k
为主元的特征值构成的对角矩阵，k为主元个数；
[0032]T2统计量边界利用F分布可以得到：
[0033][0034]式中：n为样本数量；T2服从F(k，n
‑
k)分布；α为检验水平。
[0035]上述方法中，SPE统计量表示数据在残差子空间上投影的大小，体现了数据对主元模型的偏离程度，SPE统计量服从统计学的卡方分布，其计算公式如下：
[0036][0037]式中：e为x
i
的残差；I为单位矩阵。
[0038]SPE统计量边界利用卡方分布可以得到：
[0039][0040]上述式中：λ
j
为特征值；C
α
为正态分布在检验水平为α下临界值。
[0041]ψ统计量是一个由T2和SPE统计量得到的综合统计量，其结合了两者的优点，ψ统计量服从统计学的卡方分布，计算公式如下：
[0042][0043]式中：Φ为对称且正定。
[0044]ψ统计量的边界，利用卡方分布可以计算得到：
[0045][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，包括以下步骤：首先基于燃气轮机正常运行时，机载传感器所采集的热工参数数据，进行热工参数相关性分析筛选出基础特征参数；其次针对上述基础特征参数数据，采用主成分分析方法进行分析，得到特征值矩阵和特征向量矩阵，并依据累积方差贡献率确定主元个数k；再通过特征值矩阵和特征向量矩阵，建立综合统计量ψ，依据检验水平α，确定出统计量的边界ψ
α
；检测燃气轮机的实时特征参数，通过实时特征参数数据，结合特征向量矩阵和特征值矩阵，计算当前运行状态的监测统计量ψ
i
，比较监测统计量ψ
i
与统计量边界ψ
α
的大小，从而实现故障检测。2.如权利要求1所述的一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，基于燃气轮机正常运行时，机载传感器采集的M个热工参数进行相关性分析，筛选出m个热工参数作为基础特征参数，并且m≤M，从而得到基础特征参数样本集X
m*n
，其中m：基础特征参数个数，n：样本数量，并且样本集X
m*n
的每一列均包含m个不同的基础特征参数。3.如权利要求2所述的一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，基于样本集X
m*n
采用主成分分析方法，得到特征向量矩阵和特征值矩阵，依据特征值矩阵的特征值，计算主元累积方差贡献率，依据主元累积方差贡献率大于一个经验值确定主元个数k。4.如权利要求3所述的一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，通过特征值矩阵和特征向量矩阵建立T2统计量、SPE统计量和ψ统计量，依据检验水平α首先计算出统计量边界和统计量边界SPE
α
，再计算出综合统计量ψ的边界ψ
α
。5.如权利要求3所述的一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，主成分分析方法可解释为原始数据在主元空间和残差空间的投影，其主要步骤包括数据标准化、计算协方差矩阵、奇异值分解得特征值矩阵和特征向量矩阵。6.如权利要求5所述的一种基于主成分分析法的燃气轮机故障检测方法，其特征在于，样本集X
m*n
＝[x1，x2，
…
，x
n
]具体处理方式如下：第一步进行数据标准化，标准化公式如下：上述式中，x为X
m*n
中的一个列向量，u为列向量x的均值，σ为列向量x的标准差；第二步计算协方差矩阵，X
m*n
协方差矩阵计算公式如下：上述式中，cov(x，y)为协方差函数，其定义式为：cov(x
a
，x
b
)＝E[(x
a
‑
...

【专利技术属性】
技术研发人员：刘汉有，章宁，李宝月，
申请(专利权)人：刘汉有，
类型：发明
国别省市：