基于偏秩相关的流因果结构学习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偏秩相关的流因果结构学习的燃气轮机故障预测方法，包括：1、以流的方法逐个读入监测节点数据；2、对每个监测节点使用基于偏秩相关的流因果结构学习方法，在监测节点集合中选择一组候选邻居监测节点集；3、对选择的候选邻居监测节点进行冗余性分析；4、重复执行步骤1

【技术实现步骤摘要】
基于偏秩相关的流因果结构学习的燃气轮机故障预测方法


[0001]本专利技术属于数据挖掘领域，具体地说是一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法。

技术介绍

[0002]故障检测技术是由于构建大型设备的“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。随着系统设备的精密度越来越高，对检查维护人员的专业水平要求也提出了更高的要求。但即便是具备一定的经验的专业检查人员，还是会因个人因素等原因导致错查、漏查。并且基于人工水平的限制，更是存在有些故障的发生难以预料和有些故障的机理难以分析等难题。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。该监控系统中常采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。
[0003]目前国内燃气轮机状态监测和故障诊断研究现状最近有很大进步,但是技术还相对比较落后,应用成果较少。随着人工智能时代的到来和大数据技术的兴起，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。
[0004]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Judea Pearl提出的基于概率论和图论的贝叶斯网络模型，并凭杰出的贡献获得2011年度图灵奖。当前贝叶斯网络结构学习算法可以分为两大类：一是解决静态环境下多元线性或非线性数据的因果结构学习问题的全局因果发现算法(假定预先获得所有的特征数据)，如Schmidt等于提出了L1MB算法，Yang提出了基于偏相关的PCB算法以及改进后的PCS算法，Hoyer等提出了的附加噪声模型和用于处理多元非线性数据的基于HSIC独立性测试方法的因果结构学习；二是处理动态条件下多元离散或连续数据的因果结构学习问题的局部因果发现算法(假定特征数据以流动方式产生)，如Yu等人提出了基于流特征的在线局部因果结构学习算法，Guo和Yang通过在Yu的工作上进行深入研究，分别提出了准确度与时间性能更高的CSBS算法和CSSU算法。然而，上述算法都存在一定的局限性。例如L1MB算法、PCB算法和PCS算法只能处理服从线性分布的数据，HSIC独立性测试方法的时间复杂度大仅适用小样本数据，且静态
环境下的因果算法需要等待所有数据全部载入完成才能执行，在考虑时间成本的情况下不适用于数据动态增长的应用系统；而CSBS算法和CSSU算法要求输入数据呈离散分布，对于连续性的数据，需要先进行离散化处理，这通常会引起失真问题，并且，现实世界的数据采集过程中不可避免地会掺加噪声，噪声数据的引入会导致因果发现算法失效。
[0005]燃气轮机机组的运行数据通常服从非高斯非线性分布，更具备高维特性。传统的高维数据的处理方法包括主成分分析法、独立成分分析等方法。而这些方法都要事先知道所有数据维的信息并一次载入内存，但有时燃气轮机机组数据维数巨大无法一次载入内存，并且可能不断出现新的测点数据，造成数据的特征空间是动态的、未知的。因此从实际应用角度，基于流特征下的动态因果发现算法更适用于处理动态高维且服从非高斯非线性分布的燃气轮机机组运行数据。近年来兴起的一种基于流特征的数据分析方法，目前是数据挖掘领域一个新兴的研究方向，可以有效的处理动态高维大数据。
[0006]目前这些方法的主要局限包括：
[0007](1)由于燃气轮机机组数据维数巨大，无法一次载入内存，使得上述静态环境下的全局因果发现算法需要等待数据全部载入，不能实时地有效处理此种情形；
[0008](2)上述多数流特征下的动态因果发现算法的计算复杂度比较大，且需先对原始数据进行离散化处理，不可避免引起数据的失真问题，满足不了燃气轮机机组运行数据的在线实时学习。

技术实现思路

[0009]本专利技术为克服现有技术存在的不足之处，提出了一种基于偏秩相关的流因果结构学习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。
[0010]本专利技术为解决技术问题采用如下技术方案：
[0011]本专利技术一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点X＝{X1,X2,...,X
i
,...,X
n
}的运行状态进行监测，从而得到燃气轮机的运行数据集D＝{D1,D2,...,D
i
,...,D
n
}，其中，X
i
表示第i个监测点；D
i
表示第i个监测点X
i
的运行数据；并有的运行数据；并有表示第i个监测点X
i
的运行数据D
i
中第s个样本监测值；1≤i≤n，1≤s≤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：
[0012]步骤1、定义时刻t，并初始化t＝0；
[0013]步骤2、定义t时刻监测节点集合为TCN
t
，并初始化t时刻监测节点集合
[0014]步骤3、定义变量j，并初始化j＝1；
[0015]步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集D中读取具有m个取值的第j个监测节点X
j
的运行数据D
j
；并初始化第j个监测节点X
j
的候选邻居监测节点集MB(X
j
)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
[0016]步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点X
j
加入所述t时刻监
测节点集合TCN
t
中，从而获得t+1时刻监测节点集集合TCN
t+1
；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
[0017]步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点X＝{X1,X2,...,X
i
,...,X
n
}的运行状态进行监测，从而得到燃气轮机的运行数据集D＝{D1,D2,...,D
i
,...,D
n
}，其中，X
i
表示第i个监测点；D
i
表示第i个监测点X
i
的运行数据；并有的运行数据；并有表示第i个监测点X
i
的运行数据D
i
中第s个样本监测值；1≤i≤n，1≤s≤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、定义时刻t，并初始化t＝0；步骤2、定义t时刻监测节点集合为TCN
t
，并初始化t时刻监测节点集合步骤3、定义变量j，并初始化j＝1；步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集D中读取具有m个取值的第j个监测节点X
j
的运行数据D
j
；并初始化第j个监测节点X
j
的候选邻居监测节点集MB(X
j
)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点X
j
加入所述t时刻监测节点集合TCN
t
中，从而获得t+1时刻监测节点集集合TCN
t+1
；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个监测节点X
j
进行相关性分析，从而在t时刻监测节点集TCN
t
中选取相关的监测节点加入候选邻居监测节点集MB(X
j
)；步骤7、判断所述第j个监测节点X
j
的候选邻居监测节点集MB(X
j
)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点X
j
加入t时刻监测节点集合TCN
t
中，从而获得t+1时刻监测节点集合TCN
t+1
；再将t+1赋值给t后，执行步骤8；步骤8、定义变量k，并初始化k＝1；步骤9、对候选邻居监测节点集合MB(X
j
)中第k个监测节点在所述监测节点X中所对应的第k
′
个监测节点X
k
′
进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合MB(X
k
′
)；步骤10、将k+1赋值给k，并判断k＞|MB(X
j
)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|MB(X
j
)|表示MB(X
j
)中监测节点的数目；步骤11、将j+1赋值给j，返回步骤4；步骤12、使用贪婪爬山搜索算法对所述因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；步骤13、任意选择一个监测节点的运行数据作为LSTM神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，并得到故障预测模型；步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入所述故障预测模型中，得到实时监测的监测节点的预测值，再将所述预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
2.根据权利要求1所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，其特征是，所述步骤6的相关性分析是按如下步骤进行：步骤6.1、设置相关性阈值为α；步骤6.2、定义变量u；并初始化u＝1；定义变量θ；步骤6.3、计算第j个监测节点X
j
和t时刻监测节点集TCN
t
中第u个监测节点在给定候选邻居节点集条件下的偏秩相关系数步骤6.4、利用式(1)对偏秩相关系数的真值进行假设检验；式(1)中，H0表示检验假设，表示偏秩相关系数的均值，H1表示备择假设；步骤6.5、利用式(2)得到统计量步骤6.5、利用式(2)得到统计量式(2)中，表示第j个监测节点X
j
和第u个监测节点的真实数据所计算的偏秩相关系数；为估计值，表示偏秩相关系数的期望值；偏秩相关系数是取值为0的假设值；是估计值的标准差估计；步骤6.6、利用式(3)计算显著性水平值表示第j个监测节点X
j
和第u个监测节点的相关程度：式(3)中，Φ是标准正态分布的累积分布函数；步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点X
j
与第u个监测节点相关，并执行步骤6.8；否则，表示第j个监测节点X
j
与第...

【专利技术属性】
技术研发人员：杨静，江刘锋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：