一种基于加权概率神经网络的故障分类方法技术

本发明专利技术公开了一种基于加权概率神经网络的故障分类方法，涉及机器学习技术领域，解决了现有电站设备不能够对故障进行精准分类的技术问题，其技术方案要点是通过在加权概率神经网络的模式层和求和层中添加权重因子衡量样本的类可分离性，用于进一步提供新型故障的信息用于故障分类决策。能够有效处理已知故障和新型故障，实现电站设备全工况运行下的故障分类。同时针对于新型故障，新的故障样本很容易加入训练好的网络中，只需要增加相应的隐层单元，不需要重新训练，提升电厂运行的经济性和安全性。和安全性。和安全性。

【技术实现步骤摘要】
一种基于加权概率神经网络的故障分类方法


[0001]本申请涉及机器学习
，尤其涉及一种基于加权概率神经网络的故障分类方法。

技术介绍

[0002]在“工业4.0”背景下，电厂配备大量仪器，去捕获数百个变量每个时刻的值，构成巨大的数据集。当设备发生故障时，因数据中信息复杂多样，仅通过专家经验无法快速精准处理异常状态。如果故障处理不及时，故障状态进一步发展将导致工业事故进而造成人员伤亡以及严重的经济损失，甚至导致机组停机。因此，需要一套智能的故障分类工具，帮助确定故障信息并采取正确措施，保证机组的安全性和经济性。
[0003]故障分类是基于设备的故障检测，根据设备故障时运行参数的特征和变化，结合该设备的工作原理和热力性能，从数据中对故障进行分析，提供故障变量信息，快速准确地辨别故障类别，便于确定故障的解决方案。随着电站设备大型化、复杂化程度不断提升，不同故障往往耦合多个相同故障特征，传统的处理方式无法准确辨识故障的类别，因此精准的故障分类对于快速解决故障问题，保障机组安全稳定运行有着重要意义。

技术实现思路

[0004]本申请提供了一种基于加权概率神经网络的故障分类方法，其技术目的是对故障进行精准分类，实现电站设备全工况运行下的故障实时分类，从而快速解决故障问题。
[0005]本申请的上述技术目的是通过以下技术方案得以实现的：
[0006]一种基于加权概率神经网络的故障分类方法，包括：
[0007]S1：基于电站设备的历史故障数据获取故障的训练样本集和测试样本集，训练样本集构成样本矩阵，对样本矩阵进行降维处理得到得分矩阵和载荷矩阵；
[0008]S2：采用基于重构的主成分分析法对得分矩阵和载荷矩阵中的故障特征进行提取，并将提取的故障特征作为加权概率神经网络的输入样本；
[0009]S3：通过所述故障特征对加权概率神经网络进行训练，得到加权概率神经网络模型；
[0010]S4：将测试样本集输入到训练好的加权概率神经网络模型中，获取故障分类结果。
[0011]本申请的有益效果在于：
[0012](1)本申请提供的系统和方法学习速度快；所选用方法在训练过程中的学习规则简单，计算速度快，训练过程一次完成。
[0013](2)在传统的基于贝叶斯决策的概率神经网络的基础上，在概率神经网络的模式层和求和层中添加权重因子衡量样本的类可分离性，用于进一步提供新型故障的信息用于故障分类决策。
[0014](3)本申请提供的加权概率神经网络分类模型能够有效处理已知故障和新型故障，均能实现电站设备全工况运行下的故障分类。同时针对于新型故障，新的故障样本很容
易加入训练好的网络中，只需要增加相应的隐层单元，不需要重新训练，提升电厂运行的经济性和安全性。
[0015](4)本申请中的故障分类模块是基于贝叶斯最小风险准则对样本进行分类的，可以最大程度的利用先验知识，无论分类问题多么复杂，只要有充足的训练样本，便可保证获得贝叶斯准则下的最优解。
附图说明
[0016]图1为本申请所述方法流程图；
[0017]图2为加权概率神经网络结构图；
[0018]图3为已知故障的权重分析结果示意图；
[0019]图4为新型故障的权重分析结果示意图。
具体实施方式
[0020]下面将结合附图对本申请技术方案进行详细说明。
[0021]凝汽器作为电厂汽轮机组的重要设备，对机组的真空指标有极其重要影响。本申请以某电厂凝汽器系统为研究对象，对其在不同工况下的故障进行分析。首先在该电厂的SIS系统中采集凝汽器的数据，获取其在不同工况的运行数据以及离线历史故障数据，将故障数据做相应的标记，作为加权概率神经网络模型的训练数据。
[0022]表1凝汽器系统故障特征参数
[0023]编号名称编号名称F1凝汽器温度F
14
循环水泵功率F2凝汽器压力F
15
抽气器入口质量流量F3凝汽器液位F
16
抽气器出口混合压力F4汽轮机排汽质量流量F
17
抽气器出口混合温度F5端差F
18
凝汽器系统混合压降F6过冷度F
19
凝汽器系统混合温升F7循环冷却水质量流量F
20
附加热源F8循环冷却水入口温度F
21
空气泄漏量F9循环冷却水出口温度F
22
抽气器阀位F
10
循环冷却水入口压力F
23
循环冷却水控制阀位F
11
循环冷却水出口压力F
24
管内相对粗糙度F
12
循环冷却水温升F
25
凝结水泵出口压力F
13
循环冷却水压降F
26
循环水泵出口压力
[0024]当凝汽器系统发生故障时，该系统的各个运行参数均会受到不同程度的影响，这些参数包括现场利用传感器获得的实时运行数据，也包括基于热力计算获得的性能指标。用于凝汽器系统故障分类的特征参数如表1所示，并用于故障特征提取识别故障信息。
[0025]如图1所示，使用加权概率神经网络的故障分类方法，实现步骤包括：
[0026]S1：基于电站设备的历史故障数据获取故障的训练样本集和测试样本集，训练样本集构成样本矩阵，对样本矩阵进行降维处理得到得分矩阵和载荷矩阵。
[0027]具体地，通过传感器采集现场设备的故障数据，结合故障案例库数据、提取运行经验及故障仿真的规则，获取电站设备的故障数据，用于构建分类器的训练样本集，得到原始观测矩阵X，其中，N表示样本总数，且每个样本包括m个观测变量，则原始观测矩阵X表示为：
[0028][0029]对原始观测矩阵X进行降维处理，包括：
[0030](1)对原始观测矩阵X的各列进行零均值和单位方差处理，得到协方差矩阵表示为：
[0031]通过特征分解，协方差矩阵能够进一步分解为：
[0032][0033](2)则一个样本向量x能够分别投影到主元子空间和残差子空间，表示为：
[0034][0035](3)根据上述样本向量x的投影将原始观测矩阵X分解为得分矩阵T和载荷矩阵P；其中，原始观测矩阵X中，每一行代表一个样本，观测变量x
i
＝[x
i
(1),x
i
(2),...,x
i
(N)]；l表示主元个数；i＝1,2,...,m。
[0036]S2：采用基于重构的主成分分析法对得分矩阵和载荷矩阵中的故障特征进行提取，并将提取的故障特征作为加权概率神经网络的输入样本。
[0037]为了成功辨识故障特征，采用反映残差空间的指标SPE，通过计算观测变量x
i
的重构贡献值作为故障特征，然后基于各个样本变量的重构贡献值构成故障特征数据组。
[0038][0039][0040]该方法可以指明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权概率神经网络的故障分类方法，其特征在于，包括：S1：基于电站设备的历史故障数据获取故障的训练样本集和测试样本集，训练样本集构成样本矩阵，对样本矩阵进行降维处理得到得分矩阵和载荷矩阵；S2：采用基于重构的主成分分析法对得分矩阵和载荷矩阵中的故障特征进行提取，并将提取的故障特征作为加权概率神经网络的输入样本；S3：通过所述故障特征对加权概率神经网络进行训练，得到加权概率神经网络模型；S4：将测试样本集输入到训练好的加权概率神经网络模型中，获取故障分类结果。2.如权利要求1所述的故障分类方法，其特征在于，所述步骤S1中，构建分类器的训练样本集，获取原始观测矩阵X，其中，N表示样本总数，且每个样本包括m个观测变量，则原始观测矩阵X表示为：对原始观测矩阵X进行降维处理，将原始观测矩阵X分解为得分矩阵T和载荷矩阵P；其中，原始观测矩阵X中，每一行代表一个样本，观测变量x
i
＝[x
i
(1),x
i
(2),...,x
i
(N)]；l表示主元个数；i＝1,2,...,m。3.如权利要求2所述的故障分类方法，其特征在于，所述步骤S2中，通过计算观测变量x
i
的重构贡献值获取故障特征，然后基于各个样本变量的重构贡献值构成故障特征数据组，包括：通过观测变量x
i
对于指标SPE的贡献值得到重构贡献值表示为：为：为：其中，表示单位矩阵中第i列，方向与x
i
相同；表示投影矩阵；表示投影矩阵的第i个对角元素。4.如权利要求3所述的故障分类方法，其特征在于，所述步骤S2中，加权概率神经网络包括依次连接的样本输入层...

【专利技术属性】
技术研发人员：司风琪，代雨辰，任少君，谢嘉辉，
申请(专利权)人：东南大学，
类型：发明
国别省市：