基于散列函数降维参数重构的汽轮组定量化分析方法技术

本发明专利技术公开了一种基于散列函数降维参数重构的汽轮组定量化分析方法，涉及动力机械故障诊断技术领域，解决了针对汽轮机组的高维数据空间在参数重构时降维不够彻底、且未构造健康因子与汽轮机组健康状态的定量函数关系的技术问题，其技术方案要点是深入分析工况指纹时间序列信息熵的动态变化特性与系统健康因子之间的关系，揭示汽轮机组全生命周期的健康因子退化规律汽轮机组工况指纹复杂度熵增加形成机理，建立汽轮机组健康因子定量化评估模型，实现汽轮机组健康因子定量化计算，解决PHM技术在汽轮机组等工程设备中的应用问题，为汽轮机组定量化视情维修与健康管理领域的研究工作提供科学依据和技术支持。工作提供科学依据和技术支持。工作提供科学依据和技术支持。

【技术实现步骤摘要】
基于散列函数降维参数重构的汽轮组定量化分析方法


[0001]本申请涉及动力机械故障诊断
，尤其涉及一种基于散列函数降维参数重构的汽轮组定量化分析方法。

技术介绍

[0002]故障诊断与健康管理技术(PHM)旨在实现用事前维护代替事后维修，能够有效提高汽轮机组运行可靠性和使用寿命。
[0003]目前对汽轮机组的研究成果多集中在故障诊断方向，针对健康管理的研究尚处于探索阶段，其面临的主要问题在于健康管理技术尚无统一的定量化评价标准，“健康因子”这一特征参数的定义并不明确，这些问题直接限制了PHM技术在汽轮机组等工程设备中的应用。目前国际上在汽轮机组等复杂系统故障诊断与健康管理方向的研究工作进展，主要集中在以下几个方面：
[0004](1)基于知识经验的方法：基于知识经验的方法主要依赖于运行、维修等人员在长期工作中对设备运行状态的基本判断经验，常用的有专家系统、层次分析法、模糊评判法等；基于知识经验的方法适用于研究确定的运行特征或工况，广泛应用于汽轮机的故障诊断和故障预测，但难以用于具体工况特征不明显的设备“健康因子”研究。
[0005](2)基于状态模型的方法：基于状态模型的方法是在对设备的运行及退化机理充分掌握的基础上，建立起来的具备确定性与针对性的物理或数学模型；基于状态模型的方法适用于经过简化和抽象的动态模型分析，广泛应用于汽轮机组的动态特性与故障机理研究，而设备的定量化健康管理需要结合现场传感器的大量测点信息，这导致了基于状态模型的方法需要根据个体差异对模型反复修正，其泛化能力不够理想。
[0006](3)基于数据驱动的方法：基于数据驱动的方法主要利用传感器采集的各状态参数监测数据，驱动各种分类方法或数据挖掘方法来分析与评估设备的健康状态，此领域的研究成果非常丰富，主要包括：灰色系统理论、神经网络、支持向量机、隐马尔科夫模型、时间序列模型、自回归模型、逻辑回归模型、核函数方法等。基于数据驱动的方法不需要目标系统的先验知识(状态模型和知识经验等)，以传感器采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息，避免了上述两种方法的缺点，是较为理想的故障预测与健康管理方法，但在具体应用领域，故障数据样本不足的问题制约了该方法在汽轮机组故障预测领域的发展。
[0007]综上所述，现阶段核变化方法能够将高维空间数据通过映射转化为低维数据，但针对汽轮机组的高维数据空间在参数重构时降维并不够彻底；同时尚未建立与汽轮机组系统健康与退化状态相一致的健康因子(HI)，也缺乏构造HI与汽轮机组健康状态的定量函数关系。为此提出一种基于散列函数降维参数重构的汽轮组定量化分析方法。

技术实现思路

[0008]本申请提供了一种基于散列函数降维参数重构的汽轮组定量化分析方法，其技术
目的是利用健康因子的动态值序列作为数据源，通过在线实验，开展健康因子定量化计算方法与系统性能退化模型有效性的相关研究，改善计算方法，提高准确性，进而解决PHM领域健康管理技术的定量化评估难题，为复杂系统健康管理技术从定性化信号分析向定量化信息学分析方法的转变提供新的思路。
[0009]本申请的上述技术目的是通过以下技术方案得以实现的：
[0010]一种基于散列函数降维参数重构的汽轮组定量化分析方法，包括：
[0011]S1：对用于汽轮组定量化分析的实验装置的传感器种类和数量进行分析，得到传感器参数；
[0012]S2：通过历史运行数据和传感器参数构建多维变量存储矩阵；
[0013]S3：采用改进的散列函数算法对所述多维变量存储矩阵进行碰撞和微扰敏感性分析，得到一维工况指纹序列数据；
[0014]S4：根据所述一维工况指纹序列数据进行降维投影完备性分析，生成工况指纹序列信息熵；
[0015]S5：根据所述工况指纹序列信息熵进行健康因子定量化分析，得到健康因子定量化值；
[0016]S6：基于数据驱动方法对健康因子定量化值与健康程度的相关性进行分析，以构建汽轮组定量化健康因子模型；
[0017]S7：通过历史运行数据对所述汽轮组定量化健康因子模型进行在线验证实验，以对所述汽轮组定量化健康因子模型进行优化与改进；
[0018]S8：通过优化改进后的汽轮组定量化健康因子模型对汽轮组进行定量化分析。
[0019]进一步地，步骤S3中，改进的散列函数算法包括：
[0020]将所述多维变量存储矩阵中存储的各传感器的采样值进行归一化处理，得到归一化参数；
[0021]对归一化参数的有效数字位数i进行分析，然后将归一化参数乘以10i转化为大整数值，该大整数值即改进的散列函数算法的有效输入值；
[0022]其中，各传感器的采样值均为经过A/D转换的二进制数字信号，若A/D转换的模拟输入量为x，输出数字量为y，变送器输入量程范围与输出量程之比为K
m
，则y＝x/K
m
q；其中，q表示A/D转换的量化单位，且q＝M/2
N
，M表示A/D转换模拟输入量的量程范围，N表示A/D转换的位数。
[0023]进一步地，步骤S3中，所述一维工况指纹序列数据为将数组D[m]映射到一个由8
×
n位二进制表示的整数空间。
[0024]进一步地，步骤S4中，所述工况指纹序列信息熵表示为：
[0025]H(X)＝
‑
∑
x∈X
P(x)log2P(x)；(1)
[0026]其中，H(X)表示信息熵值，P(x)log2P(x)表示系统状态的不确定度。
[0027]进一步地，步骤S5中，所述健康因子定量化值即对式(1)中的统计概率进行动态加权分析，表示为：
[0028]H
W
(X)＝
‑
∑
x∈X
W(P)P(x)log2[W(P)P(x)]；
[0029]其中，W(P)表示系统工况的概率统计分布函数；H
W
(X)表示健康因子定量化值。
[0030]进一步地，所述改进的散列函数算法包括MD5算法、SHA
‑
1算法和HAVAL算法。
[0031]进一步地，所述数据驱动方法包括时间序列模型、隐马尔科夫模型和逻辑回归模型。
[0032]本申请的有益效果在于：本申请所述的基于散列函数降维参数重构的汽轮组定量化分析方法，深入分析工况指纹时间序列信息熵的动态变化特性与系统健康因子之间的关系，揭示汽轮机组全生命周期的健康因子退化规律汽轮机组工况指纹复杂度熵增加形成机理，建立汽轮机组健康因子定量化评估模型，实现汽轮机组健康因子定量化计算，解决PHM技术在汽轮机组等工程设备中的应用问题，为汽轮机组定量化视情维修与健康管理领域的研究工作提供科学依据和技术支持。解决了PHM领域健康管理技术的定量化评估难题，为复杂系统健康管理技术从定性化信号分析向定量化信息学分析方法的转变提供新的思路，并为PHM技术的标准化研究工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于散列函数降维参数重构的汽轮组定量化分析方法，其特征在于，包括：S1：对用于汽轮组定量化分析的实验装置的传感器种类和数量进行分析，得到传感器参数；S2：通过历史运行数据和传感器参数构建多维变量存储矩阵；S3：采用改进的散列函数算法对所述多维变量存储矩阵进行碰撞和微扰敏感性分析，得到一维工况指纹序列数据；S4：根据所述一维工况指纹序列数据进行降维投影完备性分析，生成工况指纹序列信息熵；S5：根据所述工况指纹序列信息熵进行健康因子定量化分析，得到健康因子定量化值；S6：基于数据驱动方法对健康因子定量化值与健康程度的相关性进行分析，以构建汽轮组定量化健康因子模型；S7：通过历史运行数据对所述汽轮组定量化健康因子模型进行在线验证实验，以对所述汽轮组定量化健康因子模型进行优化与改进；S8：通过优化改进后的汽轮组定量化健康因子模型对汽轮组进行定量化分析。2.如权利要求1所述的方法，其特征在于，步骤S3中，改进的散列函数算法包括：将所述多维变量存储矩阵中存储的各传感器的采样值进行归一化处理，得到归一化参数；对归一化参数的有效数字位数i进行分析，然后将归一化参数乘以10i转化为大整数值，该大整数值即改进的散列函数算法的有效输入值；其中，各传感器的采样值均为经过A/D转换的二进制数字信号，若A/D转换的模拟输入量为x，输出数字量为y，变送器输入量程范围与输出量程之比为K
m
，则y＝x/K
m
...

【专利技术属性】
技术研发人员：徐鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：