一种基于动态因果图分析的燃气轮机压气机水洗预警方法技术

本发明专利技术公开了一种基于动态因果图分析的燃气轮机压气机水洗预警方法。该方法从变量间因果关系动态变化的角度切入，以动态因果图的形式表征退化过程系统内部机理的变化，将抽象的退化趋势跟踪问题转化为直观的系统因果关系相对变化分析问题，并据此构建动态因果图演化，根据当前因果图与各退化阶段代表性因果模式的相似度匹配结果进行压气机叶片结垢程度预警。本发明专利技术用动态因果图表征缓变故障演化过程中时间空间双重维度的退化机理，将结垢性能下降趋势辨识问题转化为系统因果关系相对变化分析问题，为燃气轮机压气机系统的性能退化状态评估、水洗预警决策提供高效可靠的新思路。路。路。

【技术实现步骤摘要】
一种基于动态因果图分析的燃气轮机压气机水洗预警方法


[0001]本专利技术属于燃气轮机压气机智能化水洗预警领域，特别是提出一种动态因果图构建方法，用动态因果图表征缓变故障演化过程中时间空间双重维度的退化机理，将缓变故障演化趋势辨识问题转化为系统因果关系相对变化分析问题，化抽象为直观；设计动态因果图异常检测框架，并在此基础上给出缓变故障预警诊断策略，根据有向图拓扑结构的变化规律无监督地识别缓变故障退化阶段并诊断故障变量，实现在线预警。

技术介绍

[0002]在实际工业过程中，随着设备不断运行，设备工作性能会发生退化，并逐渐形成缓变故障。对缓变故障进行预警诊断，能够辅助运维人员合理安排定期检修，保障工业过程安全高效运行。
[0003]根据故障从演化到引发系统报警过程的快慢，可以将故障分为突变故障与缓变故障。突变故障演化过程常呈现阶跃特性，只需几分钟甚至几秒就能达到最大幅值震荡状态。突变故障征兆显著，发展迅速，采用目前主流的故障预警诊断方法可对其进行高效监测，例如基于小波分析的故障预测、基于主成分分析的故障预测等方法。
[0004]缓变故障演化趋势缓慢且短期内波动幅值小，很容易在工业设备大范围非平稳运行过程中被掩盖，欺骗过监测诊断模型，但任其随着时间的变化愈演愈烈可能会严重影响系统安全。例如，在燃气
‑
蒸汽联合循环机组中典型的缓变故障有压气机叶片结垢、叶片侵蚀磨损等，这类故障在演化初期往往不会引起压气机性能严重下降，利用统计控制限监测不会出现超限报警，但随着污垢积累，气路故障诱发连锁反应导致出口压力等信号报警，可能导致燃机部件不可逆损伤。目前燃机电厂中对于燃气轮机叶片结垢现象，还是主要采用人力监测燃机运行状态，依据历史经验进行离线水洗任务安排，水洗过程无法紧密结合燃机运行状态分析，可能会出现水洗延迟，甚至过度水洗的现象，造成人力物力的极大浪费。
[0005]综合上述分析，目前的燃气轮机压气机水洗预警研究主要存在两个问题，从故障机理角度来看，叶片结垢趋势缓慢且波动特征不显著，导致各个退化阶段所代表的燃气轮机健康状况区分困难，难以实现早期预警；从建模分析角度来看，设备运行即退化，无法利用采集到的数据设计准确的监测控制限，故障报警存在较大滞后，难以通过传统有监督模型实现故障诊断。

技术实现思路

[0006]本专利技术的目的在于针对压气机叶片结垢仅从运行数据上来看退化趋势非常隐蔽，往往会导致退化阶段区分难、故障预警难的问题，通过考虑系统因果关系的动态变化可以反映出退化过程中运行机理的改变，提出了基于动态因果图异常检测的缓变故障预警诊断方法。在离线建模阶段，从变量间因果关系动态变化的角度切入，通过构建动态因果图表征系统退化过程时空特性，构建动态因果图演化分析与异常检测方法进而进行燃气轮机压气机水洗预警，无需完全未退化的数据作为监督，即可实现退化阶段划分及其代表性因果模
式提取，同时利用投票回溯机制诊断退化过程关键变量。在线应用阶段，利用测试因果图与代表性因果模式的相似度匹配结果进行故障预警与维修决策，为燃机电厂的运维工作提供智能化辅助，助力电厂运行的提质增效。
[0007]本专利技术的目的是通过以下技术方案来实现：
[0008]一种基于动态因果图分析的燃气轮机压气机水洗预警方法，具体为：
[0009]获取燃气轮机压气机的在线运行的过程数据，基于在线运行的过程数据构建当前变量间因果图；计算当前变量间因果图与各个阶段的代表性因果模式图的相似度，根据相似度结果进行预警；
[0010]其中，所述各个阶段的代表性因果模式图通过如下方法构建获得：
[0011]获取燃气轮机压气机故障状态下的退化过程数据并利用滑窗滑动形成T+1个时间片D
t
,t∈[0,T]；利用符号转移熵构建获得每个时间片D
t
对应的变量间因果图G
t
获得动态因果图
[0012]采用PageRank算法从动态因果图中变量集合中选定变量作为源节点s并增量化计算动态因果图中其他节点的个性化PageRank值作为节点因果表征向量集再使用节点因果表征向量的一阶差分的p范数作为动态节点因果表征值，构建获得节点动态因果表征矩阵Δ；
[0013]通过投票查询机制由节点动态因果表征矩阵Δ构建得到节点投票查询矩阵Q；依据节点投票查询矩阵Q统计每一时间片的票数作为对应变量间因果图的异常分数；
[0014]依据从大至小选择K个异常分数对应的时间片的开始时间构成异常时间组，对异常时间组的时间进行聚类，将异常时间划分Ω个类别，对应为整个退化过程的Ω个阶段，选择每一阶段中最早的时间对应的变量间因果图作为对应阶段的代表性因果模式图。
[0015]进一步地，过程数据包含不同时间采集的变量，变量包括燃机天然气体积流量、燃机天然气质量流量、压气机进口温度、压气机出口压力、压气机出口温度、压气机轴承温度、压气机推力瓦轴承发电机端温度、压气机推力瓦轴承燃机端温度、压气机轴承振动、压气机侧大轴振动、压气机进气道压差、燃机透平排气平均温度、燃机透平侧大轴振动、燃烧室压差、燃机冷却空气调节阀阀位、燃机嗡鸣、燃机转速、燃机功率、燃机2级静叶持环腔室冷却空气压力和燃机3级静叶持环腔室冷却空气压力中的至少一种。
[0016]进一步地，所述变量间因果图G
t
通过如下方法构建获得：
[0017]计算时间片D
t
中两两变量的符号转移熵，基于符号转移熵的大小判断两两变量间是否存在因果关系，变量间有因果关系对应位置记作1，否则记为0，构建获得变量间因果关系的邻接矩阵；基于符号转移熵的转移方向判断存在因果关系的变量间因果连边的方向，构建获得连边集合；变量间因果图G
t
表示为G
t
(V,A
c
,)，V表示变量集合，A
c
表示变量间因果关系的邻接矩阵；E＝(u,v),,∈V表示连边集合。
[0018]进一步地，所述采用PageRank算法从动态因果图中变量集合中选定变量作为源节点s并增量化计算动态因果图中其他节点的个性化PageRank值作为节点因果表征向量集具体为：
[0019]从动态因果图中变量集合中选定变量作为源节点s，针对t＝0的变量间因果图G0利用动态前推算法计算初始解向量残差向量其中，解向量由变量间因果图G0的其他
节点的个性化PageRank值组成；
[0020]针对t＝1～T的变量间因果图G
t
，从G
t
‑1更新到G
t
过程中变化连边集合ΔE
t
中每一个变化连边(u,,w
(u,)
)，按照下式进行增量更新对应的解向量和残差向量：
[0021][0022][0023][0024]Nei(u)表示与节点u直接相连的邻接节点集合，w
(u,)
表示节点间是否存在因果关系，
s
′
(u),
s<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态因果图分析的燃气轮机压气机水洗预警方法，其特征在于，具体为：获取燃气轮机压气机的在线运行的过程数据，基于在线运行的过程数据构建当前变量间因果图；计算当前变量间因果图与各个阶段的代表性因果模式图的相似度，根据相似度结果进行预警；其中，所述各个阶段的代表性因果模式图通过如下方法构建获得：获取燃气轮机压气机非平稳运行状态下的退化过程数据并利用滑窗滑动形成T+1个时间片D
t
,t∈[0,T]；利用符号转移熵构建获得每个时间片D
t
对应的变量间因果图G
t
获得动态因果图采用PageRank算法从动态因果图中变量集合中选定变量作为源节点s并增量化计算动态因果图中其他节点的个性化PageRank值作为节点因果表征向量集再使用节点因果表征向量的一阶差分的p范数作为动态节点因果表征值，构建获得节点动态因果表征矩阵Δ；通过投票查询机制由节点动态因果表征矩阵Δ构建得到节点投票查询矩阵Q；依据节点投票查询矩阵Q统计每一时间片的票数作为对应变量间因果图的异常分数；依据从大至小选择K个异常分数对应的时间片的开始时间构成异常时间组，对异常时间组的时间进行聚类，将异常时间划分Ω个类别，对应为整个退化过程的Ω个阶段，选择每一阶段中最早的时间对应的变量间因果图作为对应阶段的代表性因果模式图。2.根据权利要求1所述的方法，其特征在于，过程数据包含不同时间采集的变量，变量包括燃机天然气体积流量、燃机天然气质量流量、压气机进口温度、压气机出口压力、压气机出口温度、压气机轴承温度、压气机推力瓦轴承发电机端温度、压气机推力瓦轴承燃机端温度、压气机轴承振动、压气机侧大轴振动、压气机进气道压差、燃机透平排气平均温度、燃机透平侧大轴振动、燃烧室压差、燃机冷却空气调节阀阀位、燃机嗡鸣、燃机转速、燃机功率、燃机2级静叶持环腔室冷却空气压力和燃机3级静叶持环腔室冷却空气压力中的至少一种。3.根据权利要求1所述的方法，其特征在于，所述变量间因果图G
t
通过如下方法构建获得：计算时间片D
t
中两两变量的符号转移熵，基于符号转移熵的大小判断两两变量间是否存在因果关系，变量间有因果关系对应位置记作1，否则记为0，构建获得变量间因果关系的邻接矩阵；基于符号转移熵的转移方向判断存在因果关系的变量间因果连边的方向，构建获得连边集合；变量间因果图G
t
表示为G
t
(V,A
c
,E)，V表示变量集合，A
c
表示变量间因果关系的邻接矩阵；E＝(u,v),u,v∈V表示连边集合。4.根据权利要求1所述的方法，其特征在于，所述采用PageRank算法从动态因果图中变量集合中选定变量作为源节点s并增量化计算动态因果图中其他节点的个性化PageRank值作为节点因果表征向量集具体为：从动态因果图中变量集合中选定变量作为源节点s，针对t＝0的变量间因果图G0利用动态前推算法计算初始解向量残差向量其中，解向量由变量间因果图G0的其他节点的个性化PageRank值组成；针对t＝1～T的变量间因果图G
t
，从G
t
‑1更新到G
t
过程中变化连边集合ΔE
t
中每一个变
化连边(u,v,Δw
(u,v)
)，按照下式进行增量更...

【专利技术属性】
技术研发人员：赵春晖，段姝宇，沈萌，
申请(专利权)人：浙江大学，
类型：发明
国别省市：