面向燃机典型设备的因果聚合与分组故障根因追溯方法技术

本发明专利技术公开了一种面向燃机典型设备的因果聚合与分组故障根因追溯方法。该方法构建了由稀疏因果推断模块、节点分组模块组成的因果聚合与分组模型，利用时空错位的向量相似度计算获取故障测点在整个因果图中的位置信息，通过切图聚类思想设计分组惩罚项训练模型获取故障测点之间的相对位置信息，从全局和局部两个角度综合衡量故障测点之间的因果相似性。利用分组结果分别稀疏化组内和组间的因果关系，得到更加简化的因果结构。本发明专利技术可以构建变量之间组内

【技术实现步骤摘要】
面向燃机典型设备的因果聚合与分组故障根因追溯方法


[0001]本专利技术属于大型分布式燃机设备智能化故障根因溯源领域，特别是提出一种聚合因果关系实现故障测点分组的方法，提出因果相似性度量指标在因果框架下将具有相似因果关系的故障测点分为一组，有效实现因果图网络的稀疏化，在此基础上提取变量间因果关系，构建变量间组内组间两级因果图结构，根据两级因果图中因果关系指示故障传播路径，表征故障根因，实现对燃机设备故障源追溯。

技术介绍

[0002]随着工业4.0的深入推进，智能设备运行维护受到了工业界的广泛关注。一般的数据驱动的智能设备运行维护主要分为三个阶段：首先利用故障诊断方法对工业过程发生的故障进行报警，通过故障隔离方法分析发生故障的监测样本，分隔样本中的故障测点与健康测点；然后在此基础上根据已知的故障测点时序数据提取变量间的因果关系，基于因果关系构建变量因果图结构，该拓扑图指示了系统故障传播路径，直观表征了系统故障发生的源头；最后保存这些故障溯源诊断结果，并在此基础上依照诊断结果和意见对工业过程系统中特定区域进行维护，有效延长设备使用寿命。根因追溯方法主要在智能设备运行维护的第二阶段发挥作用，为维修人员提供参考意见。
[0003]目前根因诊断研究已经应用于热轧钢过程、卷烟切割过程等多个工业过程和工厂设备中，然而暂时未在燃机典型设备中得到有效应用。作为复杂工业系统，燃机典型设备的结构中包含多个子部件及大量测点，运行时由于物料流和信息流的连接，故障会在复杂系统中的多个子部件中传播，造成大范围测点监测数据异常。同时由于控制回路等系统结构的存在，设备耦合严重，部件之间相互影响，导致故障测点之间均存在一定的相互作用，加大了故障测点因果关系的提取难度。综合上述分析，目前的燃机典型设备比如压气机、透平等故障根源追溯主要存在问题是故障测点多，需要判断的因果关系数目庞大，由已有方法生成的可能的因果图结构数量呈指数级增长，构建的因果网络过于复杂而无法辨识故障传播路径和根因变量。
[0004]近年来为了解决类似大规模复杂工业系统的故障根因溯源中出现的故障测点数目多、因果网络结构复杂的问题，许多数据驱动下的根因溯源方法采用Lasso正则化约束进行变量选择达到稀疏化因果关系的目的。然而，该类方法未考虑故障传播现象的固有特点，即故障一般通过因果连接关系先在复杂系统的子系统内进行传播，然后再向相邻子系统传播，传播过程中复杂系统具有组级结构；同时该类方法往往由于复杂工业过程非线性强耦合的特性存在过度参数化现象，无法达到预期的稀疏效果。因此一些方法首先根据设备运行机理或测点数据特性对复杂系统故障测点集划分子集进行分组，然后分别推断子集内测点之间和子集之间的因果关系，从而诊断故障传播路径，表征故障根因变量。然而这类方法没有直接利用因果关系对故障测点分组，通常无法保证分组结果与因果关系分组结果的一致性，不利于提取正确的因果关系。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种面向燃机典型设备的因果聚合与分组故障根因追溯方法。
[0006]本专利技术的目的是通过以下技术方案来实现：
[0007]一种面向燃机典型设备的因果聚合与分组故障根因追溯方法，包括以下步骤：
[0008](1)获取燃机典型设备故障测点的时序数据，确定时序数据的时滞超参数L，根据时滞超参数从时序数据中生成过去时间时序数据X
＜t
＝[x
1,＜t
,x
2,＜t
,...,x
D,＜t
]和当前时间时序数据X
t
＝[x
1t
,x
2t
,...,x
Dt
]；其中，D为故障测点数量，T为燃机典型设备故障测点的时序数据的总样本数量，x
it
代表第i个故障测点的当前时间时序数据，由第i个故障测点的时序数据中后T
‑
L个样本组成，每个样本为当前时刻的故障测点数据，x
i,＜t
代表第i个故障测点的过去时间时序数据，过去时间时序数据与当前时间时序数据一一对应，满足1个当前时刻的故障测点数据对应当前时刻的前L个时刻的故障测点数据；
[0009](2)构建因果聚合与分组模型，因果聚合与分组模型包括稀疏因果推断模块、节点分组模块；其中，稀疏因果推断模块由D个与故障测点一一对应的卷积神经网络和因果图带权邻接矩阵生成单元组成，每个卷积神经网络分别用于依据过去时间时序数据X
＜t
预测对应故障测点的当前时间时序数据x
it
；因果图带权邻接矩阵生成单元用于依据D个卷积神经网络的第一层隐层与输入层的连接权重量化计算故障测点之间的格兰杰因果关系，生成因果图带权邻接矩阵；节点分组模块包括节点特征提取器、组别特征提取器和分组单元，所述节点特征提取器用于从过去时间时序数据X
＜t
中提取各个故障测点的时序特征并与对应的位置嵌入向量拼接获得各个节点时序特征；组别特征提取器用于从当前时间时序数据X
t
中提取当前时刻以及对应时滞数据的特征向量再与对应的位置嵌入向量拼接降空间维后获得组别特征；分组单元用于基于节点时序特征和组别特征构建相似度矩阵并分组获得节点分组结果；
[0010](3)将步骤(1)获取的过去时间时序数据X
＜t
和当前时间时序数据X
t
输入至因果聚合与分组模型中，通过最小化损失函数进行训练，训练完成后，因果聚合与分组模型输出最终的因果图带权邻接矩阵以及节点分组结果；所述损失函数包括每个卷积神经网络的输出与真值的误差损失、分组正则项、分组惩罚项、组间环结构惩罚项与组内环结构惩罚项。其中，利用分组正则项规范分组结果，一方面促进节点分组模块将故障测点分到确定的组别中，另一方面防止故障测点单独成组的错误情形。利用切图思想设计分组惩罚项L
g
，使得节点分组模块按照变量间因果关系强度对变量分组，设计组间环结构惩罚项L
a1
和组内环结构惩罚项L
a2
，用来训练稀疏因果提取模块，减少了因果关系构成的拓扑图中的环结构；
[0011](4)依据最终的因果图带权邻接矩阵以及节点分组结果判断故障测点之间的因果关系和判断分组内故障测点子集之间因果关系，完成故障根因追溯。
[0012]进一步地，获取的燃机典型设备故障测点的时序数据是归一化后的数据。
[0013]进一步地，所述因果图带权邻接矩阵生成单元依据D个卷积神经网络的第一层隐层与输入层的连接权重量化计算故障测点之间的格兰杰因果关系，生成因果图带权邻接矩阵，其中因果图带权邻接矩阵每个元素的计算方法具体为：
[0014][0015]其中，a
ij
为因果图带权邻接矩阵A第i行第j列的元素，是在第i个故障测点对应的卷积神经网络中，属于第j个故障测点的过去时间时序数据输入节点与第一层隐层节点z连接的权重向量，z为第一层隐层包含的隐层节点个数；norm表示求矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向燃机典型设备的因果聚合与分组故障根因追溯方法，其特征在于，包括以下步骤：(1)获取燃机典型设备故障测点的时序数据，确定时序数据的时滞超参数L，根据时滞超参数从时序数据中生成过去时间时序数据X
＜t
＝[x
1,＜t
,x
2,＜t
,...,x
D,＜t
]和当前时间时序数据X
t
＝[x
1t
,x
2t
,...,x
Dt
]；其中，D为故障测点数量，x
it
代表第i个故障测点的当前时间时序数据，由第i个故障测点的时序数据中后T
‑
L个样本组成，T为燃机典型设备故障测点的时序数据的总样本数量，每个样本为当前时刻的故障测点数据，x
i,＜t
代表第i个故障测点的过去时间时序数据，过去时间时序数据与当前时间时序数据一一对应，满足1个当前时刻的故障测点数据对应当前时刻的前L个时刻的故障测点数据；(2)构建因果聚合与分组模型，因果聚合与分组模型包括稀疏因果推断模块、节点分组模块；其中，稀疏因果推断模块由D个与故障测点一一对应的卷积神经网络和因果图带权邻接矩阵生成单元组成，每个卷积神经网络分别用于依据过去时间时序数据X
＜t
预测对应故障测点的当前时间时序数据x
it
；因果图带权邻接矩阵生成单元用于依据D个卷积神经网络的第一层隐层与输入层的连接权重量化计算故障测点之间的格兰杰因果关系，生成因果图带权邻接矩阵；节点分组模块包括节点特征提取器、组别特征提取器和分组单元，所述节点特征提取器用于从过去时间时序数据X
＜t
中提取各个故障测点的时序特征并与对应的位置嵌入向量拼接获得各个节点时序特征；组别特征提取器用于从当前时间时序数据X
t
中提取当前时刻以及对应时滞数据的特征向量再与对应的位置嵌入向量拼接降空间维后获得组别特征；分组单元用于基于节点时序特征和组别特征构建相似度矩阵并分组获得节点分组结果；(3)将步骤(1)获取的过去时间时序数据X
＜t
和当前时间时序数据X
t
输入至因果聚合与分组模型中，通过最小化损失函数进行训练，训练完成后，因果聚合与分组模型输出最终的因果图带权邻接矩阵以及节点分组结果；所述损失函数包括每个卷积神经网络的输出与真值的误差损失、分组正则项、分组惩罚项、组间环结构惩罚项与组内环结构惩罚项；(4)依据最终的因果图带权邻接矩阵以及节点分组结果判断故障测点之间的因果关系和判断分组内故障测点子集之间因果关系，完成故障根因追溯。2.根据权利要求1所述的方法，其特征在于，所述因果图带权邻接矩阵生成单元依据D个卷积神经网络的第一层隐层与输入层的连接权重量化计算故障测点之间的格兰杰因果关系，生成因果图带权邻接矩阵，其中因果图带权邻接矩阵每个元素的计算方法具体为：其中，a
ij
为因果图带权邻接矩阵A第i行第j列的元素，是在第i个故障测点对应的卷积神经网络中，属于第j个故障测点的过去时间时序数据输入节点与第一层隐层节点z连接的权重向量，z为第一层隐层包含的隐层节点个数；norm表示求矩阵的二范数。3.根据权利要求1所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：沈晓兵，沈建明，车斌，范江云，吴森南，张毅，赵春晖，赵刘嘉毅，宋鹏宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：