本发明专利技术公开了一种油动机异常状态检测预警方法及其电子设备，该方法包含：采集油动机在正常工况以及异常状态工况下的压力信号数据；对上述各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述模型，得到经过固化的支持向量数据描述模型；对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到实际测试样本与超球中心的距离D<subgt;t</subgt;，若D<subgt;t</subgt;≤R，则判定为正常状态，若D<subgt;t</subgt;>R，则判定为异常状态并进行故障预警。其优点是：该方法只需要压力信号数据即可具备异常状态检测预警能力，同时其通过正常和异常工况的数据对模型进行训练和验证，有助于提高对异常状态检测的准确度。
【技术实现步骤摘要】
本专利技术涉及汽轮机控制系统领域，具体涉及一种高压调门油动机异常状态检测预警方法及其电子设备。
技术介绍
1、在火力发电的汽轮机控制系统中，执行机构高压调门油动机在汽轮机控制系统中起着调节汽轮机进汽阀门开度的功能，从而调节其发电功率。高压调门油动机的稳定运行对于整个机组的运行有着重要的影响，它是油动机电液控制系统核心的执行元件，是驱动汽轮机蒸汽阀门的动力设备，所以准确有效地识别出高压调门油动机异常状态并做出故障预警具有十分重要的意义。然而，当前高压调门油动机异常状态检测预警需要进行大量的数据采集与传输，受环境或系统干扰因素的影响，获取的数据存在不完备或缺失的情况，影响了异常状态检测预警的准确性。因此，需要对异常状态检测预警的方式做出改进。
2、可以理解的是，上述陈述仅提供与本专利技术有关的
技术介绍
，而并不必然地构成现有技术。
技术实现思路
1、基于前述技术问题，本专利技术的目的在于提供一种油动机异常状态检测预警方法及其电子设备，该方法通过油动机的压力信号数据对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强，有助于提高对异常状态检测的准确度。
2、为了达到上述目的，本专利技术通过以下技术方案实现：</p>3、一种油动机异常状态检测预警方法，包含：
4、采集油动机在正常工况以及异常状态工况下的压力信号数据，得到原始数据集；
5、对原始数据集中的各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述模型，得到经过固化的支持向量数据描述模型；
6、获取实测的压力信号数据，对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到实际测试样本与超球中心的距离dt，若dt≤r，则判定为正常状态，若dt>r，则判定为异常状态并进行故障预警，其中，r为支持向量数据描述模型中超球体的超球半径。
7、可选的，所述异常状态工况包含油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔c0节流孔堵塞和油动机弹簧断裂中的至少一种。
8、可选的，对支持向量数据描述模型进行训练和验证时，将对正常工况下的压力信号数据处理后的样本归为训练数据集，将对异常状态工况下的压力信号数据处理后的样本归为验证数据集；
9、利用训练数据集对支持向量数据描述模型进行训练，得到超球中心和超球半径r；利用验证数据集对经过训练集训练后的支持向量数据描述模型进行验证，得到各异常状态样本与超球中心之间的距离di，需满足di>r，然后对支持向量数据描述模型进行固化。
10、可选的，对实测或原始数据集中的压力信号数据进行处理包含：
11、对压力信号数据进行分割，将一个压力信号数据分割成多个数据段；
12、对分割的数据段进行特征提取，获取各个数据段对应的数据段特征样本。
13、可选的，采用动态数据时间规整的方法对压力信号数据进行滑动数据分割。
14、可选的，动态数据时间规整方法的原理包含：
15、假设有两条长度分别为n和m的时间序列f(i)和g(j)，即：
16、f(i)＝{f1,f2,f3,...,fn} (1)
17、g(j)＝{g1,g2,g3,...,gm} (2)
18、两个特定点i和j之间的距离dist(i,j)定义为：
19、dist(i,j)＝(fi-gj)2 (3)
20、使用递归方式计算确定最短对齐路径，i和j之间距离最短的规整路径d(i,j)为：
21、d(i,j)＝dist(i,j)+min[d(i-1,j),d(i,j-1),d(i-1,j-1)] (4)
22、其中，d(i-1,j)、d(i,j-1)、d(i-1,j-1)分别为i-1和j之间、i和j-1之间以及i-1和j-1之间距离最短的规整路径。
23、可选的，应用卷积神经网络随机卷积核方法对所分割的数据段进行特征提取，获取其数据段特征样本。
24、可选的，用于异常状态检测的支持向量数据描述模型算法如下：
25、对于一组正类训练数据x∈rs×d，其中s是样本个数，d是特征维度，首先通过非线性变换函数φ:x→f将数据从原始空间映射到特征空间，然后在特征空间中寻找一个体积最小的超球体；为了构造最小体积超球体，支持向量数据描述模型要解决以下优化问题：
26、
27、其中，s.t意为约束条件，q是超球体的球心向量，ξi是第i个样本的松弛因子，c是惩罚因子；
28、结合拉格朗日乘子法，原问题的对偶问题为：
29、
30、其中，αi是样本xi对应的拉格朗日系数，k(xi,xj)是核函数，等同于特征空间中样本的内积；
31、求解上述对偶问题后，可以获取所有样本对应的拉格朗日系数；
32、在所有的训练样本中，把拉格朗日系数满足0≤αi≤c的样本称为支持向量，假设训练数据集中属于支持向量的样本集合为sv，那么超球体的球心向量q和超球半径r的计算公式为：
33、
34、
35、其中，xv∈sv。
36、可选的，对于实际测试样本xt，其到超球体的超球球心的距离dt为：
37、
38、若dt≤r，说明实际测试样本xt在超球体上或者超球体内部，属于正常样本；反之，若dt>r，则属于异常样本。
39、可选的，本专利技术还提供了一种电子设备，该电子设备包括：
40、存储器，被配置为存储计算机程序；以及
41、处理器，与所述存储器通信相连，所述处理器被配置为调用所述计算机程序以执行前述的油动机异常状态检测预警方法。
42、本专利技术与现有技术相比具有以下优点：
43、本专利技术的一种油动机异常状态检测预警方法及其电子设备中，该方法通过油动机的压力信号数据对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强，有助于提高对异常状态检测的准确度。
44、进一步的，该方法利用动态数据时间规整将原始压力信号数据进行了波形划分，充分保留了原始数据的特征信息，提高了数据的处理效率，同时其还利用卷积神经网络随机本文档来自技高网
...
【技术保护点】
1.一种油动机异常状态检测预警方法，其特征在于，包含：
2.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，
3.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，
4.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，对实测或原始数据集中的压力信号数据进行处理包含：
5.如权利要求4所述的油动机异常状态检测预警方法，其特征在于，
6.如权利要求5所述的油动机异常状态检测预警方法，其特征在于，动态数据时间规整方法的原理包含：
7.如权利要求4所述的油动机异常状态检测预警方法，其特征在于，
8.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，
9.如权利要求8所述的油动机异常状态检测预警方法，其特征在于，
10.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种油动机异常状态检测预警方法，其特征在于，包含：
2.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，
3.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，
4.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，对实测或原始数据集中的压力信号数据进行处理包含：
5.如权利要求4所述的油动机异常状态检测预警方法，其特...
【专利技术属性】
技术研发人员：高兴，张世永，付昊，耿铭垚，郝月东，武小朋，韩院臣，王浩，华盟，温茂森，
申请(专利权)人：国电建投内蒙古能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。