CN100491920C - 在发电设备运行中检测越界状态的方法和设备 - Google Patents

Abstract

本发明公开了一种用来检测表示正常运行的越界状态的方法和设备，用支持矢量机器来产生改进的来自发电设备的历史训练数据的表示，该表示使应该认为是故障的测量值和那些表示是正常运行状态的测量值之间的边界的确定更准确。为了产生边界，该边界在支持矢量机器特征空间中将第一类数据(如故障)和第二类数据(如正常运行状态)基本上隔离开来，SVM接收从与发电设备相连的多个独立传感器收集到的数据。收集运行数据单元并将这些运行数据单元和由历史训练数据产生的边界进行比较。然后确定运行数据单元是否在特定的类中，如与越界状态相关的类。

Description

在发电设备运行中检测越界状态的方法和设备

本专利申请要求2004年8月25日提交的美国临时申请No.60/604,393的利益，并结合其整个内容在此作为参考。

技术领域

本发明涉及在发电设备运行中检测越界状态的方法和设备。

技术背景

大的机器，如发电设备，典型的是购买、安装、保养和运行非常昂贵。因此，确定这些设备是否在预期的运行参数内运行是重要的。设备在这些预期的参数范围之外运行可能会导致设备的损害，因此表明这样的检测状态也是重要的。为了检测这些状态，典型地是利用传感器来测量运行参数，如各种单元的压力、温度等，如果通过特殊的测量，超出了为一特定参数预先设定的阈值，则表示故障。近来，故障检测系统的学习技术已经变得很流行，以努力提高确定是否存在故障的准确性。众所周知的技术，如神经网络、多元状态评估技术(MSET)以及模糊逻辑已经用于该目的。所有的这些方法使用表示过去的正常运行和故障状态的历史数据来监控由设备的运行产生的以后的数据。如果以后的数据与历史数据模型偏离太多，产生警告并表示故障。

以前的故障检测方法在很多方面有优势，但它们在某些方面也有弱势。特别是，以前的这些故障检测方法典型地是依赖历史数据来产生边界的估计，该边界位于可以认为是故障的数据测量值和可以认为是正常运行状态的那些测量值之间。然而，典型地是这些边界估计相对不准确。因此，由于这个不准确，这些方法可能会潜在地将系统故障认为是正常运行状态。同样的，正常的运行状态会仅仅由于它在历史数据中没有观察到过而被认为是故障。这种正常的、以前没有观察到的状态这里被认为是越界状态。

发明内容

本发明人发明了用来检测代表正常运行的越界状态的方法和设备。特别是，本发明使用以下将进一步描述的支持矢量机器(Support Vector Machine)(SVM)来产生改进了的、来自发电设备的历史训练数据的表示，该表示使应该认为是故障的测量值和代表正常运行状态的那些测量值之间的边界更准确地确定。在一个实施例中，公开了一种方法，其中SVM用来接受从多个与发电设备相连的独立传感器收集到的数据以产生边界，该边界在支持矢量机器特征空间中基本上将第一类数据(如故障)和第二类数据(如正常运行状态)分隔开来。收集运行数据单元然后与历史训练数据产生的边界进行比较。然后确定运行数据单元是否在特定类里面，如与故障有关的这一类。

在另一个实施例中，公开了在发电设备中检测故障的方法，其中一套由所述发电设备的运行特点的测量值组成的训练数据用来训练支持矢量机器。在所述训练数据中，一类被指定给每个数据单元，这样将不同的类基本上分开的边界产生了。

附图说明

图1表示在涡轮发电机中用于入口气流测量数据的流入空间的一维图；

图2表示用于测量图1的涡轮发电机；

图3表示特征空间的二维图，其中入口气流表示成涡轮发电机的入口温度函数；

图4表示根据本发明的原理，可以用来执行支持矢量机器计算的计算机图；

图5表示图3的二维图，表示由SVM计算的边界，并包封了一个判别区域；

图6表示图5的判别区域，该判别区域与运行数据、利用这种判别区域如何将运行数据进行分类有关；和

图7是流程图，说明根据本发明的一个实施例的方法的实施步骤；以及

图8是另一个流程图，说明根据本发明的另一个实施例的方法的实施步骤。

具体实施方式

如上所述，和发电设备的运行相关的数据可以由在该设备的预期位置设置的传感器收集得到。例如，在发电设备利用涡轮发动机作为发电过程中的一个单元的场合，可以在该发动机中的不同点处测量压力和温度。这些点处的传感器可以分成两个单独的组：测量发动机输入的独立传感器，以及测量与内部的发动机过程相关的运行数据或发电机输出的从属传感器。例如，入口气流和入口温度是由输入传感器进行测量得到的输入测量。由于输入测量是发动机执行过程的起点，输入传感器在这还表示为“过程驱动传感器”。通过输入传感器进行的测量不能确定发电设备是否存在故障，因为这些传感器与设备的任何运行无关。因此，通过输入传感器进行的测量只能在代表在界限范围内，这里定义为以前已经观察到的输入状态，或越界状态，这里定义为以前没有观察到的输入状态。相反，从属传感器，进行取决于由独立传感器测量到的输入状态的测量，如上述的入口气流和入口温度。从属传感器可以用来检测状态，该状态可以表明在发电设备自身中已经发生的故障。例如，测量运行时内部涡轮叶片温度的传感器是从属传感器，因为它们所进行的测量将取决于入口气流和温度。

图1表示由独立传感器，如在用来产生电能的涡轮发动机的入口处测量输入气流的传感器收集到的数据图。特别是，图1表示在图2涡轮发动机200的入口201在点202处的输入气流的测量。再来参考图1，图表101表示在图2的点201处气流测量值接近每秒7600立方英尺的曲线102。图1的曲线102还表示为输入空间，因为它是入口气流的一维表示。如本领域技术人员可以认识到那样，这个数据，或这个数据的一部分，可以用来估计和表征以后的运行测量。特别是，历史数据可以用来确定估计的希望的运行范围。然后以后的运行气流测量可以和这个范围进行比较以确定那些测量是在希望的运行界限之内还是之外。

如本领域技术人员可以认识到那样，发电设备的特定运行特征的运行范围，如这种发电设备的入口气流，可以通过估计上下限来确定，该上下限表示由该设备上的一个或多个传感器测量得到的入口气流的最高和最低测量值。这个范围然后可以作为决策机制来将运行中的入口气流的以后的数据测量值进行分类。当和用来监控发电设备运行的监控系统一起使用时，开发可以用作这种决策机制的范围在这被认为是训练监控系统。特别是，如果发电设备的入口气流的测量值在上限或下限之外，那么这个测量值可以划为故障。例如，参考图1，如果第一个2500测量值(如，图1中涡轮发动机的入口气流区域105内的那些测量值用来确定一个范围，那么可以表示运行数据测量值的、其余的5100测量值(也就是，图1中区域106的那些测量值)可以和由第一个2500测量值确定的范围进行比较。这里，使用由图1中第一个2500测量值表示的数据，入口气流的估计运行范围可以从67立方英尺每秒(测得的最低入口气流)到79立方英尺每秒(测得的最高入口气流)。在这种情况下，在实际操作中，如果测量值超过79立方英尺每秒或低于67立方英尺每秒，该测量值可表示故障。然而，如本领域技术人员可以认识到那样，处于这个相对简化得到的运行范围之外可能是是否应该表示故障的相对不准确的测量，并可能导致认识不到的故障，或者可能导致被表示为故障的越界状态。

在很多情况下，通过绘制观察到的测量值，可以得到预期运行范围的更准确的表示，其中观察到的测量值作为一个或多个附加变量的函数。例如，图3是从图1的输入空间到高维特征空间303观察到的第一个2500入口气流测量值的绘制图，该绘制图由纵轴301和横轴302限定，并作为获得那些测量值时、以摄氏度表示的入口温度的函数。如由图3可以看到那样，不是用单一的、一维的入口气流测量值范围来作为决策机制，在特征空间上的这些测量值形成二维区域，该二维区域既是入口气流也是入口温度的函数。每个由入口温度测量值和入口气流测量值组成的二维测量值，在这儿作为一个矢量。由于这些矢量是二维的，运行数据的测量值是否应该认为是故障的确定可以比由一维数据测量值获得的更准确。这是因为，不是仅仅用入口气流的特点来作为气流值的范围，该范围还由特定的温度值来限定。如果入口温度在希望的温度范围之外，从图1的第一个2500数据点确定的希望的运行气流值范围之内的入口气流测量值可能还存在故障。本领域技术人员将认识到可以使用任何数量的维数来为这些故障确定创造更高维的量。

不管所使用的维数，能够增加检测故障准确性的关键在于准确地确定通过数据绘制形成的区域的边界，如前面已经讨论过的从输入空间(如图1的)到高维特征空间(如图3的)的入口气流和温度数据。因此，本发明人已经认识到，非常希望能够利用支持矢量机器(SVM)来监控发电设备。SVM是一种算法，该算法能够用高精度以历史数据模式确定边界。众所周知，SVM是最初由Vladimir Vapnik(见，如，V.Vapnik，统计学习理论，John Wiley，NY，NY，1998；以及Cristianini和Shawe-Taylor，支持矢量机器的介绍，2000)发展起来的监督学习算法。SVM将学习的一般问题转化为在类之间或给定的矢量类的子类构件之间进行判别。SVM算法通过将输入空间中的一套训练数据，如历史运行数据，绘制成特征空间，然后通过在那个空间中设置一个将不同的类和/或数据的子类分离的平面，或边界来运行。一旦SVM确定这个平面/边界，该SVM就能通过将它绘制到特征空间然后确定例子存在于分离的边界的哪一侧来预测新矢量的分类，该新矢量不是训练数据的一部分。由于存在多个候选边界时，SVM能选择最佳的分离边界，已经发现SVM比以前划分数据的方法准确得多。尤其是，SVM在一套训练数据之间确定边界，该边界在该套训练数据内从一个分类到另一个分类保持最大的裕度。这样最大裕度边界选择的确定导致以前没看到的例子(V.Vapnik，统计学习理论，John Wiley，NY，NY，1998)的分类的最佳预测。SVM通常众所周知，发展起来的理论以及SVM的使用在这儿不再讨论。

本发明的一个示意性实施例用SVM来形成边界，该边界围绕绘制成图3所示的特征空间的数据。在训练SVM时，算法f(x)基于训练数据产生，该训练数据给输入矢量x置信度，输入矢量x在由训练数据限定的范围内。函数f(x)是限定了决策区域R＝{x:f(x)≥T}的边界，其中T是决策阈值，这样如果f(x)≥T，输入矢量x被分在决策区域内，如果f(x)<T，则被分在决策区域之外。尤其是，f(x)被定义为内积：

f(x)＝h^TΦ(x)          (方程式1)

其中Φ(x)是从输入空间到特征空间的映象；h是特征空间中的解向量，又，T是决策阈值。从输入空间到特征空间的该映象函数可以是多元的，这取决于特征空间的维数。然而，该映象的显函数在使用SVM时是不需要的，因为在特征空间内找到分离边界的算法可以完全在输入空间内以矢量的形式和在特征空间内以点积的形式来描述。因此，SVM甚至可以不明显表示空间，仅仅通过定义函数来定位边界，该函数称之为核函数，该函数在特征空间扮演点积的角色。该项技术避免了在潜在的高维特征空间内明显代表矢量的计算负担。这里，说明性的，高斯核：

$\exp \left[\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}\right]$            (方程式2)

可以用作核函数，其中x_i和x_j是输入空间内的任何两个矢量，而σ是高斯核的宽度。使用方程式2的核函数，SVM将决策区域的体积边界最小化，这样误警报率大大降低。使用这样的SVM，越界检测也可以大大提高。尤其是，为确定发电设备上的独立传感器处收集到的数据是否存在越界状态，计算方程式1的评价函数，如果f(x)≥T＝1，那么确定x在范围内。否则，x为越界。

本领域技术人员会认识到，使用如上所述的SVM的监控系统可以在可编程计算机上实现，该可编程计算机适合用来执行计算程序步骤以计算SVM的函数值。参考图4，该监控系统400可以在适合于接收、储存和传输数据的任何合适的计算机上实现，该数据如上述电话本信息。尤其是，说明性的监控400可以具有，如，控制整个监控系统400运行的处理器402(或多个处理器)。这些运行由存储在存储器403中的计算机程序指令来定义，由处理器402来执行。存储器403可以是任何类型的计算机可读媒质，包括无限制的电的、磁的或光的媒质。而且，虽然图4中示出一个存储单元403，但是可以理解，存储单元403可以由多个存储单元组成，这些存储单元包括任何类型的存储器。监控系统400还包括示例性的调制解调器401和网络接口404。监控系统400还示例性地包括存储媒质，如用来存储例如数据和计算机程序的计算机硬盘驱动器405，该数据和计算机程序适于根据以上所述的本发明原理来使用。最后，监控系统400还示例性地包括一个或多个输入/输出装置，该装置在图4中表示为终端406，用来和，例如技术人员或数据库管理员相互作用。本领域技术人员会认识到，寻址监控系统400实际上只是示意性的，根据本发明的原理，在计算机中各种硬件和软件组件可以同等便利地使用。

图5表示基于图1的第一个2500数据点的训练数据，由上述的SVM计算出的边界501。该边界说明基于希望的发电设备的运行特点的决策区域。通过将运行数据与使用训练数据由SVM产生的决策区域的边界相比较，运行数据因此可以划分为在决策区域内或决策区域外。图6表示图1的其余的5100非训练数据点如何与图5的决策区域和边界相比较。由于图5中表示的数据由独立传感器收集，如在图2中的点202，由边界501限定的决策区域502内的数据被划为范围内的数据，区域502外的数据被划为越界。

图7表示根据本发明原理的方法流程图。在步骤701，接收一套包括发电设备的运行特点的测量值的训练数据。该训练数据可以包含所述的发电设备的运行特点的测量值。接着，在步骤702，一类被指定给所述训练数据中的每个数据单元。最后，在步骤703，在特征空间内的边界产生了，该边界将指定为一类的训练数据与指定为其它类型的训练数据分隔开来。

图8表示根据本发明原理的另一个流程图。特别是，在步骤801，收集运行数据单元，在步骤802，该单元与边界相比较。最后，在步骤803，确定运行数据单元是否在所述第一类数据中。

上面详细描述的说明书可以理解为在每个方面是说明性的和示意性的，但不是限制性的，本发明在此所公开的范围并不由说明书决定，但相反地，根据专利法允许的整个宽度，由作为解释的权利要求所决定的。容易理解，在此所示的和所说明的实施例只是示意性地说明本发明的原理，在不偏离本发明范围和精神的前提下，本领域技术人员可以对本发明做各种改进。在不偏离本发明范围和精神的前提下，本领域技术人员可以实施各种其他特征的组合。

Claims (36)

1、在具有监控系统的设备中检测越界状态的方法，所述监控系统存储支持矢量机器特征空间，该特征空间具有将第一类数据和第二类数据分隔开的边界，所述方法包括：

接收来自和所述设备相连的独立传感器的运行数据单元；

将所述的运行数据单元和所述边界进行比较，以确定该运行数据单元是在第一类数据内还是在第二类数据内；以及

如果所述的运行数据单元位于所述的第二类数据内，确定所述的运行数据单元表示所述的设备处于越界状态。

2、权利要求1的方法，其中所述的设备包括发电设备。

3、权利要求1的方法，其中所述的支持矢量机器从训练数据的多个单元中产生边界。

4、权利要求1的方法，其中所述的运行数据单元包括由多个传感器中的一个传感器收集到的数据，所述的一个传感器位于所述设备上的多个位置中的一个位置。

5、权利要求4的方法，其中所述设备上的所述多个位置中的所述一个位置包括独立传感器的位置。

6、权利要求1的方法，其中所述的运行数据单元包括一个矢量。

7、权利要求1的方法，其中所述的第二类为指定给超出所述设备正常运行范围的训练数据的一类。

8、权利要求1的方法，其中所述的第一类为指定给位于所述设备正常运行范围内的数据的一类。

9、检测设备中越界状态的方法，包括：

接收一套由一个或多个独立传感器收集到的训练数据，所述的训练数据包括所述设备运行特点的测量值；

给所述训练数据中的每个数据单元指定一类；

在特征空间中产生边界，所述的边界将指定给一类的训练数据与指定给其它类的训练数据分隔开来，其中所述的其他类是与位于所述设备正常运行范围外的训练数据相关的类；以及

将所述边界存储在存储器中。

10、权利要求9的方法，其中所述的设备包括发电设备。

11、权利要求9的方法，其中所述的测量值包括由位于所述设备多个位置上的多个传感器收集到的数据单元。

12、权利要求9的方法，还包括：

收集运行数据单元；

将所述的运行数据单元与所述的特征空间进行比较；以及

确定所述的运行数据单元是否在所述的一类内。

13、权利要求9的方法，其中在所述的多个传感器中的每个传感器包括独立传感器。

14、权利要求9的方法，其中所述的训练数据包括多个矢量。

15、权利要求9的方法，其中所述的产生边界步骤包括用高斯核估计所述的边界。

16、权利要求15的方法，其中所述的高斯核定义为：

$\exp \left[\frac{-{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}\right]$

其中x_i和x_j是输入空间内的两个矢量，而σ是高斯核的宽度。

17、权利要求9的方法，其中所述的一类为指定给位于所述设备正常运行范围内的训练数据的一类。

18、权利要求12的方法，其中所述的确定所述的运行数据单元是否在所述的一类内的步骤包括：

确定所述的运行数据单元是否表示所述设备处于越界状态。

19、在具有监控系统的设备中检测越界状态的设备，所述监控系统适合于存储支持矢量机器特征空间，该特征空间具有将第一类数据和第二类数据分隔开的边界，所述设备包括：

用来接收来自和所述设备相连的独立传感器的运行数据单元的装置；

用来将所述的运行数据单元和所述边界进行比较以确定该运行数据单元是在第一类数据内还是在第二类数据内的装置；以及

如果所述的运行数据单元位于所述的第二类数据内，用来确定所述的单元表示所述的设备处于越界状态的装置。

20、权利要求19的设备，其中所述的设备包括发电设备。

21、权利要求19的设备，其中所述的支持矢量机器适合于从多个训练数据单元产生所述的边界。

22、权利要求19的设备，其中所述的运行数据单元包括由多个传感器中的一个传感器收集到的数据，所述的一个传感器位于所述设备上的多个位置中的一个位置。

23、权利要求22的设备，其中所述设备上的所述多个位置中的所述一个位置包括独立传感器的位置。

24、权利要求19的设备，其中所述的运行数据单元包括一个矢量。

25、权利要求19的设备，其中所述的第二类为指定给超出所述设备正常运行范围的训练数据的一类。

26、权利要求19的设备，其中所述的第一类为指定给位于所述设备正常运行范围内的数据的一类。

27、检测设备中越界状态的设备，包括：

用于接收一套由一个或多个独立传感器收集到的训练数据的装置，所述的训练数据包括所述设备运行特点的测量值；

用于给所述训练数据中的每个单元指定一类的装置；

用于在特征空间中产生边界的装置，所述的边界将指定给一类的训练数据与指定给其它类的训练数据分隔开来，其中所述的其他类是与位于所述设备正常运行范围外的训练数据相关的类；以及

用于将所述边界存储在存储器中的装置。

28、权利要求27的设备，其中所述的设备包括发电设备。

29、权利要求27的设备，其中所述的测量值包括由位于所述设备多个位置上的多个传感器收集到的数据单元。

30、权利要求27的设备，还包括：

用于收集运行数据单元的装置；

用于将所述的运行数据单元与所述的特征空间进行比较的装置；以及

用于确定所述的运行数据单元是否在所述的一类内的装置。

31、权利要求29的设备，其中所述的多个传感器中的每个传感器包括独立传感器。

32、权利要求27的设备，其中所述的训练数据包括多个矢量。

33、权利要求27的设备，其中所述的产生装置包括用高斯核估计所述边界的装置。

34、权利要求33的设备，其中所述的高斯核定义为：

$\exp \left[\frac{-{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}\right]$

其中x_i和x_j是输入空间内的两个矢量，而σ是高斯核的宽度。

35、权利要求27的设备，其中所述的一类为指定给位于所述设备正常运行范围内的训练数据的一类。

36、权利要求30的设备，其中所述的用来确定所述的运行数据单元是否在所述的一类内的装置包括：

用来确定所述的运行数据单元是否表示所述设备处于越界状态的装置。

Images