CN102129525B - 汽轮机组振动与过程信号异常搜索分析方法 - Google Patents

Abstract

本发明属于汽轮机组振动监测与控制技术领域，尤其涉及一种汽轮机组振动与过程信号异常搜索分析方法。所述方法包括：将设定组数的历史数据，组成时间序列；将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理；将经过处理的模式特征值组成模式特征值集合；从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列；求取模式特征极值序列的异常特征边界；确定异常时间子序列；将超出异常特征边界的异常时间子序列存储到异动序列中；对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。本发明提高了振动及过程参数预警精度和深度。

Description

汽轮机组振动与过程信号异常搜索分析方法

技术领域

本发明属于汽轮机组振动监测与控制技术领域，尤其涉及一种汽轮机组振动与过程信号异常搜索分析方法。

背景技术

20世纪以来，汽轮机组在工业生产和科学技术的发展中，起着越来越重要的作用。同时，汽轮机组作为大型旋转机械直接处于高温高压及持续振动的工作条件下，这使得机组的参数信号监测分析技术成为影响发电生产安全和可靠运行的最重要因素，并成为评价汽轮发电机组运行状况优劣的重要标志之一，更是机组设计、制造、安装、检修质量的综合反映。

当前，汽轮机组在运行及控制过程中，振动及过程信号监测已实现在线采集，并通过简单比较监测参数的测量值与规范阈值来进行机组特性分析，进而据此指导机组的运行控制。显然，与现代高精度数据采集技术相比，该监测分析技术相对落后，这造成大量的数据面临“来的容易，却无从下手”的局面。

同时，传统信号采集系统往往专注于对全局信号的采集分析，而缺乏对信号中隐藏的异动数据的二次搜索及挖掘分析，而对汽轮机组这类大型高风险设备而言，与异常及故障相关联的异动数据显然更加具有研究价值。

发明内容

本发明的目的在于，提供一种汽轮机组振动与过程信号异常搜索分析方法，对汽轮机组监测的异常信号进行搜索，并通过异动分析处理对异常进行深入挖掘分析，为汽轮机组振动预警及故障诊断提供依据。

技术方案是，一种汽轮机组振动与过程信号异常搜索分析方法，其特征是所述方法包括下列步骤：

步骤1：以汽轮机组正常状态的历史数据作为训练对象，对设定组数的历史数据，根据采集时间的先后顺序组成设定组数的时间序列；

步骤2：将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理；

步骤3：将经过步骤2处理的模式特征值组成模式特征值集合；

步骤4：从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列；

步骤5：求取模式特征极值序列的异常特征边界；

步骤6：确定异常时间子序列；

步骤7：判断异常时间子序列是否超过异常特征边界，如果是，则将该异常时间子序列存储到异动序列中；

步骤8：对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。

所述将每组时间序列划分为时间子序列包括：

步骤101：设定检测窗口的大小为m，设定时间序列的维度为n，所述维度n为时间序列的序列点的个数；

步骤102：设定时间序列X={x(t₁),x(t₂),...,x(t_n)}的每个序列点所对应的阀门编码为M_1×n=(0,0,...,0)；其中，x(t_i)为t_i时刻采集的信号记录值，1≤i≤n，n为时间序列的维度，即时间序列的序列点个数；

步骤103：当时间序列X中的序列点为其所在的检测窗口内的极大值或极小值时，则按公式

对阀门编码进行变异操作；其中，j表示时间序列的检测窗口，1≤j≤m；max X_m(j)表示第j个检测窗口的最大序列值序列，min X_m(j)表示第j个检测窗口的最小序列值序列；

步骤104：将阀门编码M_1×n为1的序列点设为时间序列分割点，时间序列的首尾两个序列点也被定义为分割点，之后将时间序列X={x(t₁),x(t₂),...,x(t_n)}划分为时间子序列{x(t₁)…x(t_d1)},{x(t_d1)…x(t_d2)},…,{x(t_dk)…x(t_n)}。

所述计算时间子序列的模式特征值并进行规范化处理包括：

步骤201：计算时间子序列{x(t_i1),x(t_i2),...,x(t_iv)}的模式特征值，所述模式特征值包括：模式高度sph、模式长度spl、模式斜率spk、模式均值

和模式标准差

spσ；其中，v为时间子序列的序列点的个数；

计算模式高度sph利用公式sph=x(t_iv)-x(t_i1)；

计算模式长度spl利用公式spl=iv-i1+1

计算模式斜率spk利用公式 $\mathrm{spk}=\frac{x\left(t_{\mathrm{iv}}\right)-x\left(t_{i1}\right)}{\mathrm{spl}}$

计算模式均值利用公式 $\mathrm{sp}\stackrel{\‾}{x}=\frac{1}{\mathrm{spl}}\underset{j=t_{i1}}{\overset{t_{\mathrm{iv}}}{\mathrm{\Σ}}}x\left(j\right)$

计算模式标准差spσ利用公式 $\mathrm{sp\σ}=\sqrt{\frac{1}{\mathrm{spl}}\underset{j=t_{i1}}{\overset{t_{\mathrm{iv}}}{\mathrm{\Σ}}}{(x\left(j\right)-\mathrm{sp}\stackrel{\‾}{x})}^2};$

步骤202：利用公式对时间子序列{x(t_i1),x(t_i2),...,x(t_iv)}的模式特征值进行规范化处理；其中，s_l为模式特征值，s_min为所有模式特征值的最小值，s_max为所有模式特征值的最大值。

所述求取模式特征极值序列的异常特征边界具体是：设定ε>0，选取满足不等式

的最小整数p，将模式特征极值序列前p位的平均值作为异常特征边界；或者直接将模式特征极值序列的第p位的模式特征值作为异常特征边界；其中，N为时间序列的设定组数。

所述确定异常时间子序列包括：

步骤301：将分割后的时间子序列映射到五维特征空间C(sph,spl,spk,

spσ)中，对C中的每一点u，分别在特征空间C和它的每一个特征值的特征子空间上求解其k-MD(u)，并且将求解后的值规范化后分别记为：k-MDO(u)，k-MDO₁(u)，k-MDO₂(u)，k-MDO₃(u)，k-MDO₄(u)和k-MDO₅(u)；其中，k-MD(u)是指对象u的k平均模式特征距离， $k-\mathrm{MD}\left(u\right)=\frac{1}{k}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left[(j-D\left(u\right))\right];$ k-D(u)是指对象u的K^th模式特征距离；

步骤302：利用公式 $k-\mathrm{MDOF}\left(u\right)=k-\mathrm{MDO}\left(u\right)+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\{k-{\mathrm{MDO}}_i\left(u\right)\}$ 计算点u的k-均距异常因子，k-均距异常因子最大值对应的时间子序列即为异常时间子序列。

所述步骤8包括：

步骤401：按照预定分布趋势模型分别对异动序列进行回归分析拟合，得到回归分析模型；

步骤402：计算步骤401中各回归分析模型的确定系数；

步骤403：选取确定系数最大的回归分析模型作为异动参数演绎分布形式；

步骤404：以上述确定的回归分析模型作为判断条件，结合当前汽轮机组运行规程中限定的特征参数阈值，找到相匹配的异动预警等级。

本发明借鉴数据挖掘中的搜索技术思想，建立异常信号搜索模式，采用回归选优分析算法，针对异常数据集进行演绎拟合及趋势分析，并配合异常演绎趋势结果及曲线显示进行详细预警显示，给出预警性指导。振动及过程监测数据得到深入利用，并且大幅度提高振动及过程参数预警精度以及深度，为机组故障起因及责任归属问题提供更有利的判据。

附图说明

图1是汽轮机组振动与过程信号异常搜索分析方法流程图；

图2是时间序列划分为时间子序列流程图；

图3是对异动序列进行基于确定系数的优选回归分析并找到匹配的预警等级流程图；

图4是汽轮机组振动及过程参数异常搜索分析方法中预警机制规则示意图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

汽轮发电机组振动及过程信号数据实质上是由记录时间和记录值组成的有序时间序列，可利用现代监测仪表按照一定采集时间进行采集，采集结果可记为其中元素x(t_i)表示时间序列在t_i时刻的数据记录。对机组振动及过程信号进行异常搜索分析，即是从信号时间序列中挖掘出存在异常模式的数据。

图1是汽轮机组振动与过程信号异常搜索分析方法流程图。图1中，本发明提供的汽轮机组振动与过程信号异常搜索分析方法包括下列步骤：

步骤1：以汽轮机组正常状态的历史数据作为训练对象，对设定组数的历史数据，根据采集时间的先后顺序组成设定组数的时间序列。

首先，选取N组汽轮机组正常状态的历史数据，每组历史数据根据采集时间的先后顺序组成时间序列，共有N组时间序列。对于拥有丰富历史数据的现场而言，训练的组数越多，得到的异常特征边界越接近实际，一般选取N≥200为佳。

步骤2：将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理。

图2是时间序列划分为时间子序列流程图，图2中，将每组时间序列划分为时间子序列包括：

步骤101：设置某特征参数λ的时间序列X_λ=(x(t₁),x(t₂),…,x(t_n))λ的维度n，并确定用于分割时间序列的检测窗口宽度m。

其中，维度n表示时间序列X_λ中所包含的数据的个数，它决定了参数λ异常分析的分析范围；t_i表示时间序列中按时间顺序排序的记录时刻；x(t_i)则表示特征参数λ在时刻t_i对应的参数信号记录值。对于时间序列维度n充分考虑算法以及参数数据采样粒度，根据监测或预警期望感应时间进行设置，推荐选取1-5分钟的采集数为宜。检测窗口宽度m是用来对时间序列进行初始划分的区域设置，以特征参数λ某一段时间序列Xλ为例，其对应检测窗口宽度m的划分形式可表示为：

记为：

X_λm＝{[x(t₁),x(t_m)],[x(t_m),x(t_2m)],…,[x(t_em),x(t_(e+1)m)],…,[…,x(t_n)]}_λ

    ={X_m(1),X_m(2),…,X_m(i),…,X_m(h)}_λ

其中，h为由窗口宽度m确定的检测窗口数。

对于检测窗口宽度m的确定，通过先验数据的仿真实验表明：对于序列数据间变化比较平缓的数据集，m的值在9～11之间变化时都能够取得比较理想的效果；而对于序列数据间变化比较陡峭的数据集，则m的值在5～7之间变化，可根据现场实际情况据此设定。

步骤102：设定时间序列X_λ=(x(t₁),x(t₂),…,x(t_n))_λ的每个序列点所对应的阀门编码为M_1×n=(0,0,...,0)；其中，x(t_i)为t_i时刻采集的信号记录值，1≤i≤n，n为时间序列的维度，即时间序列的序列点个数。

步骤103：当时间序列X_λ中的序列点为其所在的检测窗口内的极大值或极小值时，则按公式

对阀门编码进行变异操作；其中，j表示时间序列的检测窗口，1≤j≤m；max X_m(j)表示第j个检测窗口的最大序列值序列，min X_m(j)表示第j个检测窗口的最小序列值序列。

步骤104：将阀门编码M_1×n为1的序列点设为时间序列分割点，时间序列的首尾两个序列点也被定义为分割点，之后将时间序列X={x(t₁),x(t₂),...,x(t_n)}划分为时间子序列{x(t₁)…x(t_d1)},{x(t_d1)…x(t_d2)},…,{x(t_dk)…x(t_n)}。

例如设数据分析对象是汽轮发电机组监测特征参数λ得到的含有100个数据点的时间序列

不妨取检测窗口m为10，则将时间序列划分为10个窗口m₁～m₁₀，分别提取每个窗口内数据的最大值及对应的采样点，构成最大值集合{x(t_1 max)，…x(t_i max)，x(t_10 max)}，分别提取每个窗口内数据的最小值及对应的采样点，构成最小值集合{x(t_1 min)，x(t_i min)，x(t_10 min)}。若满足x_i max=x_(i+1)min,t_i max=t_(i+1)min，则该序列点的阀门编码值不改变，否则上述最大值集合和最小值集合中的序列点阀门编码值由0变为1，得到阀门编码为1的序列点集合，记为其中k为阀门编码为1的序列点个数。将上述集合

按照采样点的顺序排序，并在这些序列点加上时间序列首尾两个序列点x₁,x₁₀₀作为分割边界，则时间序列

被分割为k+1个时间子序列[{x(t₁)…x(t_d1)}，{x(t_d1)…x(t_d2)}…{x(t_dk)…x(t₁₀₀)}]。

由上述过程看，发明中设定的检测窗口是为了提取出时间序列的局部极值点，并利用阀门编码规则筛选出可以作为时间序列的分割点x(t_di)，分割点的提取是为了保证分割后的每一个时间子序列的趋势完整性。

获得时间子序列后，计算时间子序列的模式特征值并进行规范化处理，具体包括：

步骤201：计算时间子序列的模式特征值。在本实施例中，时间子序列的模式特征包括五类：模式高度sph、模式长度spl、模式斜率spk、模式均值

和模式标准差spσ。其中时间子序列的各模式特征值计算方法如下：

设特征参数λ的时间序列X_λ=(x(t₁),x(t₂),…,x(t_n))_λ分割成的第i个时间子序列表示为X_λi=(x(t_i1),x(t_i2),…,x(t_iv))_λi，其中v为此时间子序列包含的数据个数，则其对应的模式特征定义如下：

模式高度sph，表示在时间子序列中参数值的最大增量：

sph=x(t_iv)-x(t_i1)

显然，当x(t_iv)>x(t_i1)时，sph的值为正；当x(t_iv)<x(t_i1)时，sph的值为负。模式长度spl，表示在时间子序列中参数序列趋势持续时间：

spl=iv-i1+1

模式斜率spk，表示时间子序列数据的趋势值：

$\mathrm{spk}=\frac{x\left(t_{\mathrm{iv}}\right)-x\left(t_{i1}\right)}{\mathrm{spl}}$

模式均值

表示时间子序列数据平均水平和集中趋势：

$\mathrm{sp}\stackrel{\&OverBar;}{x}=\frac{1}{\mathrm{spl}}\underset{j=t_{i1}}{\overset{t_{\mathrm{iv}}}{\mathrm{\&Sigma;}}}x\left(t_j\right)$

模式标准差spσ，表示时间子序列数据的离散程度：

$\mathrm{sp\&sigma;}=\sqrt{\frac{1}{\mathrm{spl}}\underset{j=t_{i1}}{\overset{t_{\mathrm{iv}}}{\mathrm{\&Sigma;}}}{(x\left(t_j\right)-\mathrm{sp}\stackrel{\&OverBar;}{x})}^2}$

其中，根据监测参数的变化规律，一般模式高度sph和模式长度spl模式用于具有波动特征的参数。

步骤202：利用公式

对时间子序列{x(t_i1),x(t_i2),...,x(t_iv)}的模式特征值进行规范化处理；其中，s_l为模式特征值，s_min为所有模式特征值的最小值，s_max为所有模式特征值的最大值。

尽管这些特征值本身的值域不同，但它们在衡量时间序列的异常情况时具有同等重要的地位，因此有必要将其规范化。规范化后，每一个特征值就被规范到0～1之间。

步骤3：将经过步骤2处理的模式特征值组成模式特征值集合。

例如，上述第j组时间序列{X(t_i)}^j分割的时间子序列集合为[{x(t₁)…x(t_d1)},{x(t_d1)…x(t_d2)}…{x(t_dk)…x(t₁₀₀₎}]^j，则得到的该时间子序列集合对应的特征模式集合为 $S^j={\{S_{i,\mathrm{sph}}^j,S_{i,\mathrm{spl}}^j,S_{i,\mathrm{spk}}^j,S_{i,\mathrm{sp}\stackrel{\&OverBar;}{x}}^j,S_{i,\mathrm{sp\&sigma;}}^j\}}_{i=1}^{k+1},$ 其中k+1表示第j组时间序列被分成的时间子序列的个数。同理，N组训练时间序列对应的N组特征模式值集合，可记为

步骤4：从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列。

依次从N组特征模式向量集中抽取各类特征模式的极大值，即 $z_q^j=\max \left(S_{i,q}^j\right)=\max (s_{1,q}^j,s_{2,q}^j,...,s_{k+1,q}^j).$ 并按从大到小排列，形成特征模式极值序列 $Z_q=(z_q^1,z_q^2,...,z_q^j,...,z_q^N),$ $z_q^j>z_q^{j+1},$ 其中q代表特征模式类别,即 $q\&Element;(\mathrm{sph},\mathrm{spl},\mathrm{spk},\mathrm{sp}\stackrel{\&OverBar;}{x},\mathrm{sp\&sigma;}).$

步骤5：求取模式特征极值序列的异常特征边界。

设定ε>0，选取满足不等式的最小整数p，将Z_q中前p位的平均值

作为第q特征模式的异常特征边界，也可根据工程实际情况，简化取

作为特征边界。ε一般根据训练空间大小N进行取值，N为上述步骤1所选取的正常状态下时间序列的组数，对于N＝200的训练空间而言，ε取5%～10%之间某一值为佳。

步骤6：确定异常时间子序列。

确定异常时间子序列包括：

步骤301：将分割后的时间子序列映射到五维特征空间C(sph,spl,spk,spσ)中，对C中的每一点u,分别在特征空间C和它的每一个特征值的特征子空间上求解其k-MD(u),并且将求解后的值规范化后分别记为：k-MDO(u)，k-MDO₁(u)，k-MDO₂(u)，k-MDO₃(u)，k-MDO₄(u)和k-MDO₅(u)。

其中k-MD(u)是指对象u的k平均模式特征距离：

给定k∈N⁺，

则对象u的k平均模式特征距离k-MD(u)定义为： $k-\mathrm{MD}\left(u\right)=\frac{1}{k}\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\left[(j-D\left(u\right))\right].$

其中，k-D(u)是指对象u的K^th模式特征距离：

给定k∈N⁺，则对象u的k^th模式特征距离定义为对象u与对象o∈C之间的模式特征距离D(u,o)，且满足：

（1）至少有k个对象v∈C\{u}，使得D(u,v)≤D(u,o)；

（2）至多有k-1个对象v∈C\{u}，使得D(u,v)<D(u,o)；

则称D(u,o)是对象u的k^th距离，记为k-D(u)。

仿真实验表明，近邻数目k在4～15之间变化时所得到的结果基本一致，即算法对参数k的变化不敏感。

步骤302：利用公式 $k-\mathrm{MDOF}\left(u\right)=k-\mathrm{MDO}\left(u\right)+\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\{k-{\mathrm{MDO}}_i\left(u\right)\}$ 计算点u的k-均距异常因子，k-均距异常因子最大值对应的时间子序列即为异常时间子序列，用B_λ表示，即其中p为所得异常时间子序列的数据数目。

步骤7：判断异常时间子序列是否超过异常特征边界，如果是，则将该异常时间子序列存储到异动序列中。

对于上述求得的异常时间子序列B_λ，规定其任意模式特征值超过步骤5确定的异常边界时，则视B_λ为最终确定的异常时间子序列，并将其存储到异动序列A_λ中，以便异常分析使用。对于用表达式表示为：

$A_{\mathrm{\&lambda;}}=\left\{B_{\mathrm{\&lambda;}}\right|\&ForAll;q_{\mathrm{\&lambda;}}>z_j,q_{\mathrm{\&lambda;}}\&Element;(\mathrm{sph},\mathrm{spl},\mathrm{spk},\mathrm{sp}\stackrel{\&OverBar;}{x},\mathrm{sp\&sigma;})\}$

其中q_λ为时间子序列B_λ的任意模式特征值；z_j为特征模式q_λ对应的异常特征边界。

步骤8：对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。

图3是对异动序列进行基于确定系数的优选回归分析并找到匹配的预警等级流程图。图3中，对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级具体包括：

步骤401：按照预定分布趋势模型分别对异动序列进行回归分析拟合，得到回归分析模型。

对步骤7确定的参数异动序列A_λ内的数据序列

按照异常演绎的可能规律进行回归分析拟合，并利用最小二乘法估计出表达式的参数，判定异常发展的趋势类型。本实施例提供七种异常可能演绎趋势：持续恒定型、(陡升/陡降)跳跃型、线性(增长/下降)型、半岭形上升型、指数(增长/下降)型、浴盆曲线型、(凸型/凹型)抛物线型。

假设

表示提取异常时间序列A_λ的拟合回归函数，则上述方法中提供的异常演绎的七类回归模型可以描述为：

（1）持续恒定型

机组的异动搜索数据序列持续高于正常水平，且比较恒定，其时间序列模型为：

$\hat{y}=x\left(t\right)=a_0$

其中a₀为常数且a₀≥0。

（2）跳跃型

机组的异动搜索数据突然从较低（高）水平跃至较高（低）水平，变化急速，称为陡升（陡降）分布，其时间序列模型为：

$\hat{y}=x\left(t\right)=\left\{\begin{array}{c}{a}_0\&PlusMinus;e^t,t<t_0\\ a_t,t\&GreaterEqual;t_0\end{array}\right.,a_t>>a_0+e^t\mathrm{or}{a}_t<<a_0-e^t$

其中a₀、e、a_t为常数且a₀≥0，a₀±e^t>0，a_t>0。

（3）线性

机组的异动数据呈线性增长是机组振动长期运行常见的参数变化规律之一。振动异动呈线性增加（降低）变化是机组故障渐变过程的表现，其时间序列变化模型为：

$\hat{y}=x\left(t\right)=a_0\&PlusMinus;\mathrm{kt}$

其中a₀、k为常数且a₀≥0，k>0。

（4）半岭形

机组的异动数据随着时间持续上升到某一定值a₀后不再变化，称为半岭型分布，其时间序列模型为：

$\hat{y}=x\left(t\right)=\left\{\begin{array}{cc}0& t\&le;a_1\\ a_0\sin \frac{\mathrm{\&pi;}(t-a_1)}{2(a_2-a_1)}& a_1\&le;t\&le;a_2\\ a_0& t\&GreaterEqual;a_2\end{array}\right.$

其中a₀、a₁、a₂为常数a₀≥0，a₂≥a₁≥0。

（5）指数型

机组异动数据的非线性上升（下降）多呈指数型分布，其时间序列模型为：

$\hat{y}=x\left(t\right)=a\&PlusMinus;{\mathrm{be}}^t,$

其中a、b为常数且a≥0，b≥0。

（6）浴盆型

机组异动数据的发展过程呈现由高到低，继而稳定一段时间，再由低到高，称为浴盆型分布，其时间序列模型为：

$\hat{y}=x\left(t\right)=\left\{\begin{array}{cc}{a}_0+a_{1}t+a_2{t}^2,& t\&le;t_1\mathrm{or\; t}\&GreaterEqual;t_2\\ a_3& t_1\&le;t\&le;t_2\end{array}\right.$

其中a₀、a₁、a₂、a₃为常数。

（7）抛物型

机组异动数据发展呈现由高（低）到低（高），再由低（高）到高（低）的过程，称为凹（凸）形抛物线型分布，其时间序列模型为：

$\hat{y}=x\left(t\right)=a_0+a_{1}t+a_2{t}^2$

其中a₀、a₁、a₂为常数且a₂>0。

步骤402：计算步骤401中各回归分析模型的确定系数。

各回归分析模型的确定系数利用公式：

进行计算。其中，x_i为当前异常参数序列数据，n为序列长度，

为所述序列平均值，为回归函数对应估计异常参数值。

步骤403：选取确定系数R最大的回归分析模型作为异动参数演绎分布形式。

步骤404：以上述确定的回归分析模型作为判断条件，结合当前汽轮机组运行规程中限定的特征参数阈值界限，找到相匹配的异动预警等级。

图4是汽轮机组振动及过程参数异常搜索分析方法中预警机制规则示意图。通过图4可以看出，在确定异动参数演绎分布形式（即分布趋势条件）和当前汽轮机组运行规程中限定的特征参数阈值界限后，可以找到当前的预警等级及其所对应的预警含义。

本发明描述的汽轮机组振动异常搜索分析方法可针对机组振动及任意过程参数信号的分析，利用专业搜索方法对其进行异动搜索，并通过异常分析对异常信号进行回归分析，最终输出异常演绎趋势以及对应的异常等级预警。本发明提高了电厂对汽轮机组异常信号的利用和挖掘，丰富了预警内容，为提高电厂汽轮机组的维修水平和故障诊断提供了有力的依据，从而降低了人力成本，提高企业效益。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种汽轮机组振动与过程信号异常搜索分析方法，其特征是所述方法包括下列步骤：

步骤1：以汽轮机组正常状态的历史数据作为训练对象，对设定组数的历史数据，根据采集时间的先后顺序组成设定组数的时间序列；

步骤2：将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理；

所述将每组时间序列划分为时间子序列包括：

步骤101：设定检测窗口的大小为m，设定时间序列的维度为n，所述维度n为时间序列的序列点的个数；

步骤102：设定时间序列X＝{x(t₁),x(t₂),...,x(t_n)}的每个序列点所对应的阀门编码为M_1×n＝(0,0,...,0)；其中，x(t_i)为t_i时刻采集的信号记录值，1≤i≤n，n为时间序列的维度，即时间序列的序列点个数；

步骤103：当时间序列X中的序列点为其所在的检测窗口内的极大值或极小值时，则按公式

对阀门编码进行变异操作；其中，j表示时间序列的检测窗口，1≤j≤m；max X_m(j)表示第j个检测窗口的最大序列值序列，min X_m(j)表示第j个检测窗口的最小序列值序列；

步骤104：将阀门编码M_1×n为1的序列点设为时间序列分割点，时间序列的首尾两个序列点也被定义为分割点，之后将时间序列X＝{x(t₁),x(t₂),...,x(t_n)}划分为时间子序列{x(t₁)…x(t_d1)},{x(t_d1)…x(t_d2)},…,{x(t_dk)…x(t_n)}；

所述计算时间子序列的模式特征值并进行规范化处理包括：

步骤201：计算时间子序列{x(t_i1),x(t_i2),...,x(t_iv)}的模式特征值，所述模式特征值包括：模式高度sph、模式长度spl、模式斜率spk、模式均值

和模式标准差spσ；其中，v为时间子序列的序列点的个数；

计算模式高度sph利用公式sph＝x(t_iv)-x(t_i1)；

计算模式长度spl利用公式spl＝iv-i1+1

计算模式斜率spk利用公式

计算模式均值

利用公式 $\mathrm{sp}\stackrel{\&OverBar;}{x}=\frac{1}{\mathrm{spl}}\underset{j=t_{i1}}{\overset{t_{\mathrm{iv}}}{\mathrm{\&Sigma;}}}x\left(j\right)$

计算模式标准差spσ利用公式

步骤202：利用公式

对时间子序列{x(t_i1),x(t_i2),...,x(t_iv)}的模式特征值进行规范化处理；其中，s_l为模式特征值，s_min为所有模式特征值的最小值，s_max为所有模式特征值的最大值；

步骤3：将经过步骤2处理的模式特征值组成模式特征值集合；

步骤4：从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列；

步骤5：求取模式特征极值序列的异常特征边界；

所述求取模式特征极值序列的异常特征边界具体是：设定ε＞0，选取满足不等式

的最小整数p，将模式特征极值序列前p位的平均值作为异常特征边界；或者直接将模式特征极值序列的第p位的模式特征值作为异常特征边界；其中，N为时间序列的设定组数；

步骤6：确定异常时间子序列；

所述确定异常时间子序列包括：

步骤301：将分割后的时间子序列映射到五维特征空间

中，对C中的每一点u，分别在特征空间C和它的每一个特征值的特征子空间上求解其k-MD(u)，并且将求解后的值规范化后分别记为：k-MDO(u)，k-MDO₁(u)，k-MDO₂(u)，k-MDO₃(u)，k-MDO₄(u)和k-MDO₅(u)；其中，k-MD(u)是指对象u的k平均模式特征距离，

k-D(u)是指对象u的K^th模式特征距离；

步骤302：利用公式 $k-\mathrm{MDOF}\left(u\right)=k-\mathrm{MDO}\left(u\right)+\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\{k-\mathrm{MD}{O}_i\left(u\right)\}$ 计算点u的k－均距异常因子，k－均距异常因子最大值对应的时间子序列即为异常时间子序列；

步骤7：判断异常时间子序列是否超过异常特征边界，如果是，则将该异常时间子序列存储到异动序列中；

步骤8：对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。

2.根据权利要求1所述的一种汽轮机组振动与过程信号异常搜索分析方法，其特征是所述步骤8包括：

步骤401：按照预定分布趋势模型分别对异动序列进行回归分析拟合，得到回归分析模型；

步骤402：计算步骤401中各回归分析模型的确定系数；

步骤403：选取确定系数最大的回归分析模型作为异动参数演绎分布形式；

步骤404：以上述确定的回归分析模型作为判断条件，结合当前汽轮机组运行规程中限定的特征参数阈值，找到相匹配的异动预警等级。

Images