CN102393303A - 一种燃气轮机的排序异常检测方法 - Google Patents

Abstract

一种燃气轮机的排序异常检测方法，涉及一种燃气轮机的排序异常检测方法。本发明是要解决目前燃气轮机的传感器采集的数据信息量庞大，数据质量不高，传感器的分析效率低，误判度高的问题。方法：从燃气轮机的监测软件中获取监测数据；将n个采样时间间隔的监测数据排列为X_i；将X_i标准化为X′_i；过滤X′_i数据中的噪声，获得平滑后的数据Y_i；计算Y_i的变化特征Z_i；对Z_i进行离散化为Z′_i；将Z′_i中的各个值用字母进行替换，替换后的结果为F_i；对F_i用BWT变换的算法进行排序，结果记为G_i；取G_i中W段里后

的数据点；在Q中查找所取数据点对应在X_i中的位置，此即为异常数据点。本发明计算资源需求小，具有较低的时间和空间代价；采用频度方式表达的异常数据点，有很强的可说明性。

Description

一种燃气轮机的排序异常检测方法

技术领域

本发明涉及一种燃气轮机的排序异常检测方法。

背景技术

燃气轮机作为一种重要的巨型动力机械，具有结构紧凑、运行平稳、热效率较高等特点，应用范围越发广泛。现实中对燃气轮机的安全可靠的工作要求很高，在燃气轮机日常的工作情况下，对机组的健康情况进行分析监测，对可能出现的各种异常情况进行分析检测，可避免或以便于及时处理燃机的大型故障。

目前所有燃气轮机厂商在轮机上都加装了较多的传感器以监测轮机的工作状态。监测记录的数据信息(如燃机转速、进出口温度等)，对轮机的运行保障具有重大的意义和使用价值。但传感器采集的数据信息量庞大，噪声也较多，数据质量不高。同时传感器的数量繁多，而一般预判断的分析强度都很大，对所有传感器的信息进行预识别的计算和分析负荷极大，分析效率很低，而且误判度会很高。从而，为有效对燃气轮机等重型工业设备的海量的高度复杂的系统信息的健康监测和故障预判，需同时结合轮机对象的本质特征以及数据处理的各先进技术加以实施。

发明内容

本发明是要解决目前燃气轮机的传感器采集的数据信息量庞大，数据质量不高，传感器的分析效率低，误判度高的问题，提供一种汽轮机符号型数据的异常检测方法。

本发明燃气轮机的排序异常检测方法的具体步骤为：

步骤一：从燃气轮机的监测软件中获取监测数据，所述监测数据为齿轮箱振动、发电机DEX振动、发电机DEY振动、发电机EEX振动、发电机EEY振动、燃气发生器转速、发电机总实际功率、3#轴承Y振动、3#轴承X振动、2#轴承Y振动、2#轴承X振动、1#轴承Y振动、1#轴承X振动、排气平均温度、0度方向的排气温度、30度方向的排气温度、60度方向的排气温度、90度方向的排气温度、120度方向的排气温度、150度方向的排气温度、180度方向的排气温度、210度方向的排气温度、240度方向的排气温度、270度方向的排气温度、300度方向的排气温度、330度方向的排气温度或空气进口温度中的一种或几种；默认预设值压缩容差系数e为0.1，异常比例系数r为0.2％；

步骤二：将n个采样时间间隔的监测数据排列为X_i＝{x_i(1)，x_i(2)，x_i(3)，......，x_i(n)}，其中i表示监测数据的种类数，X_i表示第i类监测数据的序列，n表示采样时间点的个数，x_i(n)表示第i类监测数据在第n个采样时间间隔的值；

步骤三：将X_i标准化为X′_i： ${X^{\′}}_i=\{\frac{x_i\left(1\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(2\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(3\right)-x_{\min }}{x_{i\max }-x_{i\min }},...,\frac{x_i\left(n\right)-x_{\min }}{x_{i\max }-x_{i\min }}\};$

其中x_imin＝min(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))，x_imax＝max(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))；

步骤四：过滤X′_i数据中的噪声，获得平滑后的数据Y_i，Y_i＝{y_i(1)，y_i(2)，y_i(3)，......，y_i(n)}；Yi表示第i类监测数据平滑后的序列，y_i(n)表示第i类监测数据在第n个采样时间间隔的平滑后的值；

步骤五：计算Y_i的变化特征Z_i，Z_i＝[Z_i(1)，Z_i(2)，Z_i(3)，...，Z_i(n-1)]＝{[y_i(2)-y_i(1)]，[y_i(3)-y_i(2)]，[y_i(4)-y_i(3)]，...，[y_i(n)-y_i(n-1)]}，其中Z_i的序列长度为n-1；

步骤六：对Z_i进行离散化为Z′_i，具体为按10段划分为离散化空间的区间，对应的z′_i(t)的取值如下，其中t∈[1，n-1]：

$z_i^{\&prime;}\left(t\right)=\left\{\begin{array}{c}0,-1\&le;z_i\left(t\right)\&le;-0.498\\ 1,-0.498<z_i\left(t\right)\&le;-0.2227\\ 2,-0.2227<z_i\left(t\right)\&le;-0.1176\\ 3,-0.1176<z_i\left(t\right)\&le;-0.0526\\ 4,-0.0526<z_i\left(t\right)\&le;0\\ \mathrm{5,0}<z_i\left(t\right)\&le;0.0526\\ \mathrm{6,0.0526}<z_i\left(t\right)\&le;0.1176\\ \mathrm{7,0.1176}<z_i\left(t\right)\&le;0.2227\\ \mathrm{8,0.2227}<z_i\left(t\right)\&le;0.498\\ \mathrm{9,0.498}<z_i\left(t\right)\&le;1\end{array}\right.$

步骤七：按z′_i(t)中数字出现的频度将Z′_i符号化，即P_ifrq(j)←j在Z′_i中出现的总次数，其中j＝{0，1，2，...，9}，将Z′_i中的各个值用字母进行替换，替换后的结果即作为特征序列F_i；

步骤八：对F_i用BWT变换的算法进行排序，得到的排序结果序列记为G_i，G_i中的各数据点在X_i中的位置记录记为Q；

步骤九：根据异常比例系数r为0.2％，取G_i中W段里后

的数据点，其中W表示G_i中的字母；

步骤十：在Q中查找步骤九所取数据点对应在X_i中的位置，此即为异常数据点，输出异常数据点。

步骤四中过滤X′_i数据中的噪声的方法为：对X′_i数据序列采用基于斜率的旋转门压缩算法进行处理，算法中的压缩容差系数e为0.1。

步骤七中将Z′_i中的各个值用字母进行替换的具体方法为：P_ifrq(j)最大的值所对应的j，替换为A；P_ifrq(j)第二的值所对应的j，替换为B；P_ifrq(j)第三的值所对应的j，替换为C；P_ifrq(j)第四的值所对应的j，替换为D；P_ifrq(j)第五的值所对应的j，替换为E；P_ifrq(j)第六的值所对应的j，替换为；P_ifrq(j)第七的值所对应的j，替换为G；P_ifrq(j)第八的值所对应的j，替换为H；P_ifrq(j)第九的值所对应的j，替换为I；P_ifrq(j)第十的值所对应的j，替换为J。

本发明基于燃气轮机的内在特性，提出一种结合信息频度的排序的异常检测方法，处理中基于斜率进行数据平滑，计算资源需求小，具有较低的时间和空间代价；采用频度方式表达的异常数据点，有很强的可说明性，在领域专家进行理解分析时有更强的接受度。此异常检测方式在现实中更具实用价值。

具体实施方式

本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。

具体实施方式一：本实施方式燃气轮机的排序异常检测方法的具体步骤为：

步骤一：从燃气轮机的监测软件中获取监测数据，所述监测数据为齿轮箱振动、发电机DEX振动、发电机DEY振动、发电机EEX振动、发电机EEY振动、燃气发生器转速、发电机总实际功率、3#轴承Y振动、3#轴承X振动、2#轴承Y振动、2#轴承X振动、1#轴承Y振动、1#轴承X振动、排气平均温度、0度方向的排气温度、30度方向的排气温度、60度方向的排气温度、90度方向的排气温度、120度方向的排气温度、150度方向的排气温度、180度方向的排气温度、210度方向的排气温度、240度方向的排气温度、270度方向的排气温度、300度方向的排气温度、330度方向的排气温度或空气进口温度中的一种或几种；默认预设值压缩容差系数e为0.1，异常比例系数r为0.2％；

步骤二：将n个采样时间间隔的监测数据排列为X_i＝{x_i(1)，x_i(2)，x_i(3)，......，x_i(n)}，其中i表示监测数据的种类数，X_i表示第i类监测数据的序列，n表示采样时间点的个数，x_i(n)表示第i类监测数据在第n个采样时间间隔的值；

步骤三：将X_i标准化为X′_i： ${X^{\&prime;}}_i=\{\frac{x_i\left(1\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(2\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(3\right)-x_{\min }}{x_{i\max }-x_{i\min }},...,\frac{x_i\left(n\right)-x_{\min }}{x_{i\max }-x_{i\min }}\};$

其中x_imin＝min(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))，x_imax＝max(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))；

步骤四：过滤X′_i数据中的噪声，获得平滑后的数据Y_i，Y_i＝{y_i(1)，y_i(2)，y_i(3)，......，y_i(n)}；Yi表示第i类监测数据平滑后的序列，y_i(n)表示第i类监测数据在第n个采样时间间隔的平滑后的值；

步骤五：计算Y_i的变化特征Z_i，Z_i＝[Z_i(1)，Z_i(2)，Z_i(3)，...，Z_i(n-1)]＝{[y_i(2)-y_i(1)]，[y_i(3)-y_i(2)]，[y_i(4)-y_i(3)]，...，[y_i(n)-y_i(n-1)]}，其中Z_i的序列长度为n-1；

步骤六：对Z_i进行离散化为Z′_i，具体为按10段划分为离散化空间的区间，对应的z′_i(t)的取值如下，其中t∈[1，n-1]：

$z_i^{\&prime;}\left(t\right)=\left\{\begin{array}{c}0,-1\&le;z_i\left(t\right)\&le;-0.498\\ 1,-0.498<z_i\left(t\right)\&le;-0.2227\\ 2,-0.2227<z_i\left(t\right)\&le;-0.1176\\ 3,-0.1176<z_i\left(t\right)\&le;-0.0526\\ 4,-0.0526<z_i\left(t\right)\&le;0\\ \mathrm{5,0}<z_i\left(t\right)\&le;0.0526\\ \mathrm{6,0.0526}<z_i\left(t\right)\&le;0.1176\\ \mathrm{7,0.1176}<z_i\left(t\right)\&le;0.2227\\ \mathrm{8,0.2227}<z_i\left(t\right)\&le;0.498\\ \mathrm{9,0.498}<z_i\left(t\right)\&le;1\end{array}\right.$

步骤七：按z′_i(t)中数字出现的频度将Z′_i符号化，即P_ifrq(j)←j在Z′_i中出现的总次数，其中j＝{0，1，2，...，9}，将Z′_i中的各个值用字母进行替换，替换后的结果即作为特征序列F_i；

步骤八：对F_i用BWT变换的算法进行排序，得到的排序结果序列记为G_i，G_i中的各数据点在X_i中的位置记录记为Q；

步骤九：根据异常比例系数r为0.2％，取G_i中W段里后

的数据点，其中W表示G_i中的字母；

步骤十：在Q中查找步骤九所取数据点对应在X_i中的位置，此即为异常数据点，输出异常数据点。

步骤四中过滤X′_i数据中的噪声的方法为：对X′_i数据序列采用基于斜率的旋转门压缩算法进行处理，算法中的压缩容差系数e为0.1。

步骤七中将Z′_i中的各个值用字母进行替换的具体方法为：P_ifrq(j)最大的值所对应的j，替换为A；P_ifrq(j)第二的值所对应的j，替换为B；P_ifrq(j)第三的值所对应的j，替换为C；P_ifrq(j)第四的值所对应的j，替换为D；P_ifrq(j)第五的值所对应的j，替换为E；P_ifrq(j)第六的值所对应的j，替换为；P_ifrq(j)第七的值所对应的j，替换为G；P_ifrq(j)第八的值所对应的j，替换为H；P_ifrq(j)第九的值所对应的j，替换为I；P_ifrq(j)第十的值所对应的j，替换为J。

Claims (3)

1.一种燃气轮机的排序异常检测方法，其特征在于燃气轮机的排序异常检测方法的具体步骤为：

步骤一：从燃气轮机的监测软件中获取监测数据，所述监测数据为齿轮箱振动、发电机DEX振动、发电机DEY振动、发电机EEX振动、发电机EEY振动、燃气发生器转速、发电机总实际功率、3#轴承Y振动、3#轴承X振动、2#轴承Y振动、2#轴承X振动、1#轴承Y振动、1#轴承X振动、排气平均温度、0度方向的排气温度、30度方向的排气温度、60度方向的排气温度、90度方向的排气温度、120度方向的排气温度、150度方向的排气温度、180度方向的排气温度、210度方向的排气温度、240度方向的排气温度、270度方向的排气温度、300度方向的排气温度、330度方向的排气温度或空气进口温度中的一种或几种；默认预设值压缩容差系数e为0.1，异常比例系数r为0.2％；

步骤二：将n个采样时间间隔的监测数据排列为X_i＝{x_i(1)，x_i(2)，x_i(3)，......，x_i(n)}，其中i表示监测数据的种类数，X_i表示第i类监测数据的序列，n表示采样时间点的个数，x_i(n)表示第i类监测数据在第n个采样时间间隔的值；

步骤三：将X_i标准化为X′_i： ${X^{\&prime;}}_i=\{\frac{x_i\left(1\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(2\right)-x_{\min }}{x_{i\max }-x_{i\min }},\frac{x_i\left(3\right)-x_{\min }}{x_{i\max }-x_{i\min }},...,\frac{x_i\left(n\right)-x_{\min }}{x_{i\max }-x_{i\min }}\};$ 其中x_imin＝min(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))，x_imax＝max(x_i(1)，x_i(2)，x_i(3)，......，x_i(n))；

步骤四：过滤X′_i数据中的噪声，获得平滑后的数据Y_i，Y_i＝{y_i(1)，y_i(2)，y_i(3)，......，y_i(n)}；Y_i表示第i类监测数据平滑后的序列，y_i(n)表示第i类监测数据在第n个采样时间间隔的平滑后的值；

步骤五：计算Y_i的变化特征Z_i，Z_i＝[Z_i(1)，Z_i(2)，Z_i(3)，...，Z_i(n-1)]＝{[y_i(2)-y_i(1)]，[y_i(3)-y_i(2)]，[y_i(4)-y_i(3)]，...，[y_i(n)-y_i(n-1)]}，其中Z_i的序列长度为n-1；

步骤六：对Z_i进行离散化为Z′_i，具体为按10段划分为离散化空间的区间，对应的z′_i(t)的取值如下，其中t∈[1，n-1]：

$z_i^{\&prime;}\left(t\right)=\left\{\begin{array}{c}0,-1\&le;z_i\left(t\right)\&le;-0.498\\ 1,-0.498<z_i\left(t\right)\&le;-0.2227\\ 2,-0.2227<z_i\left(t\right)\&le;-0.1176\\ 3,-0.1176<z_i\left(t\right)\&le;-0.0526\\ 4,-0.0526<z_i\left(t\right)\&le;0\\ \mathrm{5,0}<z_i\left(t\right)\&le;0.0526\\ \mathrm{6,0.0526}<z_i\left(t\right)\&le;0.1176\\ \mathrm{7,0.1176}<z_i\left(t\right)\&le;0.2227\\ \mathrm{8,0.2227}<z_i\left(t\right)\&le;0.498\\ \mathrm{9,0.498}<z_i\left(t\right)\&le;1\end{array}\right.$

步骤七：按z′_i(t)中数字出现的频度将Z′_i符号化，即P_ifrq(j)←j在Z′_i中出现的总次数，其中j＝{0，1，2，...，9}，将Z′_i中的各个值用字母进行替换，替换后的结果即作为特征序列F_i；

步骤八：对F_i用BWT变换的算法进行排序，得到的排序结果序列记为G_i，G_i中的各数据点在X_i中的位置记录记为Q；

步骤九：根据异常比例系数r为0.2％，取G_i中W段里后

的数据点，其中W表示G_i中的字母；

步骤十：在Q中查找步骤九所取数据点对应在X_i中的位置，此即为异常数据点，输出异常数据点。

2.根据权利要求1所述的一种燃气轮机的排序异常检测方法，其特征在于步骤四中过滤X′_i数据中的噪声的方法为：对X′_i数据序列采用基于斜率的旋转门压缩算法进行处理，算法中的压缩容差系数e为0.1。

3.根据权利要求1所述的一种燃气轮机的排序异常检测方法，其特征在于步骤七中将Z′_i中的各个值用字母进行替换的具体方法为：P_ifrq(j)最大的值所对应的j，替换为A；P_ifrq(j)第二的值所对应的j，替换为B；P_ifrq(j)第三的值所对应的j，替换为C；P_ifrq(j)第四的值所对应的j，替换为D；P_ifrq(j)第五的值所对应的j，替换为E；P_ifrq(j)第六的值所对应的j，替换为；P_ifrq(j)第七的值所对应的j，替换为G；P_ifrq(j)第八的值所对应的j，替换为H；P_ifrq(j)第九的值所对应的j，替换为I；P_ifrq(j)第十的值所对应的j，替换为J。