CN106200624B - 基于交叉分段pca的工业锅炉故障诊断方法 - Google Patents
基于交叉分段pca的工业锅炉故障诊断方法 Download PDFInfo
- Publication number
- CN106200624B CN106200624B CN201610736344.8A CN201610736344A CN106200624B CN 106200624 B CN106200624 B CN 106200624B CN 201610736344 A CN201610736344 A CN 201610736344A CN 106200624 B CN106200624 B CN 106200624B
- Authority
- CN
- China
- Prior art keywords
- load
- value
- operating condition
- section
- modal idenlification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种基于交叉分段PCA的工业锅炉故障诊断方法,其包括:确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数,并将所确定的基础工艺参数作为工业锅炉运行在不同负荷工况下的负荷识别值参数;根据所确定的负荷识别值大小划分工业锅炉运行过程中的各负荷工况,以及两个相邻负荷工况之间的过渡工况;根据各负荷工况及各过渡工况确定每一工况所对应的负荷模态,其中将各过渡工况看作相邻工况之间的交叉段;根据所确定的各负荷模态的正常历史数据分别建立各自对应的PCA模型,同时对锅炉在线运行产生的在线数据进行采集以及对当前所采集的在线数据进行故障检测。本发明有效解决了的现有技术中供热系统锅炉存在亚健康的问题,提高了供热品质。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于交叉分段PCA的工业锅炉故障诊断方法。
背景技术
现代工业锅炉系统呈现规模大、复杂程度高等特点,一旦发生故障,可能会引起链式反应,导致重大灾难性事故发生。因此,对工业锅炉系统进行故障检测与诊断是保证其安全、高效运行的重要环节。但工业锅炉系统由于其工艺复杂时变,变量多且具有强耦合性,难以运用传统的方法建立精准的机理模型,进行故障检测与诊断。基于主元分析(PCA)模型是一种多元统计分析方法,在过程监测、数据统计、经营管理等许多领域得到广泛应用,由于PCA方法只依赖于正常工况下的历史数据构建模型,不需要过程的机理知识,根据统计特征进行正交变换(K-L变换),以消除原有向量各个分量间的相关性,有效地剔除过程数据的中冗余信息,降低数据维数,这使得PCA在复杂工业过程监控中得到广泛应用。
工业锅炉系统随着负荷的变化表现出明显的时变和多模态特性,利用传统PCA方法的故障诊断存在用一个线性模型对多个不同的模态进行描述的情况,导致严重的误报或漏报,利用传统分段PCA方法的故障诊断,使得在负荷过渡过程会出现模型跃迁,增大误报的可能性,降低模型诊断能力。因此,对于没有确定模态和过渡过程的工业锅炉故障诊断的研究是亟待解决的问题。
发明内容
鉴于已有技术存在的缺陷,本发明的目的是要提供一种基于交叉分段PCA的工业锅炉故障诊断方法,该方法既保留了传统PCA方法的优点又提高了其故障诊断的准确性,同时相比传统PCA方法实现了对具有多模态特性的工业锅炉系统的故障诊断。
为了实现上述目的,本发明的技术方案:
一种基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于,包括如下步骤:
S1、确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数,并将所确定的基础工艺参数作为工业锅炉运行在不同负荷工况下的负荷模态识别参数;
S2、根据所确定的负荷模态识别参数确认对应的负荷模态识别值并基于所确认的负荷模态识别值对工业锅炉运行过程中正常历史数据进行负荷工况重新划分,即将前述数据划分为工业锅炉运行过程中的各稳定负荷工况,以及两个相邻稳定负荷工况之间的过渡工况;
S3、根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间,并将各过渡工况看作相邻稳定负荷模态识别区间之间的交叉段;
S4、根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型;同时对锅炉在线运行产生的在线数据进行采集;
S5、基于所建立的各PCA模型,判断当前所采集的在线数据是否存在异常,以实现锅炉故障检测过程。
进一步地,作为本发明的优选方案:
所述确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数是指根据工业锅炉运行过程所涉及的工艺,由实际人工经验确定对负荷变化影响最大的工艺参数并将其作为基础工艺参数。
优选的,由实际人工经验可知,锅炉的给煤量是影响锅炉负荷变化最重要的参数,因此将给煤阀位值作为基础工艺参数进而将其确定为负荷模态识别值。
进一步地,作为本发明的优选方案:
所述S2包括如下步骤:
S21、根据锅炉运行的工艺条件以及运行经验,对负荷模态识别参数进行分组即预先设定若干预定负荷模态识别值;
S22、根据锅炉实际正常运行在不同负荷工况下产生的历史数据,计算不同时刻锅炉实际运行过程所对应的实际负荷模态识别值;
S23、按照一定顺序对步骤S22中所计算的实际负荷模态识别值进行排列,并重新确认每一预定负荷模态识别值所对应的稳定负荷工况,所述稳定负荷工况的重新确认过程是指以预定负荷模态识别值为基准值,查找当前实际负荷模态识别值中,与所述基准值之差小于额定误差值所对应的绝对值的实际负荷模态识别值,并将所查找到的实际负荷模态识别值所形成的数值范围区间作为该预定负荷模态识别值所对应的稳定负荷工况;所述一定顺序是指按照自大至小或者自小至大的顺序;
S24、两个相邻稳定负荷工况之间所形成的数值范围区间即确定为一个过渡工况。
进一步地,作为本发明的优选方案:
所述根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间并将各过渡工况看作稳定负荷模态识别区间之间的交叉段是指将任意一个稳定负荷工况以及与该稳定负荷工况相邻的过渡工况所形成的数值范围区间均划定为该稳定负荷工况所对应的负荷模态识别区间;进而使得相邻的负荷模态识别区间之间存在数值范围交叉的区间。
进一步地,作为本发明的优选方案:
根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型时还包括对所述正常历史数据进行预处理,所述预处理包括:
根据锅炉运行情况,采集在不同负荷工况下产生的正常历史数据若干组并构成样本矩阵X,将所采集的数据按照所确定的各稳定负荷模态识别区间,进行负荷模态划分,以构成若干负荷模态矩阵Xi=x1,x2…xm(i=1,2,…,m),并对各所述负荷模态矩阵Xi进行标准化处理。
优选采用将Xi的每一列减去一定变量均值且除以一定变量标准差的标准化处理方法,所述均值、标准差所对应的变量由操作者按照实际需要随机设定。
进一步地,作为本发明的优选方案:
所述步骤S5包括如下步骤:
S51、根据所确定的各稳定负荷模态识别区间,对所采集的在线数据进行模态划分,将所述在线数据划分为若干个负荷模态数据组;
S52、确认每一负荷模态数据组所对应的PCA模型;
S52、计算当前负荷模态数据组的Hotelling’s T2统计量及SPE统计量,并判断所计算的Hotelling’s T2统计量及SPE统计量是否超过各自对应的控制限;若均不超过则确认当前负荷模态数据组为正常数据;否则则为故障数据。
与现有技术相比,本发明的有益效果:
本发明通过工业锅炉过程工艺和实际人工经验确定影响负荷变化最主要的工艺参数,作为锅炉运行在不同负荷的识别值;根据负荷识别值大小确定锅炉运行的负荷工况及相邻工况之间的过渡工况;根据锅炉的负荷工况及过渡工况确定锅炉运行的稳定负荷模态,其中将过渡工况看作相邻稳定负荷模态之间的交叉部分;根据不同负荷模态的正常历史数据作预处理并分别建立PCA模型;以通过交叉分段PCA方法实现对工业过程在不同负荷模态下的故障诊断,其有效解决了的现有技术中供热系统锅炉存在亚健康的问题,提高了供热品质。
附图说明
图1为本发明基于交叉分段PCA方法的锅炉故障诊断流程图;
图2a为本发明所述方法中步骤S2对应的模态划分原理图;
图2b为本发明所述方法中步骤S3对应的模态划分原理图;
图3a为本发明所述方法对应的故障诊断结果示意图;
图3b为传统PCA方法对应的故障诊断结果示意图;
图3c为常规分段PCA方法对应的故障诊断结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明所述方法,包括如下两大阶段:其分别为离线建模以及在线监测;所述离线建模阶段具体包括:
S1、确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数,并将所确定的基础工艺参数作为工业锅炉运行在不同负荷工况下的负荷模态识别参数;所述确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数是指根据工业锅炉运行过程所涉及的工艺,由实际人工经验确定对负荷变化影响最大的工艺参数并将其作为基础工艺参数。具体的,作为本发明的优选实例,由实际人工经验可知,在稳定运行状态下锅炉的给煤量是影响锅炉负荷变化最重要的参数,因此将给煤阀位值作为基础工艺参数进而将其确定为负荷模态识别参数。
S2、根据所确定的负荷模态识别参数确认对应的负荷模态识别值并基于所确认的负荷模态识别值对工业锅炉运行过程中正常历史数据进行负荷工况重新划分,即将前述数据划分为工业锅炉运行过程中的各稳定负荷工况,以及两个相邻稳定负荷工况之间的过渡工况;具体的,如图2a所示,作为本发明的优选实例,所述S2包括如下步骤:
S21、根据锅炉运行的工艺条件以及运行经验,对负荷模态识别参数进行分组即预先设定若干预定负荷模态识别值;
S22、根据锅炉实际正常运行在不同负荷工况下产生的历史数据,计算不同时刻锅炉实际运行过程所对应的实际负荷模态识别值;
S23、按照一定顺序对步骤S22中所计算的实际负荷模态识别值进行排列,并重新确认每一预定负荷模态识别值所对应的稳定负荷工况,所述稳定负荷工况的重新确认过程是指以预定负荷模态识别值为基准值,查找当前实际负荷模态识别值中,与所述基准值之差小于额定误差值所对应的绝对值的实际负荷模态识别值,并将所查找到的实际负荷模态识别值所形成的数值范围区间作为该预定负荷模态识别值所对应的稳定负荷工况;所述一定顺序是指按照自大至小或者自小至大的顺序;
S24、两个相邻稳定负荷工况之间所形成的数值范围区间即确定为一个过渡工况。
具体的,作为本发明的优选实例,所述方法将给煤量确认为负荷模态识别值并采集锅炉运行产生的历史数据;首先假设锅炉主要稳定在30%、40%、50%负荷模态下切换并设定各预定负荷模态识别值-给煤阀位值分别为30%、40%、50%,然而在实际工业过程中,锅炉很难按照预定负荷模态识别值稳定运行,一般均围绕在其所对应的负荷模态识别值上下波动运行;其次,根据锅炉实际正常运行在不同负荷工况下产生的大量的历史数据,计算出不同时刻锅炉实际运行过程的负荷值大小并将其作为实际负荷模态识别区间,如通过锅炉实际运行数据确定出不同稳定工况所对应给煤阀位数量级区间分别为20-25、30-35、40-45;按照从大到小或者从小到大的顺序对给煤阀位值进行排列,并设定给煤阀位值若位于在预定负荷模态识别值上下±4%范围内,为稳定负荷工况,不在上述范围内则处于不在稳定状态区间,即为过渡工况,则过渡工况所对应的区间为26-29、36-39。
S3、根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间,并将各过渡工况看作相邻稳定负荷模态识别区间之间的交叉段;进一步地,如图2b所示,所述根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间并将各过渡工况看作稳定负荷模态识别区间之间的交叉段是指将任意一个稳定负荷工况以及与该稳定负荷工况相邻的过渡工况所形成的数值范围区间均划定为该稳定负荷工况所对应的负荷模态识别区间;进而使得相邻的负荷模态识别区间之间存在数值范围交叉的区间。
整个步骤S3是利用负荷模态识别值大小确定的负荷工况情况,进一步确定出不同负荷工况改变的过渡区域,将两种稳定负荷工况都覆盖该过渡区域,即将稳定负荷工况和过渡工况相互融合,构成相邻稳定负荷工况之间的交叉部分即交叉段或者称为交叉区间,此原理是利用锅炉运行所产生的数据,来描述其运行特性,将交叉段的覆盖程度进行模糊清晰化,转移到模态识别值的数值区间;对应到上述优选实例,则负荷模态识别值数量级在区间0-29、26-39、36-45时,能够构成交叉分段区间样本,该样本既包括稳定工况和过渡工况特性,同时也区分具有多模态特性系统在不同工况的特性,增强了模型的识别能力,提高故障诊断的准确性。
S4、根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型,建立若干个PCA模型则是为了确定每一稳定负荷模态识别区间所对应的Hotelling’s T2统计量及SPE统计量的控制限即为确定故障数据设定基准数据;同时对锅炉在线运行产生的在线数据进行采集;具体的,根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型时还包括对所述正常历史数据进行预处理,所述预处理包括:
根据锅炉运行情况,采集在不同负荷工况下产生的正常历史数据若干组并构成样本矩阵X,将所采集的数据按照所确定的各稳定负荷模态识别区间,进行负荷模态划分,以构成若干负荷模态矩阵Xi=x1,x2…xm(i=1,2,…,m),并考虑消除每个样本变量的量纲和数量级不同的限制,并对各所述负荷模态矩阵Xi进行标准化处理。
优选采用将Xi的每一列减去一定变量均值且除以一定变量标准差的标准化处理方法,所述均值、标准差所对应的变量由操作者按照实际需要随机设定。
分别建立不同模态历史数据所对应的PCA模型,其根据公式:
Ti=XiPi (2)
其中,表示主元空间,Ei表示残差空间,Ti表示得分向量,Pi表示负荷向量。
S5、基于所建立的各PCA模型,判断当前所采集的在线数据是否存在异常,以实现锅炉故障检测过程。所述步骤S5包括如下步骤:
S51、根据所确定的各稳定负荷模态识别区间,对所采集的在线数据进行模态划分,将所述在线数据划分为若干个负荷模态数据组;
S52、确认每一负荷模态数据组所对应的PCA模型;
S52、确认当前所采集的在线数据是否存在异常,以实现锅炉故障检测过程即选用Hotelling’s T2统计量和SPE统计量作为故障检测的指标,计算当前负荷模态数据组的Hotelling’s T2统计量及SPE统计量,并判断所计算的Hotelling’s T2统计量及SPE统计量是否超过各自对应的控制限;若均不超过则确认当前负荷模态数据组为正常数据;否则则为故障数据。
具体的,选用Hotelling’s T2统计量和SPE统计量作为故障检测的指标,其中变量在主元空间中的变化用T2统计量表示所涉及原理为:
根据公式:
Ti 2=tiλ-1ti T=XiPλ-1PTXi T (3)
计算每个负荷模态样本矩阵的T2统计量大小;
并利用F分布计算T2统计量控制限,其公式为:
其中,m是样本个数;k是所保留的主元个数;α是检验水平;Fk,m-1,a是对应于α为检验水平,k,m-1是自由度条件下F分布的临界值。如果满足则表明该时刻数据T2统计量正常,反之,则为故障。
同时上述矩阵样本在残差空间的投影用SPE指标衡量,每个样本SPE统计量大小根据公式计算:
根据公式计算:
其中,置信水平为α时的控制限,h0=1-2θ1θ3/(3θ2 2),λi为X协方差矩阵的特征值,Cα是置信度为α的正态分布统计,若满足SPEi≤δα则该数据正常,反之则为故障。
对应到本发明所述根据交叉分段PCA方法实现对锅炉在线运行产生的在线数据在负荷模态下的故障诊断,具体包括:
确认每一负荷模态数据组所对应的PCA模型,并根据下述公式计算其对应的SPE统计量以及T2统计量:
Ti 2=tiλ-1ti T=XiPλ-1PTXi T (8)
随后判断在线数据是否在交叉段,如果该负荷模态数据组不在交叉段,且判断是否SPE或T2统计量均超过所对应的PCA模型的控制限,是则该数据为故障数据,反之正常;如果在线数据在交叉段,利用交叉段所在的两个负荷模态对应的PCA模型共同监测数据,即计算该负荷模态数据组的SPE或T2统计量,且判断是否两个模统计量都超过其控制限,是则认为该数据为故障数据,反之正常。
将本发明实施例应用于大连某高校供热系统,该校供暖系统采用的是分布式变频系统,一个热源通过多个换热站向校内楼宇和周边小区供热。选择对热源锅炉进行故障诊断。其监控的过程变量如表1所示:
表1锅炉变量参数表
序号 | 测量参数 | 单位 | 序号 | 测量参数 | 单位 |
1 | 出水温度 | ℃ | 7 | 上水压力 | Pa |
2 | 出水压力 | MPa | 8 | 上水温度 | ℃ |
3 | 炉膛负压 | MPa | 9 | 鼓风阀位 | % |
4 | 排烟温度 | ℃ | 10 | 引风阀位 | % |
5 | 出水流量 | t/h | 11 | 炉排阀位 | % |
6 | 炉膛温度 | ℃ | 12 | 给煤阀位 | % |
本发明实施例通过利用正常工况下产生的历史数据,建立交叉分段PCA模型,进行在线数据故障诊断。采集锅炉在不同负荷下1000组正常数据,构成建模样本矩阵并采集200在线运行的数据,构成监测样本矩阵其中在线样本中160-200组数据出现出水温度传感器故障,首先根据负荷模态识别值的大小,将历史数据和在线数据进行模态划分,其中历史数据模态划分结果如下表2:
表2模态识别区间
给煤阀位 | 0%‐29% | 26%‐39% | 36%‐45% |
模态 | 模态1 | 模态2 | 模态3 |
样本数 | 1‐400 | 301—800 | 701‐1000 |
模态划分首先通过专家经验和对大量锅炉运行产生的历史数据进行分析,确定出负荷模态识别值与锅炉在不同负荷模态运行的对应关系,该实例锅炉负荷主要稳定在30%、40%、50%负荷状态,其稳定负荷工况所对应的给煤阀位数量级区间分别为20-25、30-35、40-45,利用模糊划分原则,其过渡工况所对应的区间应为26-29、36-39;最终将其负荷模态识别区间设定在0-29、26-39、36-45区间,从而构成交叉分段区间样本。
利用交叉分段PCA方法对不同负荷模态的数据建立模型。利用建立的模型对锅炉在线运行的数据进行故障诊断。其诊断结果如图3c,结果显示交叉分段PCA方法检测到160-200为故障数据,在模态过渡区域未出现误报、漏报现象。为了验证该方法的可行性,同时利用传统的PCA方法和常规的PCA故障诊断方法进行比较,传统的PCA方法都是利用采集的所有历史数据建立一个PCA模型,且由于负荷工况的原因,存在检测精度不够准确的问题,如图3a,160-200数据为故障数据,然而该方法所设定的模型却未检测,出现了漏报现象;常规的PCA故障诊断方法,如分段PCA方法有考虑过渡过程的跃迁,使过渡过程检测不准确;如图3b,过渡过程有误报显现;因此可见,两种现有方法均出现了漏报或者误报现象,特别是在模态过渡区域。
综上所述,本发明针对没有确定模态的多模态连续生产过程,本发明提出交叉分段PCA故障检测方法,通过选择特定的过程参数作为负荷模态识别值,并采用交叉分段的方式将连续的过程划分为多个稳定的负荷模态进行监控,使交叉模型部分涵盖过渡过程,提高故障检测的准确性。通过是实验验证表明该方法与传统PCA方法和常规分段PCA方法相比,能够显著提高故障检测的准确性,对具有多模态特性的连续生产过程的故障检测具有很强的实用价值。
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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于,所述方法包括如下步骤:
S1、确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数,并将所确定的基础工艺参数作为工业锅炉运行在不同负荷工况下的负荷模态识别参数;
S2、根据所确定的负荷模态识别参数确认对应的负荷模态识别值并基于所确认的负荷模态识别值对工业锅炉运行过程中正常历史数据进行负荷工况重新划分,即将前述数据划分为工业锅炉运行过程中的各稳定负荷工况,以及两个相邻稳定负荷工况之间的过渡工况;
S3、根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间,并将各过渡工况看作相邻稳定负荷模态识别区间之间的交叉段;
S4、根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型;同时对锅炉在线运行产生的在线数据进行采集;
S5、基于所建立的各PCA模型,判断当前所采集的在线数据是否存在异常。
2.根据权利要求1所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
所述确定工业锅炉运行过程中能够影响负荷变化的基础工艺参数是指根据工业锅炉运行过程所涉及的工艺,由实际人工经验确定对负荷变化影响最大的工艺参数并将其作为基础工艺参数。
3.根据权利要求2所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
将给煤阀位值作为基础工艺参数进而将其确定为负荷识别值。
4.根据权利要求1所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
所述S2包括如下步骤:
S21、根据锅炉运行的工艺条件以及运行经验,对负荷模态识别参数进行分组即预先设定若干预定负荷模态识别值;
S22、根据锅炉实际正常运行在不同负荷工况下产生的历史数据,计算不同时刻锅炉实际运行过程所对应的实际负荷模态识别值;
S23、按照一定顺序对步骤S22中所计算的实际负荷模态识别值进行排列,并重新确认每一预定负荷模态识别值所对应的稳定负荷工况,所述稳定负荷工况的重新确认过程是指以预定负荷模态识别值为基准值,查找当前实际负荷模态识别值中,与所述基准值之差小于额定误差值所对应的绝对值的实际负荷模态识别值,并将所查找到的实际负荷模态识别值所形成的数值范围区间作为该预定负荷模态识别值所对应的稳定负荷工况;所述一定顺序是指按照自大至小或者自小至大的顺序;
S24、两个相邻稳定负荷工况之间所形成的数值范围区间即确定为一个过渡工况。
5.根据权利要求1所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
所述根据所划分的各稳定负荷工况及各过渡工况确定每一稳定负荷工况所对应的稳定负荷模态识别区间并将各过渡工况看作稳定负荷模态识别区间之间的交叉段是指将任意一个稳定负荷工况以及与该稳定负荷工况相邻的过渡工况所形成的数值范围区间均划定为该稳定负荷工况所对应的负荷模态识别区间;进而使得相邻的负荷模态识别区间之间存在数值范围交叉的区间。
6.根据权利要求1所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
根据所确定的各稳定负荷模态识别区间,对所述正常历史数据进行模态划分,并分别建立各自对应的PCA模型时还包括对所述正常历史数据进行预处理,所述预处理包括:
根据锅炉运行情况,采集在不同负荷工况下产生的正常历史数据若干组并构成样本矩阵X,将所采集的数据按照所确定的各稳定负荷模态识别区间,进行负荷模态划分,以构成若干负荷模态矩阵Xi=x1,x2…xm(i=1,2,…,m),并对各所述负荷模态矩阵Xi进行标准化处理。
7.根据权利要求1所述的基于交叉分段PCA的工业锅炉故障诊断方法,其特征在于:
所述步骤S5包括如下步骤:
S51、根据所确定的各稳定负荷模态识别区间,对所采集的在线数据进行模态划分,将所述在线数据划分为若干个负荷模态数据组;
S52、确认每一负荷模态数据组所对应的PCA模型;
S52、计算当前负荷模态数据组的Hotelling’s T2统计量及SPE统计量,并判断所计算的Hotelling’s T2统计量及SPE统计量是否超过各自对应的控制限;若均不超过则确认当前负荷模态数据组为正常数据;否则则为故障数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610736344.8A CN106200624B (zh) | 2016-08-26 | 2016-08-26 | 基于交叉分段pca的工业锅炉故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610736344.8A CN106200624B (zh) | 2016-08-26 | 2016-08-26 | 基于交叉分段pca的工业锅炉故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106200624A CN106200624A (zh) | 2016-12-07 |
CN106200624B true CN106200624B (zh) | 2019-01-04 |
Family
ID=57525894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610736344.8A Active CN106200624B (zh) | 2016-08-26 | 2016-08-26 | 基于交叉分段pca的工业锅炉故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106200624B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759745B (zh) * | 2018-06-05 | 2020-02-18 | 上汽大众汽车有限公司 | 基于多元统计分析的白车身故障检测方法及检测装置 |
CN110059359A (zh) * | 2019-03-21 | 2019-07-26 | 江苏东方国信工业互联网有限公司 | 一种基于大数据分析的控制炉体工艺的系统及其方法 |
CN110543153B (zh) * | 2019-08-20 | 2020-11-17 | 华中科技大学 | 一种多工况工业过程的过渡工况故障检测方法 |
CN111626360B (zh) * | 2020-05-28 | 2023-11-17 | 新奥新智科技有限公司 | 用于检测锅炉故障类型的方法、装置、设备和存储介质 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005038545A1 (en) * | 2003-10-16 | 2005-04-28 | Abb Inc. | Detecting faults of system components in a continuous process |
CN105573290A (zh) * | 2015-12-16 | 2016-05-11 | 浙江中烟工业有限责任公司 | 卷烟工厂超高速条盒包装机多工况过程在线监测与故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5795996A (en) * | 1997-06-30 | 1998-08-18 | Industrial Technology Research Institute | Method and apparatus for monitoring water quality |
WO2009013754A1 (en) * | 2007-07-24 | 2009-01-29 | Technion Research And Development Foundation Ltd. | Chemically sensitive field effect transistors and use thereof in electronic nose devices |
CN103699514B (zh) * | 2014-01-14 | 2017-12-15 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
CN103824137B (zh) * | 2014-03-20 | 2016-08-17 | 北京信息科技大学 | 一种复杂机械设备多工况故障预测方法 |
CN105373110B (zh) * | 2015-12-16 | 2018-06-05 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
CN105487524B (zh) * | 2015-12-29 | 2017-12-08 | 浙江中烟工业有限责任公司 | 具有多工况特性的超高速小盒包装机状态监测与诊断方法 |
-
2016
- 2016-08-26 CN CN201610736344.8A patent/CN106200624B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005038545A1 (en) * | 2003-10-16 | 2005-04-28 | Abb Inc. | Detecting faults of system components in a continuous process |
CN105573290A (zh) * | 2015-12-16 | 2016-05-11 | 浙江中烟工业有限责任公司 | 卷烟工厂超高速条盒包装机多工况过程在线监测与故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
A Sub-principal Component of Fault Detection (PCFD) Modeling Method and Its Application to Online Fault Diagnosis;Chunhui Zhao;《2013 9th Asian Control Conference (ASCC)》;20130923;第1-6页 |
A Variable MoVing Window Approach for On-line Fault Diagnosis in Industrial Processes;Shaoyuan Zhou;《Fifth World Congress on Intelligent Control and Automation》;20041018;第1761-1765页 |
Application of Fault Diagnosis Based on Signed Digraphs and PCA with Linear Fault Boundary;Bong-Su Shin;《2007 International Conference on Control, Automation and Systems》;20071226;第984-987页 |
Also Published As
Publication number | Publication date |
---|---|
CN106200624A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106200624B (zh) | 基于交叉分段pca的工业锅炉故障诊断方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
CN107301884A (zh) | 一种混合式核电站故障诊断方法 | |
CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
JP6856443B2 (ja) | 設備機器の異常診断システム | |
WO2014208227A1 (ja) | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 | |
JP5469131B2 (ja) | プラントの診断方法及び装置。 | |
CN109214595A (zh) | 基于大数据分析的核电厂主泵三级密封故障预测方法 | |
CN111090939B (zh) | 石化装置异常工况的预警方法和系统 | |
CN102539325A (zh) | 基于应变监测的焦碳塔结构损伤监测方法 | |
CN102110187A (zh) | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 | |
CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN115899964A (zh) | 基于多维的空调智能监测方法与系统 | |
KR101094074B1 (ko) | 성능저하 및 고장원인 조기 진단을 위한 알고리즘 분석모델 제작방법 | |
KR101882847B1 (ko) | 발전 설비의 성능 저하 원인 도출 방법 및 장치 | |
EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
CN113591406B (zh) | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 | |
WO2020003598A1 (ja) | プラント診断システムおよび方法 | |
CN109947064A (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
CN106096272A (zh) | 一种基于fahp的凝汽器真空降低影响因素的定量诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |