CN106250709B - 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 - Google Patents
基于传感器关联网络的燃气轮机异常检测与故障诊断方法 Download PDFInfo
- Publication number
- CN106250709B CN106250709B CN201610680110.6A CN201610680110A CN106250709B CN 106250709 B CN106250709 B CN 106250709B CN 201610680110 A CN201610680110 A CN 201610680110A CN 106250709 B CN106250709 B CN 106250709B
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- comentropy
- index
- subclass
- association network
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法,涉及燃气轮机故障诊断技术领域,诊断方法步骤如下:步骤一信号预处理;步骤二:对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价;步骤三:对得到的燃气轮机传感器关联网络模型进行分层聚类;步骤四:利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价;步骤五:计算各层中所有子类的信息熵,计算所有信息熵指标超限子类的超类的信息熵指标。本基于传感器关联网络的燃气轮机异常检测与故障诊断方法,用于实现对大型燃气轮机完整运行状态的异常监测,特别适用于传感器测点信息非常丰富的情况。
Description
技术领域
本发明涉及燃气轮机故障诊断技术领域,具体涉及基于传感器关联网络的燃气轮机异常检测与故障诊断方法。
背景技术
大型燃气轮机这类复杂的工业系统的结构和功能复杂,工作环境恶劣且工况多变,是故障多发系统,并且在结构上通常由多级子系统和辅助系统组成,各级子系统在控制流程的作用下实现了由物质流引导的能量流和信息流的传递过程,通过安装在结构上的成百上千甚至上万个传感器可以实现其运行状态的监测。当系统发生故障时,故障效果将会沿着信息传递方向扩散,并导致众多传感器的状态相继出现异常而报警。在无法确认故障源的情况下,操作人员很难制定合理的解决方案,从而导致故障的进一步扩大,威胁生产安全。
传统的基于定量模型以及规则的故障诊断方法由于知识表示能力的限制使得其很难从整体上描述系统运行的完整状态,只适用于解决局部故障的诊断问题。因此,对大型燃气轮机进行完整的状态监测,从而实现准确的异常检测和故障诊断具有重要的意义。
发明内容
本发明的目的是提供一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法,改善传统的基于定量模型以及规则的诊断方法只适用于解决局部故障的局限,提高了对大型燃气轮机的故障诊断能力。
本发明采用的技术方案为:一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法,诊断方法步骤如下:
步骤一:信号预处理,将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号,并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征;
步骤二:对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价,并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型;
步骤三:对得到的燃气轮机传感器关联网络模型进行分层聚类,并利用矩阵的形式表示分层聚类后的传感器关联网络模型,将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算,形成一个残差矩阵;
步骤四:利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价,并通过与经验阈值的比较判断残差是否超限,如果超限,则说明该子类对应的功能集合出现异常,如果没有超限,则说明系统工作在容忍范围内;
步骤五:计算各层中所有子类的信息熵,计算所有信息熵指标超限子类的超类的信息熵指标,直到遇到信息熵指标不超限的子类,则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。
所述的步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号,并保证得到的频域信号采样点数与时域信号采样点数相同;然后,对趋势类型的信号用其变化率代表其变化特征;最后,根据指令信号对不同工作模式下的测量信号进行划分。
所述的步骤二中的相关性指标首先选用最大互信息系数(MIC)为评价指标,对任意两个传感器测点的时间序列之间的相关性进行评价;然后,保留所有相关性评价指标中大于0.3的指标,并将小于等于0.3相关性评价指标置为0;最后,对由所有的传感器测点以及各个测点之间的相关性评价指标构成的传感器网络以“Modularity”为指标采用“FastUnfolding方法”进行聚类。
所述的步骤三中对传感器关联网络模型进行分层聚类时首先燃气轮机中构成子系统的最小部件数应不大于作为聚类尺寸;然后,分层聚类的层数应不小于需要分析的最小粒度燃气轮机子系统或部件所在层数一致。
所述的步骤四和步骤五中利用残差矩阵信息熵的推理过程:首先,计算最顶层所有最小粒度子类对应的残差矩阵的信息熵指标,判断该指标是否超限,若未超限,则该子类代表的功能集合工作在可容忍范围内,若超限,则说明该子类代表的功能集合发生异常;然后,计算包含信息熵指标超限子类的超类的信息熵指标,判断该指标是否超限,若超限,则递归执行本步骤;最后,找到具有信息熵超限的最大子类,则该子类为异常效果影响的最大范围。
本发明的有益效果是:可用于实现对大型燃气轮机完整运行状态的异常监测,特别适用于传感器测点信息非常丰富的情况,与现有技术相比的优点在于:能够利用系统的整体运行信息尽可能完备地描述系统的运行特征,从而实现对大型燃气轮机这类系统的系统更加准确地异常检测与故障诊断任务。
附图说明:
图1是本发明流程结构示意图。
具体实施方式:
参照图1,一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法,诊断方法步骤如下:
步骤一:信号预处理,将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型、趋势类型信号以及离散的指令信号,并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征;
步骤二:对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价,并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型;
步骤三:对得到的燃气轮机传感器关联网络模型进行分层聚类,并利用矩阵的形式表示分层聚类后的传感器关联网络模型,将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算,形成一个残差矩阵;
步骤四:利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价,并通过与经验阈值的比较判断残差是否超限,如果超限,则说明该子类对应的功能集合出现异常,如果没有超限,则说明系统工作在容忍范围内;
步骤五:计算各层中所有子类的信息熵,计算所有信息熵指标超限子类的超类的信息熵指标,直到遇到信息熵指标不超限的子类,则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。
所述的步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号,并保证得到的频域信号采样点数与时域信号采样点数相同;然后,对趋势类型的信号用其变化率代表其变化特征;最后,根据指令信号对不同工作模式下的测量信号进行划分。
所述的步骤二中的相关性指标首先选用最大互信息系数(MIC)为评价指标,对任意两个传感器测点的时间序列之间的相关性进行评价;然后,保留所有相关性评价指标中大于0.3的指标,并将小于等于0.3相关性评价指标置为0;最后,对由所有的传感器测点以及各个测点之间的相关性评价指标构成的传感器网络以“Modularity”为指标采用“FastUnfolding方法”进行聚类。
所述的步骤三中对传感器关联网络模型进行分层聚类时首先燃气轮机中构成子系统的最小部件数应不大于分层聚类的层数;然后,分层聚类的层数应不小于需要分析的最小粒度燃气轮机子系统或部件所在层数。
所述的步骤四和步骤五中利用残差矩阵信息熵的推理过程:首先,计算最顶层所有最小粒度子类对应的残差矩阵的信息熵指标,判断该指标是否超限,若未超限,则该子类代表的功能集合工作在可容忍范围内,若超限,则说明该子类代表的功能集合发生异常;然后,计算包含信息熵指标超限子类的超类的信息熵指标,判断该指标是否超限,若超限,则递归执行本步骤;最后,找到具有信息熵超限的最大子类,则该子类为异常效果影响的最大范围。
首先在建立传感器关联网络模型时,利用布置在燃气轮机各部件上的传感器采集到系统的运行时数据,并根据数据时间序列所描述的燃气轮机特征属性类型将时域内的周期信号转换为频域信号并保持其采样点数不变;利用相关性评价指标获得任意两个传感器测点之间的相关程度指标;将该指标作为图的边、将传感器测点作为图节点,形成传感器关联网络模型。
然后,根据得到的传感器之间的相关程度指标对传感器关联网络模型进行分层聚类,以每个层次中的各个子类表征大型燃气轮机中不同粒度子系统或部件的功能模式。
最后,将利用燃气轮机运行时相邻两个时间序列得到的传感器关联网络图对应的矩阵进行求差运算,得到描述传感器关联关系在这两段时间内的改变情况的残差矩阵;利用信息熵指标对各层子类分别对应的残差矩阵的结构分布进行评价,并通过与经验阈值的比较判断残差是否超限,从而实现燃气轮机运行状态多层次、多粒度的异常检测与故障诊断。
综上所述,本基于传感器关联网络的燃气轮机异常检测与故障诊断方法,可用于实现对大型燃气轮机完整运行状态的异常监测,特别适用于传感器测点信息非常丰富的情况,与现有技术相比的优点在于:能够利用系统的整体运行信息尽可能完备地描述系统的运行特征,从而实现对大型燃气轮机这类系统的系统更加准确地异常检测与故障诊断任务。
Claims (5)
1.一种基于传感器关联网络的燃气轮机异常检测与故障诊断方法,其特征在于:诊断方法步骤如下:
步骤一:信号预处理,将通过传感器测点测量到的燃气轮机运行数据时间序列分为连续的周期类型信号、趋势类型信号以及离散的指令信号,并对不同类型的信号采用相应的特征提取方法获得能够准确描述信号行为的特征;
步骤二:对预处理后的测点集合中的任意两个传感器测点之间的相关性进行评价,并利用得到的相关性指标和测点集合构建燃气轮机的传感器关联网络模型;
步骤三:对得到的燃气轮机传感器关联网络模型进行分层聚类,并利用矩阵的形式表示分层聚类后的传感器关联网络模型,将连续两个测量到的燃气轮机运行数据时间序列对应的矩阵进行矩阵差计算,形成一个残差矩阵;
步骤四:利用信息熵指标对最小粒度子类分别对应的残差矩阵的结构分布进行评价,并通过与经验阈值的比较判断残差是否超限,如果超限,则说明该子类对应的功能集合出现异常,如果没有超限,则说明系统工作在容忍范围内;
步骤五:计算各层中所有子类的信息熵,计算所有信息熵指标超限子类的超类的信息熵指标,直到遇到信息熵指标不超限的子类,则具有信息熵指标超限的最大子类即为当前故障效果的影响范围。
2.根据权利要求1所述的基于传感器关联网络的燃气轮机异常检测与故障诊断方法,其特征在于:步骤一中对周期类型的指令信号首先进行FFT变换得到相应的频域信号,并保证得到的频域信号采样点数与时域信号采样点数相同;然后,对趋势类型的信号用其变化率代表其变化特征;最后,根据指令信号对不同工作模式下的测量信号进行划分。
3.根据权利要求2所述的基于传感器关联网络的燃气轮机异常检测与故障诊断方法,其特征在于:步骤二中的相关性指标首先选用最大互信息系数(MIC)为评价指标,对任意两个传感器测点的时间序列之间的相关性进行评价;然后,保留所有相关性评价指标中大于0.3的指标,并将小于等于0.3相关性评价指标置为0;最后,对由所有的传感器测点以及各个测点之间的相关性评价指标构成的传感器网络以“Modularity”为指标采用“FastUnfolding方法”进行聚类。
4.根据权利要求1所述的基于传感器关联网络的燃气轮机异常检测与故障诊断方法,其特征在于:步骤三中对传感器关联网络模型进行分层聚类时,首先燃气轮机中构成子系统的最小部件数应不大于分层聚类的层数;然后,分层聚类的层数应不小于需要分析的最小粒度燃气轮机子系统或部件所在层数。
5.根据权利要求1所述的基于传感器关联网络的燃气轮机异常检测与故障诊断方法,其特征在于:步骤四和步骤五中利用残差矩阵信息熵的推理过程:首先,计算最顶层所有最小粒度子类对应的残差矩阵的信息熵指标,判断信息熵指标是否超限,若未超限,则该子类代表的功能集合工作在可容忍范围内,若超限,则说明该子类代表的功能集合发生异常;然后,计算包含信息熵指标超限子类的超类的信息熵指标,判断该指标是否超限,若超限,则递归执行步骤四;最后,找到具有信息熵超限的最大子类,则该最大子类为异常效果影响的最大范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680110.6A CN106250709B (zh) | 2016-08-18 | 2016-08-18 | 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610680110.6A CN106250709B (zh) | 2016-08-18 | 2016-08-18 | 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106250709A CN106250709A (zh) | 2016-12-21 |
CN106250709B true CN106250709B (zh) | 2019-01-29 |
Family
ID=57592299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610680110.6A Active CN106250709B (zh) | 2016-08-18 | 2016-08-18 | 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250709B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874569B (zh) * | 2017-01-19 | 2020-04-21 | 中国科学院工程热物理研究所 | 一种变几何分轴式燃气轮机实时仿真建模方法 |
JP6778132B2 (ja) * | 2017-03-13 | 2020-10-28 | 株式会社日立製作所 | 設備機器の異常診断システム |
CN107146004B (zh) * | 2017-04-20 | 2018-02-16 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
CN110678727B (zh) * | 2017-06-02 | 2021-08-31 | 富士通株式会社 | 判定装置、判定方法和存储介质 |
CN107578166A (zh) * | 2017-09-01 | 2018-01-12 | 哈尔滨理工大学 | 基于异构递归模式的工业生产过程异常状态检测方法 |
CN107976206B (zh) * | 2017-11-06 | 2020-06-02 | 湖北三江航天万峰科技发展有限公司 | 一种基于信息熵的mems陀螺性能评价方法 |
CN109990803B (zh) * | 2018-01-02 | 2022-05-24 | 西门子(中国)有限公司 | 检测系统异常的方法、装置及传感器处理的方法、装置 |
CN109102164B (zh) * | 2018-07-20 | 2021-09-14 | 广东省科技基础条件平台中心 | 平台评估方法、装置、计算机设备和存储介质 |
CN109597752B (zh) * | 2018-10-19 | 2022-11-04 | 中国船舶重工集团公司第七一六研究所 | 基于复杂网络模型的故障传播路径仿真方法 |
CN109522657B (zh) * | 2018-11-20 | 2023-01-13 | 未必然数据科技(北京)有限公司 | 一种基于相关性网络和svdd的燃气轮机异常检测方法 |
CN111624985B (zh) * | 2020-06-10 | 2022-12-06 | 上海工业自动化仪表研究院有限公司 | 燃气轮机控制系统传感器故障诊断方法 |
CN113153722B (zh) * | 2021-03-16 | 2023-05-23 | 四川宏华电气有限责任公司 | 一种应用于页岩气开采的压裂泵扭矩异常自动检测系统 |
CN113465930B (zh) * | 2021-06-29 | 2022-08-05 | 哈尔滨工业大学 | 基于混合方法的燃气轮机多传感器故障检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438291A (zh) * | 2012-01-06 | 2012-05-02 | 上海交通大学 | 一种提高无线传感器网络容量的数据融合方法 |
CN104330255A (zh) * | 2014-11-04 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于多传感器信息融合的齿轮故障诊断方法 |
-
2016
- 2016-08-18 CN CN201610680110.6A patent/CN106250709B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102438291A (zh) * | 2012-01-06 | 2012-05-02 | 上海交通大学 | 一种提高无线传感器网络容量的数据融合方法 |
CN104330255A (zh) * | 2014-11-04 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于多传感器信息融合的齿轮故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Real-time fault diagnosis for gas turbine generator systems using extreme learning machine;PakKin Wong et al.;《Neurocomputing》;20140327;第128卷(第5期);249-257 |
基于EMD能量熵和相关向量机的燃机涡轮叶片故障诊断方法;陈立伟,等;《应用科技》;20160118;第43卷(第1期);67-71 |
基于改进 Kohonen神经网络的多传感器关联融合算法;陈蓓玉,等;《江苏船舶》;20060228;第23卷(第1期);32-35 |
燃气轮机故障诊断技术的研究与展望;朴文哲;《科技创新与应用》;20150118(第02期);101 |
Also Published As
Publication number | Publication date |
---|---|
CN106250709A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106250709B (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
Bahrampour et al. | Weighted and constrained possibilistic C-means clustering for online fault detection and isolation | |
CN106250631B (zh) | 一种基于故障-测试相关矩阵的故障诊断方法 | |
Yang et al. | Complex field fault modeling-based optimal frequency selection in linear analog circuit fault diagnosis | |
CN109062189A (zh) | 一种用于复杂故障的工业过程故障诊断方法 | |
Feldman et al. | Model-based diagnostic decision-support system for satellites | |
Ghosh et al. | A novel automata and neural network based fault diagnosis system for PLC controlled manufacturing systems | |
Luo et al. | Intelligent model-based diagnostics for vehicle health management | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
Wu et al. | Probabilistic stationary subspace analysis for monitoring nonstationary industrial processes with uncertainty | |
Liu et al. | Key performance indicators based fault detection and isolation using data-driven approaches | |
Sanz et al. | Leakage localization in water networks using fuzzy logic | |
CN104297670B (zh) | 一种模拟集成电路的故障诊断及参数辨识方法 | |
Kościelny et al. | Application properties of methods for fault detection and isolation in the diagnosis of complex large-scale processes | |
Zhao et al. | Research on an adaptive threshold setting method for aero-engine fault detection based on KDE-EWMA | |
Kourd et al. | Neuro-fuzzy approach for default Diagnosis: Application to the DAMADICS | |
Zuiev et al. | Questions of radioelectronic equipment diagnostics programs efficiency analysis | |
Sivakumar et al. | Implementation of VLSI model as a tool in diagnostics of slowly varying process parameters which affect the performance of steam turbine | |
Fraustro et al. | Structural fault diagnosis in timed continuous Petri Nets | |
Rogers et al. | Digital twinning for condition monitoring of marine propulsion assets | |
Zhou et al. | A novel information fusion model based on DS evidence theory for equipment diagnosis | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
Yang et al. | Hydraulic metal structure health diagnosis based on data mining technology | |
Sinha et al. | Early prediction of reliability/availability for embedded system based on conceptual design |
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 |