CN108492000A - 一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法 - Google Patents
一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法 Download PDFInfo
- Publication number
- CN108492000A CN108492000A CN201810141410.6A CN201810141410A CN108492000A CN 108492000 A CN108492000 A CN 108492000A CN 201810141410 A CN201810141410 A CN 201810141410A CN 108492000 A CN108492000 A CN 108492000A
- Authority
- CN
- China
- Prior art keywords
- fault
- stationary
- matrix
- unique
- key
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 114
- 239000013598 vector Substances 0.000 claims description 53
- 238000009826 distribution Methods 0.000 claims description 24
- FDKVVSDXZNIXAN-UHFFFAOYSA-N carbamic acid;2-ethyl-2-(hydroxymethyl)propane-1,3-diol Chemical compound NC(O)=O.NC(O)=O.NC(O)=O.CCC(CO)(CO)CO FDKVVSDXZNIXAN-UHFFFAOYSA-N 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 9
- 230000002195 synergetic effect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 6
- 238000001247 Johansen test Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000003861 dual diagnosis Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000009977 dual effect Effects 0.000 description 6
- 230000005654 stationary process Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种面向百万千瓦超临界机组非平稳故障特性的在线故障诊断方法。本发明针对百万千瓦超临界机组故障过程非平稳、复杂多变的特性，结合运用协整分析和基于变量选择的双重模型用于故障诊断。该方法克服了大型燃煤机组故障过程的非平稳特性，充分挖掘故障间所包含的潜在信息，建立了双重诊断模型，互为补充，相辅相成，有效地解决了复杂非平稳故障过程在线诊断困难的问题，大大提高了非平稳故障过程在线诊断的性能，有助于现场工程师对故障进行准确的修复，从而保证了百万千瓦超超临界发电机组的安全可靠运行并提高了生产效益。
Description
技术领域
本发明属于非平稳过程统计监测领域，特别是针对一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法。
背景技术
近年来，为了实现电力的可持续发展，火力发电行业积极开展结构调整，以大容量、高参数、低能耗的超临界和超超临界机组取代高能耗小型火电机组，基本形成了以超超临界机组为主体的电力能源结构。百万千瓦超超临界机组热力系统是个极其复杂的工业过程，规模庞大、设备多数、参数众多且相互影响，现场具有高温、高压、高噪声等特点。
整个工艺过程生产流程长、单元装置多、空间分布广、安全要求高，其中可能发生的故障复杂多样。以锅炉及其辅助设备为例，常见的典型故障包括由于磨损、腐蚀、设备老化、应力拉伸等原因造成的四管泄露(水冷壁、过热器、再热器、省煤器)，由于堵塞、漏粉、断裂等原因造成的磨煤机故障，由于振动大、温度高等原因造成的送风机、引风机故障等。为了保障机组安全可靠运行，必须对热力系统采用有效的故障检测和故障诊断方法。故障诊断是指在检测到故障后，进一步判断发生了哪种故障，并及时对故障变量进行隔离，消除故障的影响。
前人对此已经作了相应的研究与探讨，基于不同的角度提出了相应的在线故障诊断方法。概括说来，主要包括基于解析模型的方法和基于数据驱动的方法。对于火电机组这样的复杂非线性系统，其结构复杂、动态时变以及强耦合性严重，使得难以建立精确的解析模型来实现故障诊断。而随着技术的发展，电厂生产过程中可以获得越来越多的数据，基于数据驱动的在线故障诊断策略越来越受到研究人员和现场工程师的青睐。基于数据、驱动的方法主要包括多元统计方法和人工智能方法。其中，主成分分析、偏最小二乘法、费舍尔判别分析等方法作为多元统计分析方法的典型代表，受到了大家的关注。其原理是假设机组在预先设定的稳态工况下运行，一旦运行状态偏离稳态工况，则认为机组发生了故障。并通过两个监测统计量T2和SPE来判断机组是否偏离正常状态。但是，基于传统多元统计分析在线故障诊断方法应用于实际超超临界百万机组的生产过程中存在着两方面的问题：首先，百万千瓦超超临界机组在运行过程中可能发生很多故障情况。受到内部和外部因素的影响，故障过程中的变量和输出会随着时间的推移而变化，从而使整个故障过程具有非平稳特性。由于非平稳过程的统计特性会随着时间变化而变化，传统的多元统计分析方法无法准确描述非平稳过程，因而难以用于非平稳过程的建模和诊断。其次，超超临界机组热力系统结构复杂，参数众多且相互影响，故障特性复杂多变。传统的故障诊断方法通常只利用正常数据与故障数据的差别建立监测指标，而没有考虑不同故障间的关系。针对上述问题，前人提出将所有故障考虑在内，利用不同故障类的数据进行分析。但他们的做法局限于仅考虑不同故障类数据在分布和方差信息上的差异，将多个故障的诊断视为了一个简单的多分类问题，而没有考虑不同故障类间更深层的差异和联系。因而，现有的故障诊断方法并不能很好地运用在百万千瓦超超临界机组上。
本发明的内容深入考虑了百万千瓦超超临界机组非平稳以及复杂多样的故障特性，提出了一种基于协整分析和双重模型的故障诊断策略。该方法立足于故障过程的非平稳特性，区分了平稳变量和非平稳变量。并充分挖掘了不同的故障类间的公共信息和每个故障类的独特信息，分别建立了公共故障诊断模型和独特故障诊断模型，综合考虑这两个模型进行判断，大大提高了复杂非平稳过程在线故障诊断的性能。到目前为止，尚未见到与本发明相关的研究报道。
发明内容
本发明的目的在于针对百万千瓦超超临界机组的复杂非平稳故障特性，提供了一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法。
本发明的目的是通过以下技术方案来实现的：提供一种面向百万千瓦超超临界机组的非平稳故障特性分析与在线故障诊断方法，该方法包括以下步骤：
(1)获取过程分析数据：设一个热力系统生产过程具有J个测量变量和操作变量，则每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率；所述操作变量包括进风量、给料量、阀门开度；分别获取C组故障数据二维矩阵，统一表示为Xi(N×J)，其中下标i表示故障的类别；
(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：
(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。
(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：
(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：
Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C (1)
其中，xj代表第i个故障类中的平稳变量，∩表示求取不同矩阵的交集，Js表示综合C类故障后的公共平稳变量个数。
(2.2.2)获取所有非平稳变量：求取所有故障类中非平稳变量的并集，可以得到C种故障类型下的全部非平稳变量集合：
Xns(N×Jns)＝Xns,1∪Xns,2∪...∪Xns,C (2)
其中，xn,j表示第i个故障类中的非平稳变量，∪表示求取不同矩阵的并集，Jns表示综合C类故障后的所有非平稳变量个数。
(2.2.3)建立公共协整模型：对(3.2)中的所有非平稳变量矩阵Xns(N×Jns)进行协整分析，得到公共协整向量B以及如式(3)所示的公共协整特征：
γ＝XnsB (3)
其中，B是Jns×RCA的矩阵，向量个数RCA由Johansen检验确定。γ＝XnsB是从所有类的非平稳向量中提取的公共平稳残差序列，表征了公共的故障特性。
(2.3)获取公共平稳特征矩阵：求取公共平稳变量矩阵和公共协整特征矩阵的并集，可以得到公共的平稳特征矩阵：
Xalls(N×Jalls)＝Xs∪γ (4)
其中，Xalls包含了所有(2.2.1)中的公共平稳变量和(2.2.3)中的公共平稳协整特征，统称为公共平稳特征，Jalls表示公共平稳特征的个数。
(2.4)提取关键故障特征，该步骤由以下子步骤来实现：
(2.4.1)假设所有的故障样本服从多元广义高斯分布。定义一个虚拟的故障变量C，可能的取值的个数与故障数据二维矩阵的组数相同，即为C。服从如下的概率分布P(C＝c)＝P(c)。根据互信息准则，xalls和故障变量C间的互信息可以按下式表示
其中，xalls是公共平稳特征矩阵中的一个随机向量，x表示其中的一个样本，样本服从散布矩阵为∑，形状参数为β的多元广义高斯分布。xalls在C＝c条件下的概率密度服从参数为∑c和βc。
(2.4.2)将所有特征按互信息大小递减排序后，需要找出那些在所有故障类中分类性能最好的一组关键特征，表示为Xkey。该关键特征Xkey＝[Xkey,1,Xkey,2,...,Xkey,i,...,Xkey,C]，Xkey,i中具有Ni个样本。
(2.5)建立基于FDA的公共故障诊断模型，该步骤包括以下子步骤：
(2.5.1)选取上述得到的所有故障类的关键特征中的样本作为总样本其中，由Xkey,i(i＝1,2,...,C)组成，Jkey代表关键故障特征的个数；
(2.5.2)数据准备：分别计算总样本均值向量每类故障样本均值向量总类内散布矩阵Sw和类间的散布矩阵Sb，计算公式如下：
其中，Si是每个故障类的散布矩阵；
(2.5.3)最大化费舍尔准则：求取使费舍尔准则函数最大的权重向量w，即求使类间离散度和类内离散度的比值最大的权重向量w：
其中，权重向量w就是费舍尔最优判别方向。
(2.5.4)求使费舍尔判据最大的权重向量相当于一个求取广义特征向量的特征值问题：
Sbw＝λSww (8)
其中，特征值λ代表故障类之间的总体可分程度。当Sw为非奇异阵时，上式可以转化成一个常规的特征值问题：
Sw -1Sbw＝λw (9)
求解上式可以得到RFDA个非零的广义特征值以及广义特征向量矩阵R*(Jkey×RFDA)，RFDA＝C-1。
(2.5.5)计算每类故障样本的类内判别成分和故障衡量统计指标Di,m 2：
Ti＝Xkey,iR*
其中，Ti表示判别成分矩阵，是Ti的均值向量，Σi是Ti的协方差矩阵。
(2.5.6)建立每类故障特征衡量指标的控制限；由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标Di,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(3)建立独特的故障诊断模型，该步骤通过以下子步骤来实现：
(3.1)利用式(11)提取剩余的协整关系：
B⊥＝[I-B(BTB)-1BT] (11)
其中，B是从(2.2.3)中提取的公共协整向量矩阵，I表示单位矩阵。B⊥是B的正交空间，表示剩余的协整方向。
(3.2)将每个故障类中非平稳变量投影到剩余的独特子空间中，得到剩余的独特特征：
其中，表示Xns中的第i类故障样本矩阵。
(3.3)平稳性检验：
分别对(3.2)得到的每个故障类中所有非平稳变量间剩余的独特特征(以下简称为每个故障类的剩余独特特征)进行ADF检验，得到的平稳的剩余独特特征矩阵表示为Xs⊥,i，非平稳的剩余独特特征矩阵表示为Xns⊥,i。
(3.4)建立每个故障类独特的协整模型：
对(3.3)中的非平稳的剩余独特特征矩阵Xns⊥,i进行协整分析，得到独特的协整向量Bspecific,i以及如式(13)所示的独特的协整特征：
γspecific,i＝Xns⊥,iBspcific,i (13)
其中，Bspecific,i表示第i个故障类的独特的协整向量，向量个数由Johansen检验确定。
(3.5)获取独特的平稳特征矩阵：求取每个故障类平稳的剩余独特特征矩阵和独特的协整特征矩阵的并集，可以得到每个类独特的平稳特征矩阵：
Xspecific,i＝Xs⊥,i∪γspecific,i (14)
其中，Xspecific,i包含了所有(3.3)中的平稳的剩余独特特征和(3.4)中的独特的协整特征，统称为独特的平稳特征。
(3.6)为每个故障类分别建立基于PCA的独特故障诊断模型，该步骤包括以下子步骤：
(3.6.1)选取上述得到的每个故障类的独特的平稳特征的样本作为总样本；
(3.6.2)求取PCA的负载向量相当于求取总样本协方差矩阵的特征向量：
其中，SΣ,i表示总样本的协方差矩阵。这样得到的负载矩阵Pi就是PCA的最佳投影方向。
(3.6.3)计算每类故障样本的主成分和故障衡量统计指标DPCA,i,m 2：
其中，TPCA,i表示主成分矩阵，包含了大部分的样本波动信息，是TPCA,i的均值向量，ΣPCA,i是TPCA,i的协方差矩阵。
(3.6.4)建立每类故障特征衡量指标的控制限；由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标DPCA,i,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(4)在线故障诊断：当故障发生后，需要检测发生故障的变量，确定故障的类型，该步骤包括以下子步骤：
(4.1)按照步骤(1)获取新数据根据步骤(2.2)到(2.3)，可以得到新的公共平稳特征矩阵
(4.2)按照步骤(2.4)提取出关键故障特征，得到新数据的关键故障特征样本
(4.3)调用公共故障诊断模型：
其中，R*(Jkey×RFDA)是步骤(2.5.4)中计算得到的FDA的广义特征向量矩阵，是新数据的关键故障特征，是的判别成分，和Σi均由步骤(2.5.5)求得，为公共故障衡量指标；
(4.4)按步骤(3.2)将新的样本投影到剩余的独特子空间中，得到将代入到每个故障类的独特协整模型中，可以得到新数据的独特平稳特征样本
(4.5)调用独特故障诊断模型：
其中，Pi是步骤(3.6.2)中计算得到的PCA的负载矩阵，是新数据的独特平稳特征样本，是的主成分矩阵，和ΣPCA,i均由步骤(3.6.3)求得，为独特故障指标；
(4.6)对每类候选故障分别比较和其控制限 和其控制限若新来的样本在该类候选故障的故障诊断模型下均没有超限报警，则表明机组发生了该候选故障。
与现有技术相比，本发明的有益效果是：本方法从百万千瓦超超临界机组的非平稳故障特性着手，克服了传统多元统计分析方法无法用于非平稳故障过程的问题，并充分挖掘了不同的故障类间的公共信息和每个故障类的独特信息，使得方法可以应用于非平稳、高耦合、故障多样的复杂热力过程。该方法利用CA模型将非平稳故障过程转化为平稳故障过程，然后综合分析了故障间的公共协整关系和每个故障内独特的故障特性，建立了双重的故障诊断模型，能更准确地区分生产过程中故障类别，提高了在线故障诊断的性能，有助于电厂维修人员准确地定位和修复故障，确保了电厂生产的安全可靠运行并为大型燃煤机组的故障诊断方法的研究指明了新的方向。
附图说明
图1是本发明基于互信息的多变量排序算法流程图；
图2是本发明结合协整分析和双重故障模型的在线故障诊断方法的流程图；
图3是本发明调用故障#1的双重诊断模型针对故障#1的在线故障诊断结果图，(a)为公共故障诊断模型，(b)为独特故障诊断模型；
图4是本发明调用故障#2的双重诊断模型针对故障#1的在线故障诊断结果图，(a)为公共故障诊断模型，(b)为独特故障诊断模型；
图5是本发明调用故障#8的双重诊断模型针对故障#1的在线故障诊断结果图，(a)为公共故障诊断模型，(b)为独特故障诊断模型；
图6是分别调用故障#4的未进行非平稳处理的FDA故障诊断模型和双重诊断模型针对故障#4的在线故障诊断结果对比图，(a)为未进行非平稳处理的模型，；(b)为公共故障诊断模型；(c)为独特故障诊断模型；
图7是分别调用故障#5的未进行非平稳处理的FDA故障诊断模型和双重诊断模型针对故障#4的在线故障诊断结果对比图，(a)为未进行非平稳处理的模型，；(b)为公共故障诊断模型；(c)为独特故障诊断模型；
图8是分别调用故障#7的未进行非平稳处理的FDA故障诊断模型和双重诊断模型针对故障#4的在线故障诊断结果对比图，(a)为未进行非平稳处理的模型，；(b)为公共故障诊断模型；(c)为独特故障诊断模型。
具体实施方式
下面结合附图和具体实例，对本发明作进一步详细说明。
大型燃煤发电的生产过程，尤其是故障过程，是典型的非平稳过程，其中一部分变量具有明显的非平稳特性，如凝汽器循环水压力、高压加热器进汽压力、除氧器进口凝结水量等。本发明以浙能集团下属嘉华电厂7号机组为例，该机组的功率为10000MW，为百万千瓦超超临界机组，包括46个过程变量，这些变量涉及到压力、温度、流量、流速等。
如图2所示，本发明是一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法，包括以下步骤：
(1)获取过程分析数据：设一个百万千瓦超超临界机组热力系统具有J个过程变量，则每一次采样可以得到一个1×J的向量，采样N次后得到一个二维矩阵X(N×J)。本实例中，采样周期为1分钟，每个故障类型采集1000个样本，46个过程变量，所测变量为运行过程中的流量、温度、速率、给料量、阀门开度等；分别获取8组不同类型的故障数据二维矩阵，统一表示为Xi(1000×J)，其中下标i表示故障的类别；
(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：
(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。
(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：
(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：
Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C (1)
其中，xj代表第i个故障类中的平稳变量，∩表示求取不同矩阵的交集，Js表示综合C类故障后的公共平稳变量个数。
(2.2.2)获取所有非平稳变量：求取所有故障类中非平稳变量的并集，可以得到8种故障类型下的全部非平稳变量集合：
Xns(N×Jns)＝Xns,1∪Xns,2∪...∪Xns,C (2)
其中，xn,j表示第i个故障类中的非平稳变量，∪表示求取不同矩阵的并集，Jns表示综合C类故障后的所有非平稳变量个数。
(2.2.3)建立公共协整模型：对(3.2)中的所有非平稳变量矩阵Xns(N×Jns)进行协整分析，得到公共协整向量B以及如式(3)所示的公共协整特征：
γ＝XnsB (3)
其中，共得到13个残差序列，用Johansen检验残差的平稳性，得到11个平稳的残差序列，即得到11个公共协整向量，表示为B(Jns×RCA)。γ＝XnsB是从所有类的非平稳向量中提取的公共协整特征矩阵，表征了公共的故障特性。
(2.3)获取公共平稳特征矩阵：求取公共平稳变量矩阵和公共协整特征矩阵的并集，可以得到公共的平稳特征矩阵：
Xalls(N×Jalls)＝Xs∪γ (4)
其中，Xalls包含了所有(2.2.1)中的33个公共平稳变量和(2.2.3)中的11个公共平稳协整特征，共44个特征，统称为公共平稳特征。下面为方便表示，用Jalls来表示公共平稳特征的个数。
(2.4)提取关键故障特征，该步骤由以下子步骤来实现：
(2.4.1)假设所有的故障样本服从多元广义高斯分布。定义一个虚拟的故障变量C，可能的取值的个数与故障数据二维矩阵的组数相同，即为8，在这里用C表示。，服从如下的概率分布根据互信息准则，xalls和故障变量C间的互信息可以按下式表示
其中，xalls是公共平稳特征矩阵中的一个随机向量，x表示其中的一个样本，样本服从散布矩阵为∑，形状参数为β的多元广义高斯分布。xalls在C＝c条件下的概率密度服从参数为∑c和βc。
(2.4.2)将所有特征按互信息大小递减排序后，需要找出那些在所有故障类中分类性能最好的一组关键特征，表示为Xkey。该关键特征Xkey＝[Xkey,1,Xkey,2,...,Xkey,i,...,Xkey,C]，Xkey,i中具有Ni个样本。
(2.5)建立基于FDA的公共故障诊断模型，该步骤包括以下子步骤：
(2.5.1)选取上述得到的所有故障类的关键特征中的样本作为总样本其中，由Xkey,i(i＝1,2,...,k)组成，Jkey代表关键故障特征的个数；
(2.5.2)数据准备：分别计算总样本均值向量每类故障样本均值向量总类内散布矩阵Sw和类间的散布矩阵Sb，计算公式如下：
其中，Si是每个故障类的散布矩阵；
(2.5.3)最大化费舍尔准则：求取使费舍尔准则函数最大的权重向量w，即求使类间离散度和类内离散度的比值最大的权重向量w：
其中，权重向量w就是费舍尔最优判别方向。
(2.5.4)求使费舍尔判据最大的权重向量相当于一个求取广义特征向量的特征值问题：
Sbw＝λSww (8)
其中，特征值λ代表故障类之间的总体可分程度。当Sw为非奇异阵时，上式可以转化成一个常规的特征值问题：
Sw -1Sbw＝λw (9)
求解上式可以得到RFDA个非零的广义特征值以及广义特征向量矩阵R*(Jkey×RFDA)，RFDA＝C-1。
(2.5.5)计算每类故障样本的类内判别成分和故障衡量统计指标Di,m 2：
Ti＝Xkey,iR*
其中，Ti表示判别成分矩阵，是Ti的均值向量，Σi是Ti的协方差矩阵。
(2.5.6)建立每类故障特征衡量指标的控制限；由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标Di,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(3)建立独特的故障诊断模型，该步骤通过以下子步骤来实现：
(3.1)利用式(11)提取剩余的协整关系：
B⊥＝[I-B(BTB)-1BT] (11)
其中，B是从(2.2.3)中提取的公共协整向量矩阵，I表示单位矩阵。B⊥是B的正交空间，表示剩余的协整方向。
(3.2)将每个故障类中非平稳变量投影到剩余的独特子空间中，得到剩余的独特特征：
其中，表示Xns中的第i类故障样本矩阵。
(3.3)平稳性检验：
分别对(3.2)得到的每个故障类中所有非平稳变量间剩余的独特特征(以下简称为每个故障类的剩余独特特征)进行ADF检验，得到的平稳的剩余独特特征矩阵表示为Xs⊥,i，非平稳的剩余独特特征矩阵表示为Xns⊥,i。
(3.4)建立每个故障类独特的协整模型：
对(3.3)中的非平稳的剩余独特特征矩阵Xns⊥,i进行协整分析，得到独特的协整向量Bspecific,i以及如式(13)所示的独特的协整特征：
γspecific,i＝Xns⊥,iBspcific,i (13)
其中，Bspecific,i表示第i个故障类的独特的协整向量，向量个数由Johansen检验确定。
(3.5)获取独特的平稳特征矩阵：求取每个故障类平稳的剩余独特特征矩阵和独特的协整特征矩阵的并集，可以得到每个类独特的平稳特征矩阵：
Xspecific,i＝Xs⊥,i∪γspecific,i (14)
其中，Xspecific,i包含了所有(3.3)中的平稳的剩余独特特征和(3.4)中的独特的协整特征，统称为独特的平稳特征。
(3.6)为每个故障类分别建立基于PCA的独特故障诊断模型，该步骤包括以下子步骤：
(3.6.1)选取上述得到的每个故障类的独特的平稳特征的样本作为总样本；
(3.6.2)求取PCA的负载向量相当于求取总样本协方差矩阵的特征向量：
其中，SΣ,i表示总样本的协方差矩阵。这样得到的负载矩阵Pi就是PCA的最佳投影方向。
(3.6.3)计算每类故障样本的主成分和故障衡量统计指标DPCA,i,m 2：
TPCA,i＝Xspecific,iPi
其中，TPCA,i表示主成分矩阵，包含了大部分的样本波动信息，是TPCA,i的均值向量，ΣPCA,i是TPCA,i的协方差矩阵。
(3.6.4)建立每类故障特征衡量指标的控制限；由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标DPCA,i,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(4)在线故障诊断：当故障发生后，需要检测发生故障的变量，确定故障的类型，该步骤包括以下子步骤：
(4.1)按照步骤(1)获取新数据根据步骤(2.2)到(2.3)，可以得到新的公共平稳特征矩阵
(4.2)按照步骤(2.4)提取出关键故障特征，得到新数据的关键故障特征样本
(4.3)调用公共故障诊断模型：
其中，R*(Jkey×RFDA)是步骤(2.5.4)中计算得到的FDA的广义特征向量矩阵，是新数据的关键故障特征，是的判别成分，和Σi均由步骤(2.5.5)求得，为公共故障衡量指标；
(4.4)按步骤(3.2)将新的样本投影到剩余的独特子空间中，得到将代入到每个故障类的独特协整模型中，可以得到新数据的独特平稳特征样本
(4.5)调用独特故障诊断模型：
其中，Pi是步骤(3.6.2)中计算得到的PCA的负载矩阵，是新数据的独特平稳特征样本，是的主成分矩阵，和ΣPCA,i均由步骤(3.6.3)求得，为独特故障指标；
(4.6)对每类候选故障分别比较和其控制限 和其控制限若新来的样本在该类候选故障的故障诊断模型下均没有超限报警，则表明机组发生了该候选故障。
本发明通过分析百万千瓦超超临界机组故障过程的非平稳特性和故障间的关系，根据历史故障数据建立双重故障诊断模型，工程师可以实时获得新过程采样数据的在线故障诊断结果，判断故障类别从而进行相应的故障修复措施，消除故障影响。当基于历史故障数据建立的双重诊断模型都能很好地容纳新故障样本所求得的指标，即调用该类故障的新样本指标既在公共故障诊断模型建立的控制限内，也在独特故障诊断模型建立的控制限内，则说明新样本属于该类故障，那么当前新样本所属故障就被正确诊断出来。由于一个故障样本可能被多个候选故障类型的故障诊断模型所解释，我们在此计算两个指标来判断本发明的故障诊断性能，分别是正确分类率(CCR)和错误分类率(FCR)。
故障i的正确分类率越大，说明故障i的故障诊断模型能更好地解释这类故障样本，即该类故障样本属于故障i的可能性越大。计算错误分类率则可以直观地判断有这类故障样本中有多少样本不能被正确地识别。针对本发明的双重模型，某个样本只有同时在候选故障的公共模型和独特模型的控制限内，才被计入没有超限的样本数。表1总结了本发明所提出的方法与未进行非平稳处理，直接使用基于变量选择的FDA方法针对8种故障类型的故障诊断性能指标的比较结果。
表1三种方法故障诊断性能对比(衡量指标：正确分类率和错误分类率)
从表1中可以看出，基于本发明方法的故障诊断方法提高了实际在线故障诊断的可靠性和可信度，对于8种故障的诊断均有较高的正确率，其性能优于传统方法。此外，图3至图5展示了本发明所提出的方法对于故障1的在线诊断结果，虚线表示每类故障基于指标的控制限，点线表示指标。可以看出，故障1的样本只有在调用故障#1的诊断模型时，同时处于公共故障诊断模型和独特故障诊断模型控制限以下，说明本发明能正确地诊断出故障1，说明了本发明方法的有效性。图6至图8对比了本发明方法和未进行非平稳处理直接使用FDA方法的性能。从图6(a)、7(a)、8(a)可以看出，属于故障#4的样本可能同时在其他故障的控制限以下，导致较大的故障误判率。与之对比的图6(b)(c)、图7(b)(c)、图8(b)(c)可以看出，属于故障#4的样本只在调用故障#4建立的双重诊断模型的控制限以下，即该发明能正确诊断出故障#4，说明了本发明方法的有效性。总体说来，本发明方法在针对百万千瓦超超临界机组这一典型非平稳多故障过程的在线故障诊断具有优越性，可以帮助现场工程师准确有效地诊断并及时修复故障，保证了实际生产过程的安全性和可靠性。
Claims (5)
1.一种面向百万千瓦超超临界机组非平稳故障特性的在线故障诊断方法，其特征在于，该方法包括以下步骤：
(1)获取过程分析数据：设一个热力系统生产过程具有J个测量变量和操作变量，则每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率；所述操作变量包括进风量、给料量、阀门开度；分别获取C组故障数据二维矩阵，统一表示为Xi(N×J)，其中下标i表示故障的类别；
(2)建立公共的故障诊断模型，该步骤通过以下子步骤来实现：
(2.1)平稳性检验：分别对每个故障类的所有变量进行ADF检验，得到的平稳变量矩阵表示为Xs,i(N×Js,i)，非平稳变量矩阵表示为Xns,i(N×Jns,i)，其中，下标s表示平稳变量，ns表示非平稳变量,i表示故障的类别，括号里的Js,i表示平稳变量的个数，Jns,i表示非平稳变量个数。
(2.2)建立公共的协整模型，该步骤由以下子步骤来实现：
(2.2.1)获取公共平稳变量矩阵：通过(2.1)区分了每个故障类中的平稳和非平稳变量，求取所有故障类中平稳变量的交集，可以得到对于每个故障类都平稳的变量，组成公共平稳变量矩阵：
Xs(N×Js)＝Xs,1∩Xs,2∩...∩Xs,C (1)
其中，j∈(1,2,...,Js,i)，xj代表第i个故障类中的平稳变量，∩表示求取不同矩阵的交集，Js表示综合C类故障后的公共平稳变量个数。
(2.2.2)获取所有非平稳变量：求取所有故障类中非平稳变量的并集，可以得到C种故障类型下的全部非平稳变量集合：
Xns(N×Jns)＝Xns,1∪Xns,2∪...∪Xns,C (2)
其中，j∈(1,2,...,Jns,i)，xn,j表示第i个故障类中的非平稳变量，∪表示求取不同矩阵的并集，Jns表示综合C类故障后的所有非平稳变量个数。
(2.2.3)建立公共协整模型：对(3.2)中的所有非平稳变量矩阵Xns(N×Jns)进行协整分析，得到公共协整向量B以及如式(3)所示的公共协整特征：
γ＝XnsB (3)
其中，B是Jns×RCA的矩阵，向量个数RCA由Johansen检验确定。γ＝XnsB是从所有类的非平稳向量中提取的公共平稳残差序列，表征了公共的故障特性。
(2.3)获取公共平稳特征矩阵：求取公共平稳变量矩阵和公共协整特征矩阵的并集，可以得到公共的平稳特征矩阵：
Xalls(N×Jalls)＝Xs∪γ (4)
其中，Xalls包含了所有(2.2.1)中的公共平稳变量和(2.2.3)中的公共平稳协整特征，统称为公共平稳特征，Jalls表示公共平稳特征的个数。
(2.4)提取关键故障特征，该步骤由以下子步骤来实现：
(2.4.1)假设所有的故障样本服从多元广义高斯分布。定义一个虚拟的故障变量C，可能的取值的个数与故障数据二维矩阵的组数相同，即为C。服从如下的概率分布P(C＝c)＝P(c)。根据互信息准则，xalls和故障变量C间的互信息可以按下式表示：
其中，xalls是公共平稳特征矩阵中的一个随机向量，x表示其中的一个样本，样本服从散布矩阵为∑，形状参数为β的多元广义高斯分布。xalls在C＝c条件下的概率密度服从参数为∑c和βc。
(2.4.2)将所有特征按互信息大小递减排序后，需要找出在所有故障类中分类性能最好的一组关键特征，表示为Xkey。该关键特征Xkey＝[Xkey,1,Xkey,2,...,Xkey,i,...,Xkey,C]，Xkey,i中具有Ni个样本。
(2.5)建立基于FDA的公共故障诊断模型，该步骤包括以下子步骤：
(2.5.1)选取上述得到的所有故障类的关键特征中的样本作为总样本其中，由Xkey,i(i＝1,2,...,C)组成，Jkey代表关键故障特征的个数；
(2.5.2)数据准备：分别计算总样本均值向量每类故障样本均值向量总类内散布矩阵Sw和类间的散布矩阵Sb，计算公式如下：
其中，Si是每个故障类的散布矩阵；
(2.5.3)最大化费舍尔准则：求取使费舍尔准则函数最大的权重向量w，即求使类间离散度和类内离散度的比值最大的权重向量w：
其中，权重向量w就是费舍尔最优判别方向。
(2.5.4)求使费舍尔判据最大的权重向量相当于一个求取广义特征向量的特征值问题：
Sbw＝λSww (8)
其中，特征值λ代表故障类之间的总体可分程度。当Sw为非奇异阵时，上式可以转化成一个常规的特征值问题：
Sw -1Sbw＝λw (9)
求解上式可以得到RFDA个非零的广义特征值以及广义特征向量矩阵R*(Jkey×RFDA)，RFDA＝C-1。
(2.5.5)计算每类故障样本的类内判别成分和故障衡量统计指标Di,m 2：
Ti＝Xkey,iR*
其中，Ti表示判别成分矩阵，是Ti的均值向量，Σi是Ti的协方差矩阵。
(2.5.6)建立每类故障特征衡量指标的控制限；变量衡量指标Di,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(3)建立独特的故障诊断模型，该步骤通过以下子步骤来实现：
(3.1)利用式(11)提取剩余的协整关系：
B⊥＝[I-B(BTB)-1BT] (11)
其中，B是从(2.2.3)中提取的公共协整向量矩阵，I表示单位矩阵。B⊥是B的正交空间，表示剩余的协整方向。
(3.2)将每个故障类中非平稳变量投影到剩余的独特子空间中，得到剩余的独特特征：
其中，表示Xns中的第i类样本矩阵。
(3.3)平稳性检验：
分别对(3.2)得到的每个故障类中所有非平稳变量间剩余的独特特征(以下简称为每个故障类的剩余独特特征)进行ADF检验，得到的平稳的剩余独特特征矩阵表示为Xs⊥,i，非平稳的剩余独特特征矩阵表示为Xns⊥,i。
(3.4)建立每个故障类独特的协整模型：
对(3.3)中的非平稳的剩余独特特征矩阵Xns⊥,i进行协整分析，得到独特的协整向量Bspecific,i以及如式(13)所示的独特的协整特征：
γspecific,i＝Xns⊥,iBspcific,i (13)
其中，Bspecific,i表示第i个故障类的独特的协整向量，向量个数由Johansen检验确定。
(3.5)获取独特的平稳特征矩阵：求取每个故障类平稳的剩余独特特征矩阵和独特的协整特征矩阵的并集，可以得到每个类独特的平稳特征矩阵：
Xspecific,i＝Xs⊥,i∪γspecific,i (14)
其中，Xspecific,i包含了所有(3.3)中的平稳的剩余独特特征和(3.4)中的独特的协整特征，统称为独特的平稳特征。
(3.6)为每个故障类分别建立基于PCA的独特故障诊断模型，该步骤包括以下子步骤：
(3.6.1)选取上述得到的每个故障类的独特的平稳特征的样本作为总样本；
(3.6.2)求取PCA的负载向量相当于求取总样本协方差矩阵的特征向量：
其中，SΣ,i表示总样本的协方差矩阵。这样得到的负载矩阵Pi就是PCA的最佳投影方向。
(3.6.3)计算每类故障样本的主成分和故障衡量统计指标DPCA,i,m 2：
TPCA,i＝Xspecific,iPi
其中，TPCA,i表示主成分矩阵，包含了大部分的样本波动信息，是TPCA,i的均值向量，ΣPCA,i是TPCA,i的协方差矩阵。
(3.6.4)建立每类故障特征衡量指标的控制限；由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标DPCA,i,m 2服从加权χ2分布，则可依据带权重的χ2分布建立统计量的控制限
(4)在线故障诊断：当故障发生后，需要检测发生故障的变量，确定故障的类型，该步骤包括以下子步骤：
(4.1)按照步骤(1)获取新数据根据步骤(2.2)到(2.3)，可以得到新的公共平稳特征矩阵
(4.2)按照步骤(2.4)提取出关键故障特征，得到新数据的关键故障特征样本
(4.3)调用公共故障诊断模型：
其中，R*(Jkey×RFDA)是步骤(2.5.4)中计算得到的FDA的广义特征向量矩阵，是新数据的关键故障特征，是的判别成分，和Σi均由步骤(2.5.5)求得；
(4.4)按步骤(3.2)将新的样本投影到剩余的独特子空间中，得到将代入到每个故障类的独特协整模型中，可以得到新数据的独特平稳特征样本
(4.5)调用独特故障诊断模型：
其中，Pi是步骤(3.6.2)中计算得到的PCA的负载矩阵，是新数据的独特平稳特征样本，是的主成分矩阵，和ΣPCA,i均由步骤(3.6.3)求得，为独特故障指标；
(4.6)对每类候选故障分别比较和其控制限 和其控制限若新来的样本在该类候选故障的故障诊断模型下均没有超限报警，则表明机组发生了该候选故障。
2.根据权利要求1所述的方法，其特征在于，所述步骤(2.1)区分了每个故障类中的平稳和非平稳变量。
3.根据权利要求1所述的方法，其特征在于，由于假设过程数据服从多元广义高斯分布，且样本数量足够大，故认为变量衡量指标Di,m 2服从加权χ2分布。
4.根据权利要求1所述的方法，其特征在于，步骤4.3中，为公共故障衡量指标。
5.根据权利要求1所述的方法，其特征在于，2.2.1中，∩表示求取不同矩阵的交集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810141410.6A CN108492000B (zh) | 2018-02-11 | 2018-02-11 | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810141410.6A CN108492000B (zh) | 2018-02-11 | 2018-02-11 | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108492000A true CN108492000A (zh) | 2018-09-04 |
| CN108492000B CN108492000B (zh) | 2021-07-02 |
Family
ID=63340103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810141410.6A Active CN108492000B (zh) | 2018-02-11 | 2018-02-11 | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492000B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873853A (zh) * | 2018-09-11 | 2018-11-23 | 浙江大学 | 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法 |
| CN109189020A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法 |
| CN109356798A (zh) * | 2018-11-08 | 2019-02-19 | 内蒙古科技大学 | 一种基于协整分析的风力发电机齿轮箱状态监测方法 |
| CN109919447A (zh) * | 2019-02-01 | 2019-06-21 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
| CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
| CN111780149A (zh) * | 2020-06-01 | 2020-10-16 | 大唐东北电力试验研究院有限公司 | 火力发电厂制粉系统设备状态远程诊断方法 |
| CN112101733A (zh) * | 2020-08-18 | 2020-12-18 | 浙江大学 | 高端发电装备磨煤机的多指示变量解耦的智能监测方法 |
| CN113050606A (zh) * | 2021-03-29 | 2021-06-29 | 中国人民解放军火箭军工程大学 | 一种复杂非平稳过程的质量相关故障检测方法 |
| CN113298133A (zh) * | 2021-05-18 | 2021-08-24 | 沈阳航空航天大学 | 超临界机组锅炉爆管故障诊断方法 |
| CN113435106A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
| CN114942402A (zh) * | 2022-07-20 | 2022-08-26 | 武汉格蓝若智能技术有限公司 | 一种异常电能表定位方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
| US20110218737A1 (en) * | 2010-03-05 | 2011-09-08 | Vialogy Llc | Active Noise Injection Computations for Improved Predictability in Oil and Gas Reservoir Discovery and Characterization |
| US20130090068A1 (en) * | 2011-10-07 | 2013-04-11 | Denso Corporation | Wireless communication device |
| CN104699077A (zh) * | 2015-02-12 | 2015-06-10 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
| CN105911977A (zh) * | 2016-04-22 | 2016-08-31 | 浙江大学 | 嵌套迭代费舍尔判别分析与相对变化结合的故障诊断方法 |
| CN106680012A (zh) * | 2017-01-25 | 2017-05-17 | 浙江大学 | 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法 |
| CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Ｓtacked ＳＡＥ深度神经网络的轴承故障诊断方法 |
| CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
| CN107633249A (zh) * | 2012-01-12 | 2018-01-26 | 柯法克斯公司 | 用于移动图像捕获和处理的系统和方法 |
-
2018
- 2018-02-11 CN CN201810141410.6A patent/CN108492000B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
| US20110218737A1 (en) * | 2010-03-05 | 2011-09-08 | Vialogy Llc | Active Noise Injection Computations for Improved Predictability in Oil and Gas Reservoir Discovery and Characterization |
| US20130090068A1 (en) * | 2011-10-07 | 2013-04-11 | Denso Corporation | Wireless communication device |
| CN107633249A (zh) * | 2012-01-12 | 2018-01-26 | 柯法克斯公司 | 用于移动图像捕获和处理的系统和方法 |
| CN104699077A (zh) * | 2015-02-12 | 2015-06-10 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
| CN105911977A (zh) * | 2016-04-22 | 2016-08-31 | 浙江大学 | 嵌套迭代费舍尔判别分析与相对变化结合的故障诊断方法 |
| CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Ｓtacked ＳＡＥ深度神经网络的轴承故障诊断方法 |
| CN106680012A (zh) * | 2017-01-25 | 2017-05-17 | 浙江大学 | 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法 |
| CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| HE SUN ET AL.: "A Sparse Reconstruction Strategy for Online Fault Diagnosis in Nonstationary Processes with No a Priori Fault Information", 《INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH》 * |
| Q. PETER HE ET AL.: "A New Fault Diagnosis Method Using Fault Directions in Fisher Discriminant Analysis", 《AMERICAN INSTITUTE OF CHEMICAL ENGINEERS》 * |
| YUE WANG ET AL.: "Probabilistic fault diagnosis method based on the combination of nest-loop fisher discriminant analysis and analysis of relative changes", 《CONTROL ENGINEERING PRACTICE》 * |
| 石海忱 等: "协整系数矩阵的非平稳工程系统故障诊断应用研究", 《振动与冲击》 * |
| 陈昭 等: "时序非平稳性ADF检验法的理论与应用", 《广州大学学报(自然科学版)》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109189020A (zh) * | 2018-09-11 | 2019-01-11 | 浙江大学 | 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法 |
| CN108873853A (zh) * | 2018-09-11 | 2018-11-23 | 浙江大学 | 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法 |
| CN109356798A (zh) * | 2018-11-08 | 2019-02-19 | 内蒙古科技大学 | 一种基于协整分析的风力发电机齿轮箱状态监测方法 |
| CN109919447B (zh) * | 2019-02-01 | 2021-05-04 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
| CN109919447A (zh) * | 2019-02-01 | 2019-06-21 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
| CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
| CN110262450B (zh) * | 2019-06-17 | 2020-06-05 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
| CN111780149A (zh) * | 2020-06-01 | 2020-10-16 | 大唐东北电力试验研究院有限公司 | 火力发电厂制粉系统设备状态远程诊断方法 |
| CN112101733A (zh) * | 2020-08-18 | 2020-12-18 | 浙江大学 | 高端发电装备磨煤机的多指示变量解耦的智能监测方法 |
| CN112101733B (zh) * | 2020-08-18 | 2023-11-10 | 浙江大学 | 高端发电装备磨煤机的多指示变量解耦的智能监测方法 |
| CN113050606A (zh) * | 2021-03-29 | 2021-06-29 | 中国人民解放军火箭军工程大学 | 一种复杂非平稳过程的质量相关故障检测方法 |
| CN113298133A (zh) * | 2021-05-18 | 2021-08-24 | 沈阳航空航天大学 | 超临界机组锅炉爆管故障诊断方法 |
| CN113298133B (zh) * | 2021-05-18 | 2023-09-26 | 沈阳航空航天大学 | 超临界机组锅炉爆管故障诊断方法 |
| CN113435106A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
| CN113435106B (zh) * | 2021-06-01 | 2023-12-05 | 华中科技大学 | 一种过渡模态操作故障检测方法和系统 |
| CN114942402A (zh) * | 2022-07-20 | 2022-08-26 | 武汉格蓝若智能技术有限公司 | 一种异常电能表定位方法及系统 |
| CN114942402B (zh) * | 2022-07-20 | 2022-11-29 | 武汉格蓝若智能技术有限公司 | 一种异常电能表定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108492000B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492000B (zh) | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 | |
| CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
| CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 | |
| 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 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
| CN108615111B (zh) | 面向百万千瓦超超临界机组动静态信息的故障诊断方法 | |
| WO2023273249A1 (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
| CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
| CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
| CN109188905B (zh) | 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法 | |
| CN109471420A (zh) | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 | |
| Indrawan et al. | Data analytics for leak detection in a subcritical boiler | |
| CN114326486A (zh) | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 | |
| JIANG et al. | Statistical monitoring of chemical processes based on sensitive kernel principal components | |
| CN118013361A (zh) | 铁路上供电设备智能诊断与评估系统 | |
| CN109213120A (zh) | 基于高维特征表示下多级主元空间的故障诊断方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| Jiang et al. | Improved fault detection in nonlinear chemical processes using WKPCA-SVDD | |
| CN114879612A (zh) | 一种基于Local-DBKSSA的高炉炼铁过程监测方法 | |
| Jiang et al. | Research recognition of aircraft engine abnormal state | |
| CN108508866B (zh) | 基于稀疏相对判别分析的百万千瓦机组故障变量识别方法 | |
| CN113688895A (zh) | 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及系统 | |
| CN112051839A (zh) | 一种基于树结构稀疏的过程监测和故障诊断方法 | |
| Gallup et al. | Enhancing Fault Detection with Clustering and Covariance Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |