CN109270917B - 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 - Google Patents

Abstract

本发明公开了一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法。首先，用典型变量分析(CVA)来提取变量中时序相关的部分，然后对时序相关的部分进行慢特征分析(SFA)，分别提取稳态特征和时变特征。所提取的时变特征和稳态特征能充分反映汽轮机轴承的闭环控制系统中变量的时序相关性及变化速度。最后，将提取出来的特征输入连续隐马尔可夫模型(CHMM)中预测故障退化状态。该方法同时考虑了故障发生时，闭环控制系统动态调节过程中变量的时序相关性和变化速度，能够更加准确地预测智能电厂汽轮机轴承的闭环控制系统故障的退化状态。

Description

一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态 预测方法

技术领域

本发明属于闭环控制系统故障退化状态预测领域，特别是针对一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法。

背景技术

电力行业是我国国民经济中的支柱型产业，随着我国经济的飞速发展，社会对电力的需求不断提高。在我国的电源结构中，火力发电是主力电源。近年来，为了电力的可持续发展，火力发电行业积极展开结构调整，“上大压小”，以大容量、高参数、低能耗的大型火力发电机组取代高能耗小火电机组。随着信息化和工业化的深度融合，应对互联网、大数据、云计算等信息领域新技术发展，推进火电行业，特别是大型火力发电机组的智能转型升级，是加快构建高效、清洁、低碳、可持续的电力工业体系的必然选择。随着智能电网建设的启动，传统的发电厂已不能适应智能电网的发展需要。智能电厂是在信息化与工业化深度融合的背景下提出的，旨在应对互联网、大数据、云计算等信息领域新技术发展，提升电力行业的智能化水平。大型火力发电过程中包含大量闭环控制系统，闭环控制系统性能的好坏对火电机组是否能安全运行有着至关重要的作用。因此，对大型火力发电机组闭环控制系统性能的评估是电厂智能化中不可或缺的一步。

前人对闭环控制系统性能的评估做出了相应的研究。目前，最常用的方法就是比较闭环控制系统的实时性能和基准性能，从而实时判断闭环控制回路的健康状况。但是这种方法只能判断闭环控制回路的性能是否退化，很难确定其退化状态。此外，在闭环控制系统中，由于反馈的存在，当变量偏离设定值时，控制器会发挥调节作用，减少变量的偏差。此时，变量的值与其过去一段时间的测量值以及控制器的调节作用有关。由此可见，闭环控制系统的动态过程主要体现在两方面：变量的时序相关性和变化速度。前人在对闭环控制系统进行分析时，很少综合考虑这两方面，因此，无法区分在闭环控制系统作用下，过程变量的时序相关性未变，变化速度改变等情况。

发明内容

本发明的目的在于提供一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法。

本发明的目的是通过以下技术方案实现的：一种智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法，包括以下步骤：

(1)获取整个故障退化过程的数据：设汽轮机轴承的闭环控制系统中包含 J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)；

(2)使用CVA提取时序相关的特征Z。CVA具体包括以下子步骤：

(2.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量x_p(t)和未来向量x_f(t)：

x_p(t)＝[x_t-1 ^T,x_t-2 ^T,…,x_t-h ^T]^T∈R^Jh (1)

x_f(t)＝[x_t ^T,x_t+1 ^T,…,x_t+l-1 ^T]^T∈R^Jl (2)

其中，h、l代表滞后数，x_t表示t时刻所采集的过程变量向量。

(2.2)对过去向量x_p(t)和未来向量x_f(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵X_p和未来矩阵X_f：

X_p＝[x_p(t) ^T,x_p(t+1) ^T,…,x_p(t+M) ^T]∈R^Jh×N (3)

X_f＝[x_f(t) ^T,x_f(t+1) ^T,…,x_f(t+M) ^T]∈R^Jl×N (4)

其中，N＝M-h-l+1。

(2.3)CVA的目标是找到过程变量的线性组合，以最大化过去矩阵X_p和未来矩阵X_f之间的相关性。此优化问题可以通过下面的奇异值分解得到解决：

其中，Σ_pp，Σ_ff和Σ_pf分别是矩阵X_p和X_f的协方差矩阵和互协方差矩阵。对角阵Λ＝diag(γ₁,γ₂,…,γ_r,0,…,0)，γ₁≥…≥γ_r，γ_i表示典型相关值。

(2.4)求出状态空间和残差空间的投影矩阵：

其中矩阵U_k由矩阵U的前k列组成，I为单位阵。

(2.5)将过去矩阵X_p投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：

Z＝JX_p∈R^k×N (8)

E＝LX_p∈R^Jh×N (9)

分别代表时序相关的特征和时序不相关的特征。

(3)使用SFA对时序相关的特征Z^T进行分析，分别提取稳态特征S和时变特征

SFA的具体步骤如下：

(3.1)对输入Z^T的协方差矩阵进行奇异值分解：

<Z^TZ>t＝OΓO^T (10)

其中< >_t表示在时间上求均值。

(3.2)对输入Z^T进行白化处理，从而使Z^T中的变量不相关，同时为单位方差。白化后的数据为：

其中白化矩阵

(3.3)对A的一阶差分

的协方差矩阵进行奇异值分解：

(3.4)求出投影矩阵W和慢特征S:

慢特征S代表稳态特征，其一阶差分

代表时变特征。

(4)根据闭环控制系统的故障退化状态所经历的时间，对稳态特征S和时变特征

进行划分，获得各个故障状态下的稳态特征和时变特征。

(5)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库。

(6)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的CHMM模型所对应的故障退化状态即为当前闭环控制系统所处的故障退化状态。

本发明的有益效果在于：本发明提出了一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法。使用CVA和SFA相结合的方法来提取特征，所提取的特征可以充分展现故障发生时闭环控制系统动态调节过程中变量的时序相关性和变化速度，全面反映了在闭环控制系统调节下整个故障退化过程的特性。使用CHMM模型来预测智能电厂汽轮机轴承的闭环控制系统故障退化状态可以实现对火电机组的及时调整，从而避免恶性故障的发生。

附图说明

图1(a)是本发明一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法离线训练的流程图，图1(b)是本发明一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法在线预测的流程图；

图2(a)是提取的部分稳态特征S的效果图，图2(b)是提取的部分时变特征

的效果图。

图3是本方法的故障退化状态预测结果。

具体实施方式

下面结合附图及具体实例，对本发明作进一步详细说明。

火力发电作为国民经济中最重要的基础产业之一，是衡量一个国家的经济水平和综合国力的重要指标。大型火力发电机组中存在大量闭环控制系统，其中汽轮机轴承的闭环控制系统对大型火力发电机组的健康运行有着至关重要的作用。因此在推动智能电厂发展过程中，对汽轮机轴承的闭环控制系统故障退化状态预测方法的研究具有重要意义。本发明以嘉华火力发电厂5号机组为例，该机组的功率为10000MW。其汽轮机轴承的闭环控制系统中包含了51个过程变量。

如图1所示，本发明是一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法，包括以下步骤：

步骤1：获取整个故障退化过程的数据：设汽轮机轴承的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)。本实例中，对整个故障退化过程数据采集1584 个样本，51个过程变量。所以训练数据样本为X(1584×51)。

步骤2：使用CVA提取时序相关的特征Z。CVA具体包括以下子步骤：

(2.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量x_p(t)和未来向量x_f(t)：

x_p(t)＝[x_t-1 ^T,x_t-2 ^T,…,x_t-h ^T]^T∈R^Jh (1)

x_f(t)＝[x_t ^T,x_t+1 ^T,…,x_t+l-1 ^T]^T∈R^Jl (2)

其中，h、l代表滞后数，x_t表示t时刻所采集的过程变量向量。可以通过检查过程变量平方和的自相关性来确定滞后数h和l，当时间距离大于确定的滞后数时可以忽略过程变量的自相关性。本实例采用此方法确定h＝l＝6，得到过去向量x_p(t)(306×1)，未来向量x_f(t)(306×1)。

(2.2)对过去向量x_p(t)和未来向量x_f(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵X_p和未来矩阵X_f：

X_p＝[x_p(t) ^T,x_p(t+1) ^T,…,x_p(t+M) ^T]∈R^Jh×N (3)

X_f＝[x_f(t) ^T,x_f(t+1) ^T,…,x_f(t+M) ^T]∈R^Jl×N (4)

其中，N＝M-h-l+1＝1573，X_p(306×1573)，X_f(306×1573)。

(2.3)CVA的目标是找到过程变量的线性组合，以最大化过去矩阵X_p和未来矩阵X_f之间的相关性。此优化问题可以通过下面的奇异值分解得到解决：

其中，Σ_pp，Σ_ff和Σ_pf分别是矩阵X_p和X_f的协方差矩阵和互协方差矩阵。对角阵Λ＝diag(γ₁,γ₂,…,γ_r,0,…,0)，γ₁≥…≥γ_r，γ_i表示典型相关值。

(2.4)求出状态空间和残差空间的投影矩阵：

其中矩阵U_k由矩阵U的前k列组成，I为单位阵。典型变量个数k由累计相关性比例

决定。在本实例中，取β＝70％，此时k＝139。

(2.5)将过去矩阵X_p投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：

Z＝JX_p∈R^k×N (8)

E＝LX_p∈R^Jh×N (9)

Z(139×1573)和E(306×1573)别代表时序相关的部分和时序不相关的部分。

步骤3：使用SFA对时序相关的部分Z^T进行分析，分别提取稳态特征S和时变特征

SFA的具体步骤如下：

(3.1)对输入ZT的协方差矩阵进行奇异值分解：

<Z^TZ>_t＝OΓO^T (10)

其中< >_t表示在时间上求均值。

(3.2)对输入Z^T进行白化处理，从而使Z^T中的变量不相关，同时为单位方差。白化后的数据为：

其中白化矩阵

(3.3)对A的一阶差分

的协方差矩阵进行奇异值分解：

(3.4)求出投影矩阵W和慢特征S:

慢特征S代表稳态特征，其一阶差分

代表时变特征。在本实例中保留全部稳态特征S，时变特征

根据其有效性保留前30个。所提取的部分特征如图2 所示。

步骤4：根据闭环控制系统的故障退化状态所经历的时间，对稳态特征S和时变特征

进行划分，获得各个故障状态下的稳态特征和时变特征。在本实例中，智能电厂汽轮机轴承的闭环控制系统一共经历了3个故障退化状态，因此按其各个故障退化状态所经历的时间将稳态特征S和时变特征

划分成3部分。

步骤5：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库。在本实例中，需要训练3个CHMM模型，分别代表故障退化状态1(CHMM1)、故障退化状态2(CHMM2)和故障退化状态3(CHMM3)。

步骤5：对于实时采集的数据，采用步骤2和步骤3所述的方式提取特征，然后将提取的特征分别输入到故障退化状态库中的3个CHMM模型中，比较它们输出的概率，输出概率最大的CHMM模型所对应的故障退化状态即为当前闭环控制系统所处的故障退化状态。图3展示了在线预测的结果。

表1预测结果与真实结果对比

	故障退化状态1	故障退化状态2	故障退化状态3
				真实结果	1～150	150～590	590～1550
预测结果	1～153	153～574	574～1550

由上表可以看出，本发明具有很高的预测精度。首先，在提取特征时，通过CVA提取出过程变量中时序相关的部分，然后使用SFA对时序相关的部分进行分析来提取稳态特征和时变特征。该特征提取的方法可以充分展现故障发生时闭环控制系统动态调节过程中变量的时序相关性和变化速度，全面反映了在闭环控制系统调节下整个故障退化过程的特性。其次，准确预测汽轮机轴承的闭环控制系统故障退化状态可以实现对火电机组的及时调整，从而避免恶性故障的发生。除了个别突变故障，汽轮机轴承在其闭环控制系统的调节下，从正常运行到出现故障征兆再到发生故障灾害是一个较慢的过程，若早期发现，准确预测设备性能退化趋势，可以减少事故发生概率，进一步提高系统运行的安全性、可靠性和有效性。

Claims (1)

1.一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法，其特征在于，包括以下步骤：

(1)数据采集：获取整个故障退化过程的数据，设汽轮机轴承的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)；

(2)提取特征：用CVA对汽轮机轴承的闭环控制系统的故障数据进行分析，提取时序相关的部分Z，然后使用SFA对时序相关的部分Z^T进行分析，分别提取稳态特征S和时变特征

具体包括如下子步骤：

(2.1)使用CVA提取时序相关的部分Z；CVA具体包括以下子步骤：

(2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量x_p(t)和未来向量x_f(t)：

x_p(t)＝[x_t-1 ^T,x_t-2 ^T,...,x_t-h ^T]^T∈R^Jh (1)

x_f(t)＝[x_t ^T,x_t+1 ^T,...,x_t+l-1 ^T]^T∈R^Jl (2)

其中，h、l代表滞后数，x_t表示t时刻所采集的过程变量向量；

(2.1.2)对过去向量x_p(t)和未来向量x_f(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵X_p和未来矩阵X_f：

X_p＝[x_p(t) ^T,x_p(t+1) ^T,...,x_p(t+M) ^T]∈R^Jh×N (3)

X_f＝[x_f(t) ^T,x_f(t+1) ^T,...,x_f(t+M) ^T]∈R^Jl×N (4)

其中，N＝M-h-l+1；

(2.1.3)CVA的目标是找到过程变量的线性组合，以最大化过去矩阵X_p和未来矩阵X_f之间的相关性；此优化问题可以通过下面的奇异值分解得到解决：

其中，Σ_pp，Σ_ff和Σ_pf分别是矩阵X_p和X_f的协方差矩阵和互协方差矩阵；对角阵Λ＝diag(γ₁,γ₂,...,γ_r,0,...,0)，γ₁≥...≥γ_r，γ_i表示典型相关值；

(2.1.4)求出状态空间和残差空间的投影矩阵：

其中矩阵U_k由矩阵U的前k列组成，I为单位阵；

(2.1.5)将过去矩阵X_p投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：

Z＝JX_p∈R^k×N (8)

E＝LX_p∈R^Jh×N (9)

分别代表时序相关的部分和时序不相关的部分；

(2.2)使用SFA对时序相关的部分Z^T进行分析，分别提取稳态特征S和时变特征

SFA的具体步骤如下：

(2.2.1)对输入Z^T的协方差矩阵进行奇异值分解：

<Z^TZ>_t＝OΓO^T (10)

其中<>_t表示在时间上求均值；

(2.2.2)对输入Z^T进行白化处理，从而使Z^T中的变量不相关，同时为单位方差；白化后的数据为：

其中白化矩阵

(2.2.3)对A的一阶差分

的协方差矩阵进行奇异值分解：

(2.2.4)求出投影矩阵W和慢特征S:

慢特征S代表稳态特征，其一阶差分

代表时变特征；

(3)根据闭环控制系统的故障退化状态所经历的时间，对稳态特征S和时变特征

进行划分，获得各个故障状态下的稳态特征和时变特征；

(4)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库；

(5)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的CHMM模型所对应的故障退化状态即为当前闭环控制系统所处的故障退化状态。

Images