CN109522657A - 一种基于相关性网络和svdd的燃气轮机异常检测方法 - Google Patents
一种基于相关性网络和svdd的燃气轮机异常检测方法 Download PDFInfo
- Publication number
- CN109522657A CN109522657A CN201811380890.8A CN201811380890A CN109522657A CN 109522657 A CN109522657 A CN 109522657A CN 201811380890 A CN201811380890 A CN 201811380890A CN 109522657 A CN109522657 A CN 109522657A
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- svdd
- data
- model
- correlation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于相关性网络和SVDD的燃气轮机异常检测方法,整体步骤为:数据准备;建立相关性网络模型;训练SVDD模型;实时采集并抽取燃气轮机各关键测点数据,利用SVDD模型计算新的测点数据距离维保后正常状态的距离;异常检测。本发明在构建相关性网络模型时,考虑的是所有测点之间的相关性变化情况,将测点随工况变动作为正常情况,避免了工况分组和模型无法覆盖所有工况的问题,再利用SVDD方法对实时数据和正常状态进行比较,得到燃气轮机性能的偏离,有效解决了燃气轮机变工况的问题,提高了燃气轮机异常检测结果的准确性。
Description
技术领域
本发明涉及一种异常检测方法,尤其涉及一种基于相关性网络和SVDD的燃气轮机异常检测方法。
背景技术
燃气轮机是很多企业极其重要的大型动力设备,其设计结构和功能非常复杂,工作环境恶劣且工况多变,一旦发生故障,将带来严重的生产损失和非常高的维护成本。目前,所有燃气轮机在出厂时已经加装了很多的传感器,希望通过监测传感器数据的变化提前发现异常,避免大型的燃机故障或者事故。但由于燃气轮机运行过程中工况是动态变化的,在这种情况下,变化的工况掩盖了性能参数真实的衰退规律,单纯的分析性能参数势必会导致大量的误报和漏报。因此,如何处理变工况问题对燃气轮机异常检测具有重大的意义和使用价值。
传统的变工况问题处理方法主要有两种,一种是建立一个单一的模型覆盖所有的工况,另外一种是将历史工况分组,然后采用多模型的方法对每组工况分别建立子模型。但上述两种方法还存在以下技术缺陷有待解决:
(1)无论是假设工况不变的单一模型还是基于工况分组的多模型方法,当燃气轮机实际工况不在模型训练集的工况范围内时,模型将无法识别出参数变化是工况变化引起的还是故障引起的,容易导致误报和漏报;
多模型方法需要对历史工况分组,分组的好坏将直接影响模型效果,分组越多,同一组工况可用的训练样本就会变少,模型的准确性就会降低,反之,分组越少,模型对组内工况变化的灵敏度就会下降。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于相关性网络和SVDD的燃气轮机异常检测方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于相关性网络和SVDD的燃气轮机异常检测方法,整体步骤为:
步骤1、数据准备,针对燃气轮机全部测点进行机理及影响因素分析,根据分析结果得到所有的关键测点,然后抽取机组运行数据和维保数据,构建出初始训练样本;
步骤2、建立相关性网络模型,对模型初始训练样本中的任意两个测点滚动计算相关系数,形成多个连续的相关系数矩阵,然后利用得到的相关系数矩阵构建燃气轮机的相关性网络模型;
步骤3、基于步骤2得到的训练样本训练SVDD模型;
步骤4、实时采集并抽取燃气轮机各关键测点数据,利用步骤3中创建的SVDD模型计算新的测点数据距离维保后正常状态的距离;
步骤5、将连续每个时点计算得到的距离连接在一起形成燃气轮机的性能曲线,对燃气轮机机组进行异常检测。
进一步地,步骤1的具体过程为:
步骤1.1、抽取该机组过去一年的运行数据和维保数据,运行数据的采样间隔为5分钟,然后对照维保数据,从一年的运行数据中截取出机组维保后连续运行10天内的数据;
步骤1.2、对截取出的运行数据进行整理和清洗,剔除各测点异常值,得到模型初始训练样本,将这些数据存入历史数据库。
进一步地,步骤2的具体过程为:
步骤2.1、设定滚动窗口,选用最大信息系数MIC作为评价测点相关性的方法,滚动计算所有测点两两之间的MIC值,得到多个MIC组成的相关性网络;
步骤2.2、为减少测点中干扰因素的影响,保留每个相关性网络中MIC大于0.2的值,将MIC小于0.2的值替换为0;
步骤2.3、计算所有相关性网络的特征值,每个相关性网络会有多个特征值,将特征值保存到数据库中,作为SVDD模型的训练样本。
进一步地,步骤3的具体过程为:
通过最小化半径R定义一个最小超球体,使其包含所有的训练样本xi,通过求解下面的最优二次规划问题获取SVDD模型:
xi代表训练样本中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练样本的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量,a是球心;T代表矩阵转置;
将公式一转换为求其对偶形式的最大化问题,內积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数;
通过迭代求解公式三的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,利用公式六和公式七获取超球球心a和半径R;
其中xk代表第k个支持向量。
进一步地,步骤4的具体过程为:
步骤4.1、每隔5分钟连续抽取最近10个时点的燃气轮机运行数据,并按步骤2所述方法计算MIC相关性网络模型和特征值;
步骤4.2、计算该时点特征值到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的基于燃气轮机实时数据计算得到的相关性网络模型特征值。
进一步地,步骤5中异常检测的具体评估方法为:燃气轮机机组正常稳定运行情况下,所述性能曲线相对平稳,并且随运行时间增加呈现缓慢上升趋势;而若性能曲线出现大幅波动、连续下降、突增现象,说明燃气轮机机组发生异常,需要进行维保操作。
本发明与现有技术相比,有益效果为:
1)将燃气轮机实际工况考虑在模型训练集的工况范围内,因此可准确区分出参数变化是工况变化引起的还是故障引起的,因此不易导致误报和漏报,检测精确度更高;
2)利用SVDD方法对实时数据和正常状态进行比较,得到燃气轮机性能的偏离,有效解决了燃气轮机变工况的问题,提高了燃气轮机异常检测结果的准确性。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的一种基于相关性网络和SVDD的燃气轮机异常检测方法,整体步骤为:
步骤1、数据准备,针对燃气轮机全部测点进行机理及影响因素分析,根据分析结果得到所有的关键测点,然后抽取机组运行数据和维保数据,构建出初始训练样本,具体步骤如下:
步骤1.1、抽取该机组过去一年的运行数据和维保数据,运行数据的采样间隔为5分钟,然后对照维保数据,从一年的运行数据中截取出机组维保后连续运行10天内的数据;
步骤1.2、对截取出的运行数据进行整理和清洗,剔除各测点异常值,得到模型初始训练样本,将这些数据存入历史数据库。
步骤2、建立相关性网络模型,对模型初始训练样本中的任意两个测点滚动计算相关系数,形成多个连续的相关系数矩阵,然后利用得到的相关系数矩阵构建燃气轮机的相关性网络模型,具体步骤如下:
步骤2.1、设定滚动窗口为12,选用最大信息系数(Maximal informationcoefficient,MIC)作为评价测点相关性的方法,滚动计算所有测点两两之间的MIC值,得到多个MIC组成的相关性网络;
步骤2.2、为减少测点中噪声及其他干扰因素的影响,保留每个相关性网络中MIC大于0.2的值,将MIC小于0.2的值替换为0;
步骤2.3、计算所有相关性网络的特征值,每个相关性网络会有多个特征值,将特征值保存到数据库中,作为SVDD(Support Vector Data Description,支持向量数据描述)模型的训练样本。
步骤3、训练SVDD模型,基于步骤2.3得到的训练样本训练SVDD模型,SVDD模型的基本思想是通过最小化半径R来定义一个最小超球体,使其尽可能包含所有的训练样本xi,可通过求解下面的最优二次规划问题获取SVDD模型:
s.t.(xi-a)T(xi-a)≤R2+ξi,i=1,...n,
ξi≥0,i=1,...n. 公式二
xi代表训练样本中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练样本的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量,a是球心;T代表矩阵转置;
将公式一转换为求其对偶形式的最大化问题,內积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,常用的核函数有高斯径向基函数、多项式函核和多层感知器核,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数;
通过迭代求解公式三的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,可利用公式六和公式七获取超球球心a和半径R,其中xk代表第k个支持向量。
步骤4、在线监测,实时采集并抽取燃气轮机各关键测点数据,利用步骤3中创建的SVDD模型计算新的测点数据距离维保后正常状态的距离,具体步骤如下:
步骤4.1、每隔5分钟连续抽取最近10个时点的燃气轮机运行数据,并按步骤2所述方法计算MIC相关性网络模型和特征值;
步骤4.2、计算该时点特征值到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的基于燃气轮机实时数据计算得到的相关性网络模型特征值。
步骤5、异常检测,将连续每个时点计算得到距离d连接在一起形成燃气轮机的性能曲线,正常稳定运行情况下,该曲线会比较平稳,随着运行时间增加呈现出缓慢上升的趋势,如果曲线出现大幅波动、连续下降、突增等现象,说明燃气轮机机组发生异常,需要进行维保操作。
本发明在构建相关性网络模型时,考虑的是所有测点之间的相关性变化情况,将测点随工况变动作为正常情况,避免了工况分组和模型无法覆盖所有工况的问题,再利用SVDD方法对实时数据和正常状态进行比较,得到燃气轮机性能的偏离,有效解决了燃气轮机变工况的问题,提高了燃气轮机异常检测结果的准确性。
此外,上述对方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换,例如:相关系数计算方法还可以采用皮尔逊相关系数,秩相关系数等方法。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (6)
1.一种基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述方法的整体步骤为:
步骤1、数据准备,针对燃气轮机全部测点进行机理及影响因素分析,根据分析结果得到所有的关键测点,然后抽取机组运行数据和维保数据,构建出初始训练样本;
步骤2、建立相关性网络模型,对模型初始训练样本中的任意两个测点滚动计算相关系数,形成多个连续的相关系数矩阵,然后利用得到的相关系数矩阵构建燃气轮机的相关性网络模型;
步骤3、基于步骤2得到的训练样本训练SVDD模型;
步骤4、实时采集并抽取燃气轮机各关键测点数据,利用步骤3中创建的SVDD模型计算新的测点数据距离维保后正常状态的距离;
步骤5、将连续每个时点计算得到的距离连接在一起形成燃气轮机的性能曲线,对燃气轮机机组进行异常检测。
2.根据权利要求1所述的基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述步骤1的具体过程为:
步骤1.1、抽取该机组过去一年的运行数据和维保数据,运行数据的采样间隔为5分钟,然后对照维保数据,从一年的运行数据中截取出机组维保后连续运行10天内的数据;
步骤1.2、对截取出的运行数据进行整理和清洗,剔除各测点异常值,得到模型初始训练样本,将这些数据存入历史数据库。
3.根据权利要求2所述的基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述步骤2的具体过程为:
步骤2.1、设定滚动窗口,选用最大信息系数MIC作为评价测点相关性的方法,滚动计算所有测点两两之间的MIC值,得到多个MIC组成的相关性网络;
步骤2.2、为减少测点中干扰因素的影响,保留每个相关性网络中MIC大于0.2的值,将MIC小于0.2的值替换为0;
步骤2.3、计算所有相关性网络的特征值,每个相关性网络会有多个特征值,将特征值保存到数据库中,作为SVDD模型的训练样本。
4.根据权利要求3所述的基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述步骤3的具体过程为:
通过最小化半径R定义一个最小超球体,使其包含所有的训练样本xi,通过求解下面的最优二次规划问题获取SVDD模型:
xi代表训练样本中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练样本的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量,a是球心;T代表矩阵转置;
将公式一转换为求其对偶形式的最大化问题,內积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数;
通过迭代求解公式三的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,利用公式六和公式七获取超球球心a和半径R;
其中xk代表第k个支持向量。
5.根据权利要求4所述的基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述步骤4的具体过程为:
步骤4.1、每隔5分钟连续抽取最近10个时点的燃气轮机运行数据,并按步骤2所述方法计算MIC相关性网络模型和特征值;
步骤4.2、计算该时点特征值到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的基于燃气轮机实时数据计算得到的相关性网络模型特征值。
6.根据权利要求4所述的基于相关性网络和SVDD的燃气轮机异常检测方法,其特征在于:所述步骤5中异常检测的具体评估方法为:燃气轮机机组正常稳定运行情况下,所述性能曲线相对平稳,并且随运行时间增加呈现缓慢上升趋势;而若性能曲线出现大幅波动、连续下降、突增现象,说明燃气轮机机组发生异常,需要进行维保操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380890.8A CN109522657B (zh) | 2018-11-20 | 2018-11-20 | 一种基于相关性网络和svdd的燃气轮机异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380890.8A CN109522657B (zh) | 2018-11-20 | 2018-11-20 | 一种基于相关性网络和svdd的燃气轮机异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522657A true CN109522657A (zh) | 2019-03-26 |
CN109522657B CN109522657B (zh) | 2023-01-13 |
Family
ID=65776220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811380890.8A Active CN109522657B (zh) | 2018-11-20 | 2018-11-20 | 一种基于相关性网络和svdd的燃气轮机异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522657B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034826A (zh) * | 2020-09-11 | 2020-12-04 | 江苏科技大学 | 基于最小二乘法的水下推进器故障程度辨识方法 |
CN114239708A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种基于质量控制图理论的燃机异常检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090265784A1 (en) * | 2005-11-08 | 2009-10-22 | Tohoku University | Network failure detection method and network failure detection system |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
CN107728589A (zh) * | 2017-09-25 | 2018-02-23 | 华南理工大学 | 一种柔性ic基板蚀刻显影工艺过程的在线监控方法 |
-
2018
- 2018-11-20 CN CN201811380890.8A patent/CN109522657B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090265784A1 (en) * | 2005-11-08 | 2009-10-22 | Tohoku University | Network failure detection method and network failure detection system |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
CN107728589A (zh) * | 2017-09-25 | 2018-02-23 | 华南理工大学 | 一种柔性ic基板蚀刻显影工艺过程的在线监控方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034826A (zh) * | 2020-09-11 | 2020-12-04 | 江苏科技大学 | 基于最小二乘法的水下推进器故障程度辨识方法 |
CN114239708A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种基于质量控制图理论的燃机异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109522657B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
WO2022156330A1 (zh) | 一种旋转设备故障诊断方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN109407649A (zh) | 一种基于故障特征变量选择的故障类型匹配方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
CN109522657A (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN101446828A (zh) | 一种非线性过程质量预报方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN107544447A (zh) | 一种基于核学习的化工过程故障分类方法 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
Wang et al. | Multimode process fault detection method based on variable local outlier factor | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
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 |