CN110262450A - 面向汽轮机的多种故障特性协同分析的故障预测方法 - Google Patents

Abstract

本发明公开了面向汽轮机的多种故障特性协同分析的故障预测方法。本发明针对论文百万千瓦超超临界机组汽轮机故障退化过程非平稳、非线性、变化缓慢的特性，分别使用协整分析、核主成分分析和慢特征分析的方法来提取能反映不同故障退化特性的特征，然后利用单调性、鲁棒性和相关性指标综合考察故障特征，从而提取关键故障特征，并使用DissimilarityAnalysis生成剩余寿命指标，最后使用PLS建立故障预测模型。

Description

面向汽轮机的多种故障特性协同分析的故障预测方法

技术领域

本发明属于故障预测领域，特别是针对面向百万千瓦超超临界机组汽轮机的多种故障特性协同分析的故障预测方法。

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汽轮机是个复杂的工业过程，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。一旦由于故障导致非计划停机，不仅会带来经济上的损失，有时甚至会发生机毁人亡的工程事故。故障预测可以实现对故障的早期发现并预测其未来的发展趋势，根据预测得到的剩余使用寿命合理安排检修时间，在故障发生前进行处理，就可以降低事故发生的风险，减少人员伤亡及经济损失，提高系统运行的安全性、可靠性和有效性。

作为一个新兴领域，故障预测技术受到了学术界和工业界的广泛关注，出现了多种预测方法，然而对于这些方法没有统一的分类准则，但从实际研究过程中所用的理论、算法来分析，可以将目前主要应用的故障预测方法整体分为定量预测和定性预测，定量预测也称为统计预测，指通过科学方法分析研究对象的历史数据特征并建立相应的数学模型，从而达到趋势预测的目的，目前主要包括基于数据的预测和基于模型的预测；而定性预测方法则是通过对研究对象的历史数据进行搜集并根据丰富的理论经验和专家知识对其发展趋势做预测，目前多指基于知识的专家系统。对于基于模型的方法，在工程实际中建立较为准确的、同时能够刻画大型机械设备运行情况的数学模型是非常困难的，因此其适用范围比较小，而且所需成本也比较高；而对于基于知识的方法，专家知识的获取成为瓶颈，而且没有统一的、标准的专家知识库，同时专家系统开发周期长，在处理燃煤发电机组中大型旋转机械的实时性故障预测问题时往往达不到理想的效果，应用范围受到了限制；然而，基于数据的方法充分利用设备运行过程中存储的大量历史数据来提取特征信息，不仅避免建立成本高的数学模型，同时可以克服专家经验匮乏的技术难点，具有简单、成本低以及普遍适用的特点。

本发明的内容深入考虑了百万千瓦超超临界机组复杂多样的故障特性，提出了一种多种故障特性协同分析的故障预测策略。该方法充分挖掘了故障退化过程中复杂多样的故障特性，并从多种故障特性中提取关键故障特征生成剩余寿命指标，大大提高了故障预测的准确性。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汽轮机的复杂故障特性，提供了一种面向百万千瓦超超临界机组汽轮机的多种故障特性协同分析的故障预测方法。

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汽轮机的多种故障特性协同分析的故障预测方法，该方法包括以下步骤：

(1)获取过程数据：设一个汽轮机生产过程具有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、速率等；所述操作变量包括进风量、给料量、阀门开度等；

(2)提取反映不同故障特性的特征，该步骤通过以下子步骤来实现：

(2.1)使用协整分析(CA)提取非平稳特征，该步骤由以下子步骤实现：

(2.1.1)平稳性检验：应用Augmented Dickey-Fuller(ADF)检验方法识别过程矩阵X(N×J)中的非平稳变量，得到非平稳变量数据矩阵X_ns(N×J_ns)，J_ns表示非平稳变量个数；

(2.1.2)对(2.1.1)中的所有非平稳变量X_ns(N×J_ns)进行协整分析，得到协整向量B以及如式(1)所示的协整特征F_ns：

F_ns＝X_nsB (1)

其中，B是J_ns×R_CA的矩阵，向量个数R_CA由Johansen检验确定，F_ns是从所有类的非平稳向量中提取的平稳残差序列，表征了故障的非平稳特性。。

(2.2)使用核主成分分析(KPCA)提取非线性特征，选用高斯核G(β,γ)作为核函数，将过程数据X映射到高维特征空间得到核主成分分析模型，利用所述模型提取X的非线性特征F_nl：

F_nl＝KX (2)

其中，K是由核主成分分析得到的投影矩阵。

(2.3)使用慢特征分析(SFA)从过程数据X中提取变化缓慢的特征F_s：

F_s＝PX (3)

其中，P是由慢特征分析求解得到的投影矩阵，F_s是从过程数据中提取出的缓变特征。

(3)从已提取的特征F_ns，F_nl和F_s中筛选出关键故障特征，该步骤由以下子步骤来实现：

(3.1)对已提取的特征F_ns，F_nl和F_s中的每一列f(N×1)进行均值滤波，得

f(t_n)＝f_T(t_n)+f_R(t_n) (4)

其中，f(t_n)是特征f在时刻t_n的值，f_T(t_n)表示均值，f_R(t_n)表示残差。

(3.2)定义衡量特征单调性(Mon)、鲁棒性(Rob)和相关性(Corr)的指标：

其中，N是样本总数，δ(.)是阶跃函数。

(3.3)将上述三个指标的加权值作为筛选关键故障特征的准则：

其中，Z是优化目标，α_i是权重系数，我们可以设置阈值δ，选择Z值大于δ的特征作为关键故障特征F_k(N×M),其中M是关键故障特征的数量。

(4)使用不相似分析(Dissimilarity Analysis)构建剩余寿命指标，该步骤由以下子步骤实现：

(4.1)将关键故障特征分为正常情况下的特征F_n(N_n×M)和故障情况下的特征F_f(N_f×M)，其中N_n是正常情况下的样本数，N_f是故障情况下的样本数，N_n+N_f＝N。

(4.2)对故障情况下的数据进行滑窗，计算时间窗口W_i中的数据F_fi与正常数据的不相似指数D_i，该步骤由以下子步骤子步骤实现：

(4.2.1)计算F_n和F_fi的混合协方差矩阵：

其中，N_fi为时间窗口W_i的长度。

(4.2.2)将F_n转化为Y_n：

其中，P₀和Λ由是由混合协方差矩阵R对角化得到的正交矩阵和对角矩阵，P₀ ^TRP₀＝Λ。

(4.2.3)对Y_n的协方差矩阵S_n进行特征值分解，得到：

其中， 分别为S_n的特征值及其对应的特征向量。

(4.2.4)计算不相似指数D_i：

通过移动时间窗口更新数据，得到剩余寿命指标D＝[D₁,D₂,...,D_m]，其中m表示滑窗次数。

(5)使用偏最小二乘回归(PLS)对剩余寿命指标进行预测。具体子步骤如下：

(5.1)将前g个剩余寿命指标按如下形式组成预测矩阵I_train和相应向量y：

其中，O是预测样本的数量，p是提前预测的步数，O+L+p-1＝g。

将后m-g个剩余寿命指标按如下形式组成测试矩阵I_test：

(5.2)使用PLS计算得到回归矩阵Θ(L×1)：

y＝X_trainΘ (13)

(5.3)p步提前预测的剩余使用寿命如下：

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汽轮机的复杂多样的故障特性着手，克服了传统多元统计分析方法无法全面表征故障退化过程中的故障特性的问题，并从多种故障特性中提取关键故障特征生成剩余寿命指标，使得方法可以应用于非平稳、高耦合、故障多样的复杂故障退化过程。该方法利用CA、KPCA、SFA提取能反映多种故障退化特性的特征，然后利用单调性、鲁棒性和相关性指标综合考察故障特征，从而提取关键故障特征，并使用Dissimilarity Analysis生成剩余寿命指标，最后使用PLS建立故障预测模型，能更准确预测故障发展趋势，根据预测得到的剩余使用寿命合理安排检修时间，在故障发生前进行处理，就可以降低事故发生的风险，减少人员伤亡及经济损失，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是本发明多种故障特性协同分析的故障预测方法的流程图；

图2是本发明筛选关键故障特征的结果图，(a)为各个故障特征在单调性、鲁棒性和相关性指标上的得分，(b)为故障特征的Z值；

图3是本发明多种故障特性协同分析的故障预测方法的最终预测结果图；

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。

本发明以浙能集团下属嘉华电厂7号机组的汽轮机为例，该机组的功率为10000MW，为百万千瓦超超临界机组，包括26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的多种故障特性协同分析的故障预测方法，包括以下步骤：

(1)获取过程数据：设一个汽轮机生产过程具有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)。在本实例中，采样周期为10分钟，共采集1421个样本，26个过程变量，得到过程数据矩阵X(1421×26)。下面为了方便表示，将采样点数目1421用N表示，过程变量个数26用J表示；

(2)提取反映不同故障特性的特征，该步骤通过以下子步骤来实现：

(2.1)使用协整分析提取非平稳特征，该步骤由以下子步骤实现：

(2.1.1)平稳性检验：应用Augmented Dickey-Fuller(ADF)检验方法识别过程矩阵X中的非平稳变量，得到非平稳变量数据矩阵X_ns(1421×12)。下面为了方便表示，非平稳变量个数12用J_ns表示；

(2.1.2)对(2.1.1)中的所有非平稳变量X_ns(N×J_ns)进行协整分析，得到协整向量B以及如式(1)所示的协整特征：

F_ns＝X_nsB (1)

其中，B是J_ns×R_CA的矩阵，向量个数R_CA由Johansen检验确定，这里向量个数R_CA为6。F_ns是从所有类的非平稳向量中提取的平稳残差序列，表征了故障的非平稳特性。

(2.2)使用核主成分分析提取非线性特征，选用高斯核G(β,γ)作为核函数，将过程数据X映射到高维特征空间得到核主成分分析模型，利用所述模型提取X的非线性特征：

F_nl＝KX (2)

其中，K是由核主成分分析得到的投影矩阵。

(2.3)使用慢特征分析从过程数据X中提取变化缓慢的特征：

F_s＝PX (3)

其中，P是由慢特征分析求解得到的投影矩阵，F_s是从训练数据中提取出的缓变特征。

(3)从已提取的特征F_ns，F_nl和F_s中筛选出关键故障特征，该步骤由以下子步骤来实现：

(3.1)对已提取的特征F_ns，F_nl和F_s中的每一列f(N×1)进行均值滤波，得

f(t_n)＝f_T(t_n)+f_R(t_n) (4)

其中，f(t_n)是特征f在时刻t_n的值，f_T(t_n)表示均值，f_R(t_n)表示残差。

(3.2)定义衡量特征单调性(Mon)、鲁棒性(Rob)和相关性(Corr)的指标：

其中，N是样本总数，δ(.)是阶跃函数。

(3.3)将上述三个指标的加权值作为筛选关键故障特征的准则：

其中，Z是优化目标，α_i是权重系数，在这里α₁＝0.4，α₂＝0.4，α₃＝0.2，我们可以设置阈值δ，选择Z值大于δ的特征作为关键故障特征F_k(N×M),其中M是关键故障特征的数量，关键故障特征的筛选结果如图2所示。

(4)使用不相似分析构建剩余寿命指标，该步骤由以下子步骤实现：

(4.1)将关键故障特征分为正常情况下的特征F_n(N_n×M)和故障情况下的特征F_f(N_f×M)，其中N_n是正常情况下的样本数，N_f是故障情况下的样本数，N_n+N_f＝N。

(4.2)对故障情况下的数据进行滑窗，计算时间窗口W_i中的数据F_fi与正常数据的不相似指数D_i，该步骤由以下子步骤子步骤实现：

(4.2.1)计算F_n和F_fi的混合协方差矩阵：

其中，N_fi为时间窗口W_i的长度。

(4.2.2)将F_n转化为Y_n：

其中，P₀和Λ由是由混合协方差矩阵R对角化得到的正交矩阵和对角矩阵，P₀ ^TRP₀＝Λ。

(4.2.3)对Y_n的协方差矩阵S_n进行特征值分解，得到：

其中， 分别为S_n的特征值及其对应的特征向量。

(4.2.4)计算不相似指数D_i：

通过移动时间窗口更新数据，得到剩余寿命指标D＝[D₁,D₂,...,D_m]，其中m表示滑窗次数。

(5)使用偏最小二乘回归(PLS)对剩余寿命指标进行预测。具体子步骤如下：

(5.1)将前g个剩余寿命指标按如下形式组成预测矩阵I_train和相应向量y：

其中，O是预测样本的数量，p是提前预测的步数，O+L+p-1＝g。

将后m-g个剩余寿命指标按如下形式组成测试矩阵I_test：

(5.2)使用PLS计算得到回归矩阵Θ(L×1)：

y＝X_trainΘ (13)

(5.3)p步提前预测的剩余使用寿命如下：

如图3预测结果与实际对比可以看出，本发明方法的预测精度高，在针对百万千瓦超超临界机组汽轮机的故障预测上具有优越性，可以帮助现场工程师准确有效的预估故障发展趋势，制定合理的故障检修计划，保证了实际生产过程的安全性和可靠性。

Claims (1)

1.一种面向汽轮机的多种故障特性协同分析的故障预测方法，其特征在于，该方法包括以下步骤：

(1)获取过程数据：汽轮机生产过程具有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次后得到的过程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、速率等；所述操作变量包括进风量、给料量、阀门开度等；

(2)提取反映不同故障特性的特征，该步骤通过以下子步骤来实现：

(2.1)使用协整分析(CA)提取非平稳特征，该步骤由以下子步骤实现：

(2.1.1)平稳性检验：应用Augmented Dickey-Fuller(ADF)检验方法识别过程数据矩阵X(N×J)中的非平稳变量，得到非平稳变量数据矩阵X_ns(N×J_ns)，J_ns表示非平稳变量个数；

(2.1.2)对(2.1.1)中的所有非平稳变量X_ns(N×J_ns)进行协整分析，得到协整向量B以及如式(1)所示的协整特征F_ns：

F_ns＝X_nsB (1)

其中，B是J_ns×R_CA的矩阵，向量个数R_CA由Johansen检验确定。

(2.2)使用核主成分分析(KPCA)提取非线性特征，选用高斯核G(β,γ)作为核函数，将过程数据X映射到高维特征空间得到核主成分分析模型，利用所述模型提取X的非线性特征F_nl：

F_nl＝KX (2)

其中，K是由核主成分分析得到的投影矩阵。

(2.3)使用慢特征分析(SFA)从过程数据X中提取变化缓慢的特征F_s：

F_s＝PX (3)

其中，P是由慢特征分析求解得到的投影矩阵，F_s是从过程数据中提取出的缓变特征。

(3)从已提取的特征F_ns，F_nl和F_s中筛选出关键故障特征，该步骤由以下子步骤来实现：

(3.1)对已提取的特征F_ns，F_nl和F_s中的每一列f(N×1)进行均值滤波，得

f(t_n)＝f_T(t_n)+f_R(t_n) (4)

其中，f(t_n)是特征f在时刻t_n的值，f_T(t_n)表示均值，f_R(t_n)表示残差。

(3.2)定义衡量特征单调性(Mon)、鲁棒性(Rob)和相关性(Corr)的指标：

其中，N是样本总数，δ(.)是阶跃函数。

(3.3)将上述三个指标的加权值作为筛选关键故障特征的准则：

max(Z)＝α₁Mon(f)+α₂Rob(f)+α₃Corr(f)

其中，Z是优化目标，α_i是权重系数，我们可以设置阈值δ，选择Z值大于δ的特征作为关键故障特征F_k(N×M),其中M是关键故障特征的数量。

(4)使用不相似分析(Dissimilarity Analysis)构建剩余寿命指标，该步骤由以下子步骤实现：

(4.1)将关键故障特征分为正常情况下的特征F_n(N_n×M)和故障情况下的特征F_f(N_f×M)，其中N_n是正常情况下的样本数，N_f是故障情况下的样本数，N_n+N_f＝N。

(4.2)对故障情况下的数据进行滑窗，计算时间窗口W_i中的数据F_fi与正常数据的不相似指数D_i，该步骤由以下子步骤子步骤实现：

(4.2.1)计算F_n和F_fi的混合协方差矩阵：

其中，N_fi为时间窗口W_i的长度。

(4.2.2)将F_n转化为Y_n：

其中，P₀和Λ由是由混合协方差矩阵R对角化得到的正交矩阵和对角矩阵，P₀ ^TRP₀＝Λ。

(4.2.3)对Y_n的协方差矩阵S_n进行特征值分解，得到：

其中， 分别为S_n的特征值及其对应的特征向量。

(4.2.4)计算不相似指数D_i：

通过移动时间窗口更新数据，得到剩余寿命指标D＝[D₁,D₂,...,D_m]，其中m表示滑窗次数。

(5)使用偏最小二乘回归(PLS)对剩余寿命指标进行预测。具体子步骤如下：

(5.1)将前g个剩余寿命指标按如下形式组成预测矩阵I_train和相应向量y：

其中，O是预测样本的数量，p是提前预测的步数，O+L+p-1＝g。

将后m-g个剩余寿命指标按如下形式组成测试矩阵I_test：

(5.2)使用PLS计算得到回归矩阵Θ(L×1)：

y＝X_trainΘ (13)

(5.3)p步提前预测的剩余使用寿命如下：