CN111474911B - 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法 - Google Patents

面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法 Download PDF

Info

Publication number
CN111474911B
CN111474911B CN202010351861.XA CN202010351861A CN111474911B CN 111474911 B CN111474911 B CN 111474911B CN 202010351861 A CN202010351861 A CN 202010351861A CN 111474911 B CN111474911 B CN 111474911B
Authority
CN
China
Prior art keywords
load
gaussian
monitoring
new
segment
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
Application number
CN202010351861.XA
Other languages
English (en)
Other versions
CN111474911A (zh
Inventor
孟瑜炜
王豆
张震伟
俞荣栋
郭鼎
赵春晖
赵诣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang University ZJU
Zhejiang Energy Group Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202010351861.XA priority Critical patent/CN111474911B/zh
Publication of CN111474911A publication Critical patent/CN111474911A/zh
Application granted granted Critical
Publication of CN111474911B publication Critical patent/CN111474911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，包括：步骤1、选取正常工况下的非平稳过程数据；步骤2、数据矩阵重构；步骤3、负荷片预处理。本发明的有益效果是：针对高端燃煤发电非平稳运行过程数据的小尺度监测技术提供了新的研究思路；通过提出一种高斯特征和非高斯特性协同的监测思路，在通过工况指示变量进行数据重构的基础上，利用易于表征和建模的高斯特征将负荷片进行步进有序的模态自动划分，巧妙地将原先的不平稳数据转换成平稳的负荷模态；划分结果表明，尽管负荷随着时间波动，但潜在的高斯信息的分布特性在相同负荷模态下非常相似，而不同负荷模态下则存在显著差异。

Description

面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解 析与监测方法
技术领域
本发明涉及非平稳高端燃煤发电过程多元统计监测领域，尤其包括一种高斯特征与非高斯特性协同的细粒度监测方法，考虑到高斯信息是更易建模和表征的，利用提取出的高斯特征将一个非平稳过程步进有序自动划分为若干个负荷模态，进而小尺度地在模态划分结果上进行高斯空间、非高斯空间的过程监测。
背景技术
近年来，随着工业生产安全和质量的要求，过程监控领域受到了高度重视。由于物联网技术的新型发展，海量过程数据得以被采集、存储，主元分析、偏最小二乘等多元统计过程监测方法在工业实践中得到了广泛应用。这些技术方法可以将高度相关的高维信息投影到一个低维的潜在空间，挖掘数据中包含的潜在信息。两个重要的基本假设是观测数据的分布是多元高斯分布，可以精确地估计出统计量的置信区间，设计有效的控制限；以及过程数据假设是平稳的，这样才能从样本泛化到整体，保证在线监测性能。但是，由于生产环境的变化、设备老化、产品生产与操作工况的频繁切换，绝大多数的工业生产过程是不平稳的，同时呈现着非高斯的分布特性。此时的过程工况是多模态的，且在不同模态之间实时跳变。此时，传统的多元统计过程监测方法已不再适用，单一的模态建模与其控制限容易引发频繁的误报。且由于潜在的高斯特性和非高斯特性的分布混杂，建模时很难精细地去评估分布的置信区间，进而降低了监测的灵敏性。因此，具有非高斯特性的非平稳过程监测是一项研究难题，现有的技术方法存在较大局限。
针对非平稳过程监测，最为广泛使用的是自适应、多模态的方法。自适应方法旨在捕获非平稳过程在时间方向上的变化，及时地更新模型。但早期故障数据也可能被错误地引入到模型更新的范畴，给模型的可靠性带来不利影响。多模态策略只考虑了观测数据的距离，忽略了它们的潜在信息。并且多模态策略的监测性能高度依赖于模型划分和在线匹配的精准性。协整分析作为研究非平稳变量的长期稳定关系的分析方法，可以挖掘出不变的长期均衡关系。尽管协整分析在工业领域中有一些成功的应用，然而算法本身要求非平稳变量是同阶单整的，这一假设很难在实际中成立。
近年来，步进有序时段划分方法由赵春晖等学者提出，适用于具有不同模态的批次过程建模。它提出了一种新颖的不平稳瞬变过程数据的分析策略，通过数据重构的方式来进行模态划分与在线匹配。然而，这种方法忽略了每种模态内部的数据分布特性，高斯信息和非高斯信息的混杂导致了控制限选取的精度降低。因而，应该对二者分别监测与分析，提高监测的准确性和灵敏性。
发明内容
本发明的目的是克服现有技术中的不足，提供一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法。
这种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，包括以下步骤：
步骤1、选取正常工况下的非平稳过程数据：采集N个样本，每个样本均包含J个测量变量，得到二维数据矩阵
Figure BDA0002472187420000021
步骤2、数据矩阵重构：将二维数据矩阵
Figure BDA0002472187420000022
根据工况指示变量的大小进行升序排序来重构样本；确定工况间隔β，将工况指示变量划分成M个区间，获得M个负荷片
Figure BDA0002472187420000023
其中Nm为第m个负荷片内的样本数，m＝1,2,,M；
步骤3、负荷片预处理：将每个负荷片
Figure BDA0002472187420000024
内每一列向量中的每一元素分别进行减均值和除以标准差的标准化处理；其中下标j代表第j列，下标k代表每列中第k个元素，
Figure BDA0002472187420000025
为负荷片
Figure BDA0002472187420000026
第k行j列的元素；标准化处理的计算公式为：
Figure BDA0002472187420000027
上式中，
Figure BDA0002472187420000028
是
Figure BDA0002472187420000029
第j列向量的均值，
Figure BDA00024721874200000210
是
Figure BDA00024721874200000211
第j列向量的标准差，
Figure BDA00024721874200000212
为标准化后的负荷片Xm第k行j列的元素；
Figure BDA00024721874200000213
为：
Figure BDA00024721874200000214
将负荷片
Figure BDA00024721874200000215
标准化后，得到每列均值为0，方差为1的矩阵Xm(Nm×J)；
步骤4、对负荷片
Figure BDA00024721874200000216
进行SSA建模：
步骤4.1、对标准化后的负荷片数据矩阵Xm(Nm×J),m＝1,2,,M建立SSA模型，其中SSA建模公式如下：
gm＝XmWm (3)
上式中，gm为第m个负荷片的特征，Wm(J×J)为SSA的系数矩阵；
步骤4.2、选取主高斯特征个数：根据高斯检验结果，将gm分为两个部分：
Figure BDA0002472187420000031
SSA所提第m个负荷片的特征gm的两部分分别为：
Figure BDA0002472187420000032
上式中，gm,d是从第m个负荷片提取出的高斯特征，gm,e为从第m个负荷片提取出的非高斯特征；Wm,d和Wm,e分别表示高斯特征和非高斯特征的变换矩阵，Wm,d和Wm,e共同组成SSA的系数矩阵Wm(J×J)；
步骤4.3、计算各负荷片的高斯特征监测统计量
Figure BDA0002472187420000033
和控制限：
Figure BDA0002472187420000034
上式中，gm,d是从第m个负荷片提取出的高斯特征；
Figure BDA0002472187420000035
是gm,d的监测统计量，采用核密度估计确定出控制限
Figure BDA0002472187420000036
步骤5、步进有序地将非平稳过程数据划分成多个负荷维度上平稳的负荷模态：
步骤5.1、从第一个负荷片开始，依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵
Figure BDA0002472187420000037
其中下标k代表该负荷段矩阵由k个负荷片组成；对新的负荷段矩阵
Figure BDA0002472187420000038
进行SSA建模，将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯特征个数：
gv,k＝Xv,kWv,k (7)
gv,k,d＝Xv,kWv,k,d (8)
gv,k,e＝Xv,kWv,k,e (9)
上式(7)至式(9)中，gv,k为负荷段的SSA特征，Wv,k(J×J)为负荷段的变换矩阵；gv,k,d和gv,k,e分别为负荷段内提取出的高斯特征和非高斯特征；Wv,k,d(J×p)和Wv,k,e(J×(J-p))分别表示负荷段SSA模型的高斯特征和非高斯特征的变换矩阵；
步骤5.2、计算当前负荷段内各个负荷片的高斯特征监测统计量
Figure BDA0002472187420000041
和控制限：
Figure BDA0002472187420000042
上式中，
Figure BDA0002472187420000043
是负荷段内第m个负荷片的高斯特征gv,m,d的监测统计量，m＝1,2,…,k；采用核密度估计确定出控制限
Figure BDA0002472187420000044
步骤5.3、确定负荷段划分点k*：
针对负荷段内的所有负荷片，比较每个负荷片在独自建模时的控制限
Figure BDA0002472187420000045
与统一建模时的控制限
Figure BDA0002472187420000046
若自第k*个负荷片起，连续三个负荷片呈现
Figure BDA0002472187420000047
则新加入的负荷片对该负荷段的SSA模型有不利影响，进行负荷段划分，将新加入的负荷片序号k*记为负荷段划分点，将k*之前引入的负荷片归属于同一个负荷段；反之则继续引入下一个负荷片，直至找到负荷段划分点；所述α为缓和因子并且是常数；
步骤5.4、划分所有的负荷段，进行数据更新：根据步骤5.3中的k*，移除已划分好的负荷段，把余下的非平稳过程数据作为新的输入数据带入步骤5.1中；
步骤6、采用基于负荷模态划分的监测算法对每个负荷模态的高斯特征和非高斯特征协同进行细粒度的监测分析：
步骤6.1、根据步骤5得到划分好的O个负荷段，记为
Figure BDA0002472187420000048
Figure BDA0002472187420000049
代表已划分好的第o个负荷段的样本个数，
Figure BDA00024721874200000410
为负荷段内所有负荷片的样本数之和；建立第o个负荷段的SSA模型：
go＝XoWo (11)
上式中，go代表从第o个负荷段中提取的特征；Wo为第o个负荷段的变换矩阵；
步骤6.2、按步骤4.1中相应的负荷片数据矩阵Xm进行SSA建模：
出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯个数；按照高斯检验的置信度结果从大到小对特征重新排序，得到对应的变换矩阵；定义Wo的前p列为Wo,d(J×p)，剩余部分为Wo,e(J×(J-p))，go的两部分分别为：
go,d＝XoWo,d (12)
go,e＝XoWo,e (13)
上式(12)和式(13)中，go,d为第o个负荷段内部的高斯特征；go,e是第o个负荷段内部的非高斯特征；Wo,d和Wo,e分别表示第o个负荷段SSA模型高斯特征和非高斯特征的变换矩阵；
步骤6.3、针对负荷段的高斯特征，提取出监测统计量
Figure BDA0002472187420000051
用核密度估计确定出对应的控制限；
Figure BDA0002472187420000052
步骤6.4、针对负荷段的非高斯特征，建立高斯混合模型GMM来进一步评估分布特性；使用EM算法估计高斯混合模型GMM的参数，使用F-J算法确定高斯混合模型GMM中高斯元个数，提取出基于贝叶斯推断距离的监测统计量BIDo：
Figure BDA0002472187420000053
上式中，Mo为第o个负荷段非高斯特征空间内的高斯元个数；
Figure BDA0002472187420000054
为第o个负荷段第t个样本的非高斯特征go,e(t)属于第l个高斯元
Figure BDA0002472187420000055
的后验概率；
Figure BDA0002472187420000056
为go,e(t)到
Figure BDA0002472187420000057
的马氏距离；用核密度估计确定BIDo的控制限；
步骤7、在线过程监测：
步骤7.1、采集新测量数据并进行预处理：在线监测时，采集新的过程测量数据
Figure BDA0002472187420000058
其中下标new代表新样本；根据
Figure BDA0002472187420000059
的负荷值确定其所属的负荷段o；按照步骤3中标准化处理的方式进行标准化处理，标准化处理后得到新的监测样本xnew(1×J)；在标准化过程中，每一列使用的均值和方差均采用所在负荷段中的建模数据的均值和方差，
步骤7.2、利用第o个负荷段的SSA模型计算当前新样本的高斯特征和非高斯特征：
gnew,d＝xnewWo,d (16)
gnew,e＝xnewWo,e (17)
上式中，gnew,d为新样本的高斯特征，gnew,e为新样本的非高斯特征；Wo,d和Wo,e分别高斯特征gnew,d和非高斯特征gnew,e所处负荷段的变换矩阵；
步骤7.3、计算监测统计量：
Figure BDA0002472187420000061
Figure BDA0002472187420000062
步骤7.4、在线判断过程运行状态：实时比较两个监测统计量
Figure BDA0002472187420000063
和BIDnew与其各自的控制限；当且仅当两个监测统计量
Figure BDA0002472187420000064
和BIDnew均在控制限之下，则认为过程正常运行；否则，当任何一个监测统计量超出控制限，则过程出现异常，进行现场查看。
作为优选，所述步骤1中测量变量包括给煤量、环境温度、六处电机线圈温度、两处电机轴承温度、磨煤机电流、两处齿轮箱输入轴承温度、四处齿轮箱轴承温度、润滑油温度、旋转分离器电流、两处旋转分离器轴承温度、旋转分离器转速反馈值、油箱温度、进口一次风量、两处进口一次风温、三处出口温度、出口压力、进口一次风压、冷风调节门位置、密封风压力、密封风与冷一次风差压和热风调节门位置。
作为优选，所述步骤7.1中
Figure BDA0002472187420000065
的负荷值为
Figure BDA0002472187420000066
工况指示变量的大小。
作为优选，所述步骤7.4中：当监测统计量
Figure BDA0002472187420000067
超出控制限，监测统计量BIDnew在控制限之下时，高斯空间分布异常；当监测统计量
Figure BDA0002472187420000068
在控制限之下，监测统计量BIDnew超出控制限时，非高斯空间分布异常；当监测统计量
Figure BDA0002472187420000069
与监测统计量BIDnew均超出控制限时，高斯空间与非高斯空间均分布异常。
本发明的有益效果是：
(1)本发明为针对高端燃煤发电非平稳运行过程数据的小尺度监测技术提供了新的研究思路；通过提出一种高斯特征和非高斯特性协同的监测思路，在通过工况指示变量进行数据重构的基础上，利用易于表征和建模的高斯特征将负荷片进行步进有序的模态自动划分，巧妙地将原先的不平稳数据转换成平稳的负荷模态；划分结果表明，尽管负荷随着时间波动，但潜在的高斯信息的分布特性在相同负荷模态下非常相似，而不同负荷模态下则存在显著差异。
(2)通过对每个负荷模态进行高斯空间、非高斯空间地协同监测，可以精细地评估出二者的分布变化，有助于提高监测性能；在线监测时通过工况指示变量来识别当前的负荷模态，调用该模态的模型即可；所提方法在实际工业过程中做了详细的实验研究，获得了成功应用；该方法通过对非平稳获得过程负荷模态的自动划分，考虑对于不同分布的精细建模，有助于提高过程监测的灵敏性和监测效率，最终可应用于工业现场，以保证生产过程的安全、可靠。
附图说明
图1为高斯非高斯协同监测的示意图；
图2为步进有序负荷模态自动划分结果图；
图3为正常数据的在线监测结果图；
图4为故障数据的在线监测结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明所提出方法具体应用对象为高端燃煤发电装备中的磨煤机设备，深入考虑了非平稳过程数据的按工况指示变量维度重构得到平稳数据，以及结合高斯、非高斯特征空间分解去细粒度地监测过程，提出了一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法。
通过深入剖析高斯特征和非高斯特征的不同分布特性，利用高斯特征易于建模和表征的特性，将原先在时间维度上不平稳的火电过程可以步进有序地划分成若干个负荷维度上平稳的负荷模态；在此基础上，对每个负荷模态进行了细粒度的监测分析，利用贝叶斯推断统计量对非高斯分布进行进一步的建模，协同分析潜在的高斯分布、非高斯分布的信息。本发明为非平稳火电过程提出了一种新的分析思路，提升了监测的灵敏性与监测效率，及时发现早期故障，从而保障了工业过程的安全、高效运行。
本发明提出的面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，包括以下步骤：
(1)获取待分析数据：在本实例中，采集了约17000个样本用于建模，测量变量为35个：给煤量、环境温度、电机线圈温度1、电机线圈温度2、电机线圈温度3、电机线圈温度4、电机线圈温度5、电机线圈温度6、电机轴承温度1、电机轴承温度2、磨煤机电流、齿轮箱输入轴承温度1、齿轮箱输入轴承温度2、齿轮箱轴承温度1、齿轮箱轴承温度2、齿轮箱轴承温度3、齿轮箱轴承温度4、润滑油温度、旋转分离器电流、旋转分离器轴承温度1、旋转分离器轴承温度2、旋转分离器转速反馈值、油箱温度、进口一次风量、进口一次风温1、进口一次风温2、出口温度1、出口温度2、出口温度3、出口压力、进口一次风压、冷风调节门位置、密封风压力、密封风与冷一次风差压、热风调节门位置。800个故障样本作为故障集，用于验证所建立的监测系统的在线故障检测性能，其中故障为磨煤机出口温度低。
(2)数据矩阵重构：将二维数据矩阵
Figure BDA0002472187420000081
依据工况指示变量升序排序来重构样本，所述工况指示变量由过程机理确定，能够反应出当前过程的工况状态；确定工况间隔β，将所述工况指示变量的划分成M个区间，属于同一区间的样本构成一个数据矩阵，最终可以获得M个负荷片
Figure BDA0002472187420000082
其中，Nm为第m个负荷片内的样本数，m＝1,2,…,M；
(3)负荷片预处理：将每个负荷片
Figure BDA0002472187420000083
内每一列向量中的每一元素分别进行减均值、除以标准差的标准化处理；其中，下标j代表第j个变量，即第j列，下标k代表每列中第k个元素，
Figure BDA0002472187420000084
为负荷片
Figure BDA0002472187420000085
第k行j列的元素；其标准化处理的计算公式如下：
Figure BDA0002472187420000086
其中：
Figure BDA0002472187420000087
是
Figure BDA0002472187420000088
第j列向量的均值，
Figure BDA0002472187420000089
是
Figure BDA00024721874200000810
第j列向量的标准差，
Figure BDA00024721874200000811
为标准化后的负荷片Xm第k行j列的元素；
其中，
Figure BDA00024721874200000812
将负荷片
Figure BDA00024721874200000813
标准化后，得到每列均值为0，方差为1的矩阵Xm(Nm×J)；
(4)负荷片SSA建模，该步骤由以下子步骤来实现：
(4.1)对标准化后的负荷片数据矩阵Xm(Nm×J),m＝1,2,…,M建立SSA模型，其中SSA建模公式如下：
gm＝XmWm (22)
其中，gm为第m个负荷片的特征，Wm(J×J)为SSA的系数矩阵；
(4.2)选取主高斯特征个数：根据高斯检验结果，可以将gm分为两个部分：
Figure BDA0002472187420000091
则SSA所提特征的gm两部分分别为：
Figure BDA0002472187420000092
其中，gm,d是从第m个负荷片提取出的高斯特征，即通过了高斯检验，能够表征其过程运行状态且更易建模；gm,e是从第m个负荷片提取出的非高斯特征；Wm,d、Wm,e分别表示高斯特征和非高斯特征的变换矩阵；
(4.3)计算各负荷片的高斯特征监测统计量
Figure BDA0002472187420000093
及其控制限：
Figure BDA0002472187420000094
其中，
Figure BDA0002472187420000095
是gm,d的监测统计量；根据核密度估计的方法确定出控制限
Figure BDA0002472187420000096
(5)步进有序进行负荷模态自动划分，该步骤由以下子步骤来实现：：
(5.1)从第一个负荷片开始，依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵
Figure BDA0002472187420000097
其中，下标k代表该负荷段矩阵由k个负荷片组成；
对新的负荷段矩阵进行SSA建模，将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯特征个数：
gv,k＝Xv,kWv,k (26)
gv,k,d＝Xv,kWv,k,d (27)
gv,k,e＝Xv,kWv,k,e (28)
其中，gv,k为负荷段的SSA特征，Wv,k(J×J)为负荷段的变换矩阵；gv,k,d、gv,k,e分别为负荷段内提取出的高斯特征、非高斯特征；Wv,k,d(J×p)、Wv,k,e(J×(J-p))分别表示负荷段SSA模型的高斯特征、非高斯特征的变换矩阵；
(5.2)计算当前负荷段内各个负荷片的高斯特征监测统计量
Figure BDA0002472187420000101
及其控制限：
Figure BDA0002472187420000102
其中，
Figure BDA0002472187420000103
分别是负荷段内第m个负荷片的高斯特征gv,m,d的监测统计量，m＝1,2,…,k；根据核密度估计的方法确定出控制限
Figure BDA0002472187420000104
(5.3)确定负荷段划分点k*：针对负荷段内的所有负荷片，比较每个负荷片在独自建模时的控制限
Figure BDA0002472187420000105
与统一建模时的控制限
Figure BDA0002472187420000106
若自第k*个负荷片起，连续三个负荷片呈现
Figure BDA0002472187420000107
则说明新加入的负荷片对该负荷段的SSA监测模型性有不利影响；此时需要进行负荷段划分，将新加入的负荷片序号k*记为划分点，将k*之前引入的负荷片归属于同一个负荷段；反之则继续引入下一个负荷片，直至找到划分点；其中，α为缓和因子，是常数；
(5.4)数据更新，自动划分所有的负荷段：根据步骤5.3中的k*，移除已划分好的负荷段，把余下的过程数据作为新的输入数据带入到第5.1步中；
(6)基于负荷模态划分的监测算法，该步骤由以下子步骤来实现：
(6.1)建立基于负荷段的SSA模型：根据步骤5得到划分好的O个负荷段，记为
Figure BDA0002472187420000108
Figure BDA0002472187420000109
代表已划分好的第o个负荷段的样本个数，等于负荷段内所有负荷片的样本数之和；然后建立第o个负荷段的SSA模型：
go＝XoWo (30)
其中，go代表从第o个负荷段中提取的特征；Wo为第o个负荷段的变换矩阵；
(6.2)选取高斯特征个数：以步骤4.1中相应的负荷片数据矩阵Xm进行SSA建模时，出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯个数，按照高斯检验的置信度结果从大到小对特征重新排序，以及得到对应的变换矩阵；定义Wo的前p列为Wo,d(J×p)，剩余部分为Wo,e(J×(J-p))，go的两部分分别为：
go,d＝XoWo,d (31)
go,e＝XoWo,e (32)
其中，go,d是提取出来的能够表示第o个负荷段内部的高斯特征；go,e是第o个负荷段内部的非高斯特征；Wo,d、Wo,e分别表示第o个负荷段SSA模型高斯特征和非高斯特征的变换矩阵；
(6.3)针对负荷段的高斯特征，提取出监测统计量
Figure BDA0002472187420000111
并根据核密度估计的方法确定出对应的控制限；
Figure BDA0002472187420000112
(6.4)针对负荷段的非高斯特征，建立高斯混合模型(GMM)来进一步评估分布特性；使用EM算法估计GMM的参数，使用F-J算法确定GMM中高斯元个数，提取出基于贝叶斯推断距离的监测统计量BIDo：
Figure BDA0002472187420000113
其中，Mo为第o个负荷段非高斯特征空间内的高斯元个数；
Figure BDA0002472187420000114
为第o个负荷段第t个样本的非高斯特征go,e(t)属于第l个高斯元
Figure BDA0002472187420000115
的后验概率；
Figure BDA0002472187420000116
为go,e(t)到
Figure BDA0002472187420000117
的马氏距离；并根据核密度估计方法计算出BIDo的控制限；
至此，在高斯和非高斯空间中各自建立了一个监测统计量，监测结果有四种，每种结果与其对应的物理含义如表1所示：
表1监测统计量对应的物理含义表
Figure BDA0002472187420000118
表1中，‘√’表示相关统计量在控制限之下，‘×’表示统计量超出控制限；
(7)在线过程监测，该步骤由以下子步骤来实现：基于步骤5划分的时段、步骤6建立的监测模型以及
Figure BDA0002472187420000121
BIDo两种监测统计量可以在线监测大范围非平稳瞬变连续过程的状态；该步骤由以下子步骤来实现：
(7.1)采集新测量数据及新测量数据预处理，具体为：在线监测时，采集新的过程测量数据
Figure BDA0002472187420000122
其中，下标new代表新样本；根据
Figure BDA0002472187420000123
的负荷值确定其所属的负荷段o；按照步骤3中方式进行标准化处理，在标准化过程中，每一列使用的均值、方差均采用所在负荷段中的建模数据的均值、方差，标准化处理后得到新的监测样本xnew(1×J)；
(7.2)利用第o个负荷段的模型计算当前新样本的高斯特征和非高斯特征：
gnew,d＝xnewWo,d (16)
gnew,e＝xnewWo,e (17)
其中，gnew,d是新样本的高斯特征；、gnew,e是新样本的非高斯特征；Wo,d、Wo,e分别表示所处负荷段的变换矩阵；
(7.3)计算监测统计量。
Figure BDA0002472187420000124
Figure BDA0002472187420000125
(7.4)在线判断过程运行状态：实时比较两个监测指标与其各自的统计控制限；当且仅当两个监测指标均在控制限之下，则认为过程正常运行；否则，当任何一个监测指标出现了连续报警，则认为过程出现异常，需要现场查看。具体情况如表1中所示。
首先利用本发明的监测方法选取一段正常数据用于离线建模，基于高斯特征提取进行步进有序负荷模态自动划分，在α＝0.5取值下的划分结果如附图2所示。初始的负荷片有65个，根据相似的高斯特性进一步合并至10个负荷段，图2中的虚线即为负荷段划分情况。
紧接着对一段样本数为800的正常样本进行在线监测，结果如附图3所示。由附图3可见，两个监测统计量均在控制限内。控制限随着时间变化，表明了由于磨煤机的非平稳特性，负荷模态是实时跳变的。
再对一段样本数为800的故障样本进行在线监测，结果如附图4所示。期间出现了出口温度低的缓变故障，实际发生时间为第185个样本点。由附图4可见，非高斯特征的监测统计量BID在第190个样本点处开始超限，随后高斯特征的监测统计量s2开始超限，时延为60个样本。所提方法可以灵敏地监测到故障率先发生于非高斯空间，进而引发高斯空间也随之出现异常。
总体来说，基于本发明提出的基于高斯特征的负荷模态划分和监测策略考虑到高斯特征易于表征和建模的特点，可以将不平稳数据转换成负荷维度上的平稳负荷模态，并且协同高斯特征、非高斯特征的不同分布特性进行过程的精细监测，有助于及早地发现缓变故障，提高在线过程监测性能。

Claims (4)

1.面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，其特征在于，包括以下步骤：
步骤1、选取正常工况下的非平稳过程数据：采集N个样本，每个样本均包含J个测量变量，得到二维数据矩阵
Figure FDA0002472187410000011
步骤2、数据矩阵重构：将二维数据矩阵
Figure FDA0002472187410000012
根据工况指示变量的大小进行升序排序来重构样本；确定工况间隔β，将工况指示变量划分成M个区间，获得M个负荷片
Figure FDA0002472187410000013
其中Nm为第m个负荷片内的样本数，m＝1,2,…,M；
步骤3、负荷片预处理：将每个负荷片
Figure FDA0002472187410000014
内每一列向量中的每一元素分别进行减均值和除以标准差的标准化处理；其中下标j代表第j列，下标k代表每列中第k个元素，
Figure FDA0002472187410000015
为负荷片
Figure FDA0002472187410000016
第k行j列的元素；标准化处理的计算公式为：
Figure FDA0002472187410000017
上式中，
Figure FDA0002472187410000018
是
Figure FDA0002472187410000019
第j列向量的均值，
Figure FDA00024721874100000110
是
Figure FDA00024721874100000111
第j列向量的标准差，
Figure FDA00024721874100000112
为标准化后的负荷片Xm第k行j列的元素；
Figure FDA00024721874100000113
为：
Figure FDA00024721874100000114
将负荷片
Figure FDA00024721874100000115
标准化后，得到每列均值为0，方差为1的矩阵Xm(Nm×J)；
步骤4、对负荷片
Figure FDA00024721874100000116
进行SSA建模：
步骤4.1、对标准化后的负荷片数据矩阵Xm(Nm×J),m＝1,2,…,M建立SSA模型，其中SSA建模公式如下：
gm＝XmWm (3)
上式中，gm为第m个负荷片的特征，Wm(J×J)为SSA的系数矩阵；
步骤4.2、选取主高斯特征个数：根据高斯检验结果，将gm分为两个部分：
Figure FDA00024721874100000117
SSA所提第m个负荷片的特征gm的两部分分别为：
Figure FDA0002472187410000021
上式中，gm,d是从第m个负荷片提取出的高斯特征，gm,e为从第m个负荷片提取出的非高斯特征；Wm,d和Wm,e分别表示高斯特征和非高斯特征的变换矩阵，Wm,d和Wm,e共同组成SSA的系数矩阵Wm(J×J)；
步骤4.3、计算各负荷片的高斯特征监测统计量
Figure FDA0002472187410000022
和控制限：
Figure FDA0002472187410000023
上式中，gm,d是从第m个负荷片提取出的高斯特征；
Figure FDA0002472187410000024
是gm,d的监测统计量，采用核密度估计确定出控制限
Figure FDA00024721874100000210
步骤5、步进有序地将非平稳过程数据划分成多个负荷维度上平稳的负荷模态：
步骤5.1、从第一个负荷片开始，依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵
Figure FDA0002472187410000025
其中下标k代表该负荷段矩阵由k个负荷片组成；对新的负荷段矩阵
Figure FDA0002472187410000026
进行SSA建模，将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯特征个数：
gv,k＝Xv,kWv,k (7)
gv,k,d＝Xv,kWv,k,d (8)
gv,k,e＝Xv,kWv,k,e (9)
上式(7)至式(9)中，gv,k为负荷段的SSA特征，Wv,k(J×J)为负荷段的变换矩阵；gv,k,d和gv,k,e分别为负荷段内提取出的高斯特征和非高斯特征；Wv,k,d(J×p)和Wv,k,e(J×(J-p))分别表示负荷段SSA模型的高斯特征和非高斯特征的变换矩阵；
步骤5.2、计算当前负荷段内各个负荷片的高斯特征监测统计量
Figure FDA0002472187410000027
和控制限：
Figure FDA0002472187410000028
上式中，
Figure FDA0002472187410000029
是负荷段内第m个负荷片的高斯特征gv,m,d的监测统计量，m＝1,2,…,k；采用核密度估计确定出控制限
Figure FDA0002472187410000031
步骤5.3、确定负荷段划分点k*：
针对负荷段内的所有负荷片，比较每个负荷片在独自建模时的控制限
Figure FDA0002472187410000032
与统一建模时的控制限
Figure FDA0002472187410000033
若自第k*个负荷片起，连续三个负荷片呈现
Figure FDA0002472187410000034
则新加入的负荷片对该负荷段的SSA模型有不利影响，进行负荷段划分，将新加入的负荷片序号k*记为负荷段划分点，将k*之前引入的负荷片归属于同一个负荷段；反之则继续引入下一个负荷片，直至找到负荷段划分点；所述α为缓和因子并且是常数；
步骤5.4、划分所有的负荷段，进行数据更新：根据步骤5.3中的k*，移除已划分好的负荷段，把余下的非平稳过程数据作为新的输入数据带入步骤5.1中；
步骤6、采用基于负荷模态划分的监测算法对每个负荷模态的高斯特征和非高斯特征协同进行细粒度的监测分析：
步骤6.1、根据步骤5得到划分好的O个负荷段，记为
Figure FDA0002472187410000035
Figure FDA0002472187410000036
代表已划分好的第o个负荷段的样本个数，
Figure FDA0002472187410000037
为负荷段内所有负荷片的样本数之和；建立第o个负荷段的SSA模型：
go＝XoWo (11)
上式中，go代表从第o个负荷段中提取的特征；Wo为第o个负荷段的变换矩阵；
步骤6.2、按步骤4.1中相应的负荷片数据矩阵Xm进行SSA建模：
出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯个数；按照高斯检验的置信度结果从大到小对特征重新排序，得到对应的变换矩阵；定义Wo的前p列为Wo,d(J×p)，剩余部分为Wo,e(J×(J-p))，go的两部分分别为：
go,d＝XoWo,d (12)
go,e＝XoWo,e (13)
上式(12)和式(13)中，go,d为第o个负荷段内部的高斯特征；go,e是第o个负荷段内部的非高斯特征；Wo,d和Wo,e分别表示第o个负荷段SSA模型高斯特征和非高斯特征的变换矩阵；
步骤6.3、针对负荷段的高斯特征，提取出监测统计量
Figure FDA0002472187410000041
用核密度估计确定出对应的控制限；
Figure FDA0002472187410000042
步骤6.4、针对负荷段的非高斯特征，建立高斯混合模型GMM来进一步评估分布特性；使用EM算法估计高斯混合模型GMM的参数，使用F-J算法确定高斯混合模型GMM中高斯元个数，提取出基于贝叶斯推断距离的监测统计量BIDo：
Figure FDA0002472187410000043
上式中，Mo为第o个负荷段非高斯特征空间内的高斯元个数；
Figure FDA0002472187410000044
为第o个负荷段第t个样本的非高斯特征go,e(t)属于第l个高斯元
Figure FDA0002472187410000045
的后验概率；
Figure FDA0002472187410000046
为go,e(t)到
Figure FDA0002472187410000047
的马氏距离；用核密度估计确定BIDo的控制限；
步骤7、在线过程监测：
步骤7.1、采集新测量数据并进行预处理：在线监测时，采集新的过程测量数据
Figure FDA0002472187410000048
其中下标new代表新样本；根据
Figure FDA0002472187410000049
的负荷值确定其所属的负荷段o；按照步骤3中标准化处理的方式进行标准化处理，标准化处理后得到新的监测样本xnew(1×J)；在标准化过程中，每一列使用的均值和方差均采用所在负荷段中的建模数据的均值和方差，
步骤7.2、利用第o个负荷段的SSA模型计算当前新样本的高斯特征和非高斯特征：
gnew,d＝xnewWo,d (16)
gnew,e＝xnewWo,e (17)
上式中，gnew,d为新样本的高斯特征，gnew,e为新样本的非高斯特征；Wo,d和Wo,e分别高斯特征gnew,d和非高斯特征gnew,e所处负荷段的变换矩阵；
步骤7.3、计算监测统计量：
Figure FDA00024721874100000410
Figure FDA00024721874100000411
步骤7.4、在线判断过程运行状态：实时比较两个监测统计量
Figure FDA0002472187410000051
和BIDnew与其各自的控制限；当且仅当两个监测统计量
Figure FDA0002472187410000052
和BIDnew均在控制限之下，则认为过程正常运行；否则，当任何一个监测统计量超出控制限，则过程出现异常，进行现场查看。
2.根据权利要求1所述高斯非高斯特征协同解析与监测方法，其特征在于：所述步骤1中测量变量包括给煤量、环境温度、六处电机线圈温度、两处电机轴承温度、磨煤机电流、两处齿轮箱输入轴承温度、四处齿轮箱轴承温度、润滑油温度、旋转分离器电流、两处旋转分离器轴承温度、旋转分离器转速反馈值、油箱温度、进口一次风量、两处进口一次风温、三处出口温度、出口压力、进口一次风压、冷风调节门位置、密封风压力、密封风与冷一次风差压和热风调节门位置。
3.根据权利要求1所述高斯非高斯特征协同解析与监测方法，其特征在于：所述步骤7.1中
Figure FDA0002472187410000053
的负荷值为
Figure FDA0002472187410000054
工况指示变量的大小。
4.根据权利要求1所述高斯非高斯特征协同解析与监测方法，其特征在于，所述步骤7.4中：当监测统计量
Figure FDA0002472187410000055
超出控制限，监测统计量BIDnew在控制限之下时，高斯空间分布异常；当监测统计量
Figure FDA0002472187410000056
在控制限之下，监测统计量BIDnew超出控制限时，非高斯空间分布异常；当监测统计量
Figure FDA0002472187410000057
与监测统计量BIDnew均超出控制限时，高斯空间与非高斯空间均分布异常。
CN202010351861.XA 2020-04-28 2020-04-28 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法 Active CN111474911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010351861.XA CN111474911B (zh) 2020-04-28 2020-04-28 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351861.XA CN111474911B (zh) 2020-04-28 2020-04-28 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法

Publications (2)

Publication Number Publication Date
CN111474911A CN111474911A (zh) 2020-07-31
CN111474911B true CN111474911B (zh) 2021-03-16

Family

ID=71762836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351861.XA Active CN111474911B (zh) 2020-04-28 2020-04-28 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法

Country Status (1)

Country Link
CN (1) CN111474911B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708180A (zh) * 2012-05-09 2012-10-03 北京华电天仁电力控制技术有限公司 基于实时历史库的机组运行模式数据挖掘方法
CN106444665A (zh) * 2016-09-22 2017-02-22 宁波大学 一种基于非高斯相似度匹配的故障分类诊断方法
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
CN108710150A (zh) * 2018-05-22 2018-10-26 中国海洋石油集团有限公司 一种基于稳健奇异谱分析的地震不规则噪声去除方法
CN109188905A (zh) * 2018-09-07 2019-01-11 浙江大学 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
CN109238760A (zh) * 2018-09-11 2019-01-18 浙江大学 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法
CN109669413A (zh) * 2018-12-13 2019-04-23 宁波大学 一种基于动态潜独立变量的动态非高斯过程监测方法
CN109669412A (zh) * 2018-12-13 2019-04-23 宁波大学 一种基于新型动态独立成分分析的非高斯过程监测方法
CN109901476A (zh) * 2019-03-29 2019-06-18 华能国际电力股份有限公司德州电厂 一种基于多变量数据段相似性的异常工况监控方法及系统
CN110879580A (zh) * 2019-12-10 2020-03-13 浙江大学 一种面向大范围非平稳瞬变连续过程的分析和监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799151B (zh) * 2012-07-05 2014-04-23 大连理工大学 一种基于统计分类的冶金煤气系统实时平衡调整方法
US20180284735A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
CN106897509B (zh) * 2017-02-16 2020-06-16 大连理工大学 一种动态非高斯结构监测数据异常识别方法
EP3499311A1 (en) * 2017-12-14 2019-06-19 ASML Netherlands B.V. Method for controlling a manufacturing apparatus and associated aparatuses
CN109507972B (zh) * 2018-12-19 2020-06-16 中国计量大学 基于分层式非高斯监测算法的工业生产过程故障监测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708180A (zh) * 2012-05-09 2012-10-03 北京华电天仁电力控制技术有限公司 基于实时历史库的机组运行模式数据挖掘方法
CN106444665A (zh) * 2016-09-22 2017-02-22 宁波大学 一种基于非高斯相似度匹配的故障分类诊断方法
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
CN108710150A (zh) * 2018-05-22 2018-10-26 中国海洋石油集团有限公司 一种基于稳健奇异谱分析的地震不规则噪声去除方法
CN109188905A (zh) * 2018-09-07 2019-01-11 浙江大学 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
CN109238760A (zh) * 2018-09-11 2019-01-18 浙江大学 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法
CN109669413A (zh) * 2018-12-13 2019-04-23 宁波大学 一种基于动态潜独立变量的动态非高斯过程监测方法
CN109669412A (zh) * 2018-12-13 2019-04-23 宁波大学 一种基于新型动态独立成分分析的非高斯过程监测方法
CN109901476A (zh) * 2019-03-29 2019-06-18 华能国际电力股份有限公司德州电厂 一种基于多变量数据段相似性的异常工况监控方法及系统
CN110879580A (zh) * 2019-12-10 2020-03-13 浙江大学 一种面向大范围非平稳瞬变连续过程的分析和监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Anomaly Detection and Removal Using Non-Stationary Gaussian Processes;Steven Reece, Roman Garnett, Michael Osborne, Stephen Roberts;《OALib Journal》;20150731;全文 *
基于PCA的卷烟制丝过程监测与故障诊断;王伟，赵春晖;《控制工程》;20171231;第24卷(第12期);全文 *
面向智能发电的电站燃煤锅炉在线运行优化;李闯;《中国新技术新产品》;20191231;全文 *

Also Published As

Publication number Publication date
CN111474911A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN110879580B (zh) 一种面向大范围非平稳瞬变连续过程的分析和监测方法
CN111537219B (zh) 一种基于温度参数的风机齿轮箱性能检测与健康评估方法
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
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN111582392A (zh) 一种风电机组关键部件多工况健康状态在线监测方法
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN111367253B (zh) 基于局部自适应标准化的化工系统多工况故障检测方法
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
CN109184821B (zh) 一种大型发电机组汽轮机的闭环信息分析的在线监测方法
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
Tang et al. Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis
CN114611067A (zh) 一种基于典型变量相异性分析的化工过程缓变故障检测方法
CN111474911B (zh) 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法
CN115310216B (zh) 一种基于优化XGBoost的磨煤机故障预警方法
CN109283912B (zh) 一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法
CN112598030B (zh) 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
CN114995338A (zh) 一种基于规范变量分析与js散度融合的工业过程微小故障检测方法
Valle et al. Extracting fault subspaces for fault identification of a polyester film process
CN111814325B (zh) 燃煤发电装备非平稳运行的单变量报警阈值优化方法
Pan et al. Fault detection with principal component pursuit method
Xuan et al. Competitive adaptive reweighted sampling method for fault detection
Ma et al. Process monitoring of the pneumatic control valve using canonical variate analysis
CN117556202B (zh) 基于概率相关慢特征分析的工业过程微小故障检测方法

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