CN111814325B - 燃煤发电装备非平稳运行的单变量报警阈值优化方法 - Google Patents

Abstract

本发明提供了一种燃煤发电装备非平稳运行的单变量报警阈值优化方法，S1.获得非平稳正常运行时若干过程变量的采样数据以获得二维数据矩阵；S2.选取工况指示变量和待优化过程变量，并获得待优化过程变量的M个工况条；S3.将M个工况条依次划入若干工况段中，并确定每个工况段的报警优化阈值和对应的工况指示变量值。借助工况指示变量将非平稳过程转化成平稳的工况片，可以根据需要选取与工况指示变量相关性大的单变量作为阈值优化的对象。简单有效地减少过程的误报率，大大减少无效报警数量，避免了因大量干扰报警而忽略了关键报警信息，从而保障了生产过程的安全、高效运行。

Description

燃煤发电装备非平稳运行的单变量报警阈值优化方法

技术领域

本发明属于非平稳高端燃煤发电过程报警管理技术领域，尤其是涉及一种面向高端燃煤发电装备非平稳运行的单变量报警阈值优化方法。

背景技术

随着新兴技术的高速发展，工业过程也日益大型化、精细化。如何保障生产过程安全运行，降低故障的发生次数，对于提高产品质量及经济效益有着重要意义。报警系统作为保证当前生产过程和设备安全运行的关键环节，其设计的合理与否关乎着工业过程的运行情况。目前，报警系统存在的主要问题是报警数目过多，根据EEMUA准则，操作人员每10分钟处理的报警数目不应超过1个。然而，由于阈值设计的不合理，现场的操作人员每小时将要面对着几十甚至上百个报警信息。这些报警多为干扰报警，消耗着操作员的精力，甚至将关键报警信息淹没，致使严重故障的发生。因而，对报警系统进行合理的阈值优化具有重要研究意义和应用价值。

现有的报警阈值设计方法包括基于模型、基于知识和基于统计的方法。基于模型的方法需要建立生产过程的数学模型，根据模型输入、过程参数等信息实时调节报警阈值。然而随着生产工艺的日益复杂，很难得到准确、完整的数学模型来表征整个系统。因此，基于数学模型的阈值优化方法不再适用。基于知识的方法如专家系统、模糊推理，依据专家的经验知识，模拟专家的思维逻辑去解决某一问题。这类方法高度依赖于专家知识的完备程度，现有的知识库很难满足实际的生产需要，需要考虑如何集成多源信息，动态完善知识库等问题。基于统计的方法是目前应用最多的，也是主流研究方向。最典型的是三倍标准差法，采集过程的正常运行数据进行统计分析，获得均值μ和方差σ²。落在[μ-3σ,μ+3σ]区间范围的数据被认为是正常数据，概率为97.38％，其上下限分别作为高报警阈值、低报警阈值。其对数据质量的要求比较高，且需要充足的样本来估计出合理的阈值。

发明内容

本发明的目的是针对上述问题，提供一种燃煤发电装备非平稳运行的单变量报警阈值优化方法。

为达到上述目的，本发明采用了下列技术方案：

一种燃煤发电装备非平稳运行的单变量报警阈值优化方法，包括以下步骤：

S1.获得非平稳正常运行时若干过程变量的采样数据以获得二维数据矩阵；

S2.选取工况指示变量和待优化过程变量，并获得待优化过程变量的M个工况条；

S3.将M个工况条依次划入若干工况段中，并确定每个工况段的报警优化阈值和对应的工况指示变量值。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，步骤S4之后还包括：

S4.采集在线运行过程中若干过程变量的样本数据，并根据工况指示变量值确定新样本数据所属的工况段；

S5.实时比较待优化过程变量的当前值及其所属工况段的报警优化阈值，当当前值在报警优化阈值范围外时发出报警信息。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，步骤S2具体包括：

S21.选取工况指示变量，并依据工况指示变量升序/降序将采样数据划分为M个工况片以重构采样数据的二维矩阵；

S22.选取待优化过程变量，并分别获取每个工况片中的待优化过程变量，以获得待优化过程变量的M个工况条。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，在步骤S21中，根据工况指示变量的变量间隔β将采样数据划分为M个工况片。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，所述的报警优化阈值由低报警阈值和高报警阈值组成。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，步骤S3中，先获取每个工况段待优化过程变量的采样数据，然后通过公式(1)和公式(2)确定每个工况段的报警优化阈值：

其中，为工段/条第k行的元素，v表示相应待优化过程变量，N_m为工况段/条的样本数；μ^m为工况条/段中采样数据的均值，α为置信水平，σ^m为工况条/段中采样数据的方差，为高报警阈值，/>为低报警阈值。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，在步骤S3中，通过以下方式将M个工况条划入若干工况段中：

S31.确定第一个工况条的报警初始阈值；

S32.依次加入工况条，并判断新加入工况条是否合理，若是，则继续加入工况条，否则执行步骤S33；

S33.将新加入工况条之前的工况条划分入同一工况段，将新加入工况条划入新工况段，并依照步骤S31-S32划分剩余的所有工况条至相应的工况段。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，步骤S3中，通过以下方式确定定每个工况段对应的工况指示变量值：

A.提取每个工况条对应的工况指示变量值；

B.将每个工况段中的工况条对应的工况指示变量值划入相应的工况段中。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，在步骤S31中，通过公式(1)和公式(2)确定报警初始阈值。

在上述的燃煤发电装备非平稳运行的单变量报警阈值优化方法中，步骤S32具体包括：

S321.依次加入工况条，组合得到工况段矩阵；

S322.利用公式(1)和公式(2)确定步骤S321中得到的工况段矩阵的组合报警阈值；

S323.利用公式(1)和公式(2)确定新加入工况条的独自报警阈值；

S324.若自第k^*个工况条起，连续三个或多个工况条的独自报警阈值不在组合报警阈值的有效范围内，则判断为该第k^*个工况条不合理。

本发明的有益效果在于：借助工况指示变量将非平稳过程转化成平稳的工况片，可以根据需要选取与工况指示变量相关性大的单变量作为阈值优化的对象；基于工况指示变量将原本的非平稳运行数据重构成若干个平稳的工况段，每个段内各自进行概率统计，获得该工况下的阈值；简单有效地减少过程的误报率，大大减少无效报警数量，避免了因大量干扰报警而忽略了关键报警信息，从而保障了生产过程的安全、高效运行。

附图说明

图1是本发明针对非平稳数据阈值优化的流程图；

图2是本发明工况模态划分结果与相应阈值；

图3是本发明有阈值优化的故障数据应用；

图4是本发明无阈值优化的故障数据应用。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1所示，本实施例的燃煤发电装备非平稳运行的单变量报警阈值优化方法包括以下步骤：

(1)获得非平稳正常运行时若干过程变量的采样数据以获得二维数据矩阵：在本实例中，采集了约24480个样本用于建模，测量变量为35个：测量变量具体为以下35个：给煤量、环境温度、电机线圈温度、电机线圈温度、电机线圈温度、电机线圈温度、电机线圈温度、电机线圈温度、电机轴承温度、电机轴承温度、磨煤机电流、齿轮箱输入轴承温度、齿轮箱输入轴承温度、齿轮箱轴承温度、齿轮箱轴承温度、齿轮箱轴承温度、齿轮箱轴承温度、润滑油温度、旋转分离器电流、旋转分离器轴承温度、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、进口一次风温、进口一次风温、出口温度、出口温度、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、热风调节门位置。故障集一共采集了6000个样本，其中故障时间为第2000个样本到第5500个样本之间，用于检验本实施例阈值优化方法的报警性能，其中故障为磨煤机出口温度低。

(2)数据矩阵重构：依据工况指示变量升序或降序排序来重构二维数据矩阵X，所述工况指示变量依据过程机理选取为给煤量，选取变量间隔β为0.2，将所述工况指示变量划分为M个区间，同一区间的所有样本构成一个数据矩阵；最终可以获得M个工况片X_m(N_m×J)；其中，N_m为第m个工况片内的样本数，m＝1、2、3…M。

(3)选取需要阈值优化的待优化过程变量：将剩余过程变量与工况指示变量进行相关性分析，选取相关性强的过程变量作为单变量报警阈值优化的对象，其中以电机线圈温度1为例进行阈值优化效果展示；提取出每个工况片X_m中该待优化过程变量v所在的列数据，可获得M个工况条

(4)确定工况条报警初始阈值：假设选定进行优化的待优化过程变量服从正态分布，由均值、方差确定该分布的具体参数；其中，为工况条/>第k行的元素；其均值μ^m、方差σ^m计算公式如下：

进而，工况条的高报警阈值/>低报警阈值/>计算公式如下：

其中，α为置信水平，95％的置信度则对应的α＝0.05。

(5)步进有序进行工况模态自动划分，该步骤由以下子步骤来实现：

(5.1)自第一个工况条起，依次加入下一个工况条，组合得到工况段矩阵其中，下标k代表该工况段矩阵由k个工况条组成；

(5.2)对新的工况段矩阵，参照步骤4重新确定高报警阈值低报警阈值/>

(5.3)确定工况段划分点k^*：针对工况段内的所有工况条，比较每个工况条在独自阈值设计时的独自报警阈值与统一建模时的组合报警阈值/>若自第k^*个工况条起，连续三个工况条呈现/>或者呈现/>则说明新加入的工况条对该工况段的阈值选取有较大影响，偏离了过程数据原始分布范围；此时需要进行工况段划分，将新加入的工况条序号k^*记为划分点，将k^*之前引入的工况条归属于同一个工况段；反之则继续引入下一个工况条，直至找到划分点；其中，α为缓和因子，是大于1的常数，与/>之间为组合报警阈值的有效范围；

(5.4)数据更新，自动划分所有的工况段：根据步骤5.3中的k^*，移除已划分好的工况段，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)基于工况模态划分的阈值优化：确定划分好工况段的优化报警阈值：根据步骤5得到划分好的O个工况段，记为 代表已划分好的第o个工况段的样本个数，等于工况段内所有工况条的样本数之和；然后参照步骤4计算第o个工况段的高报警阈值/>低报警阈值/>

(7)在线动态阈值优化，该步骤由以下子步骤来实现：

(7.1)采集过程变量的新样本数据：在线应用时，采集新的过程变量数据x_new(1×J)，其中，下标new代表新样本；根据x_new的工况指示变量值确定其所属的工况段o；找到前面进行阈值优化的过程变量对应的报警优化阈值—高报警阈值低报警阈值/>

(7.2)在线判断过程运行状态：实时比较高、低报警阈值与该过程变量的当前值；当过程变量值超出了报警优化阈值范围，则触发该变量的报警信息，需要现场查看。

本实施例考虑到有些过程变量在不同工况下表现出不同的分布特性，借助工况指示变量将非平稳过程转化成平稳的工况片，可以根据需要选取与工况指示变量相关性大的单变量作为阈值优化的对象；根据概率密度估计方法确定待优化过程变量所在工况条的报警初始阈值；通过步进有序加入相邻工况条，根据阈值的变化程度进行工况模态划分，最终确定不同工况模态下的报警阈值。在线应用时，根据当前工况指示变量的值匹配到相应的工况模态与阈值，实现动态的阈值优化。为非平稳过程下的阈值优化工作提出了一种新的分析思路，简单有效地减少过程的误报率，避免了因大量干扰报警而忽略了关键报警信息，从而保障了生产过程的安全、高效运行。

下面对本实施例阈值优化方法的报警性能进行检验：

首先选取一段正常数据用于工况模态划分以及针对不同工况下的阈值计算，基于阈值变化程度进行工况模态划分，在α＝1.1取值下的划分结果如附图2所示，一共获得4个工况段，图中的实线即为每个工况段的高报警阈值，虚线即为每个工况段的低报警阈值。

紧接着对一段样本数为6000的故障样本进行在线应用，结果如附图3所示。由附图3可见，阈值随着工况的切换而动态调整，深入考虑了因工况而引起过程变量分布波动的影响。由于磨煤机的非平稳特性，高、低报警阈值随着时间发生多次跳变。

作为对比，这里用无优化的阈值对同一段故障样本进行在线应用，结果如附图4所示。经计算，在故障期间，有阈值优化的报警率为80.5％，无阈值优化的报警率为80.6％；而在正常运行期间，有阈值优化的误报率为6.2％，无阈值优化的报警率为19.9％。从以上可知，本方法可以灵敏地跟随工况切换而动态调整阈值，有效降低误报率，且同样有着良好的故障检测性能。

总体来说，基于本发明提出的基于工况模态划分方法考虑到非平稳过程的不同工况对数据分布带来较大影响的特点，可以将不平稳数据转换成若干个平稳工况模态，并且针对每个工况模态进行阈值的计算，有助于降低误报，提高报警系统性能。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了采样数据、工况条、工况段、报警优化阈值、工况指示变量等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (2)

1.一种燃煤发电装备非平稳运行的单变量报警阈值优化方法，其特征在于，包括以下步骤：

S1.获得非平稳正常运行时若干过程变量的采样数据以获得二维数据矩阵；

S21.选取工况指示变量，并根据工况指示变量的变量间隔β将采样数据划分为M个工况片以重构采样数据的二维矩阵；

S22.选取待优化过程变量，并分别获取每个工况片中的待优化过程变量，以获得待优化过程变量的M个工况条；

S3.将M个工况条依次划入若干工况段中，并确定每个工况段的报警优化阈值和对应的工况指示变量值；

通过以下方式确定每个工况段对应的工况指示变量值：

A.提取每个工况条对应的工况指示变量值；

B.将每个工况段中的工况条对应的工况指示变量值划入相应的工况段中；

所述的报警优化阈值由低报警阈值和高报警阈值组成，且通过以下方式确定每个工况段的报警优化阈值：

获取每个工况段的采样数据，通过公式(1)和公式(2)确定每个工况段的报警优化阈值：

其中，为工况段/条第k行的元素，v表示相应待优化过程变量，N_m为工况段/条的样本数；μ^m为工况条/段中采样数据的均值，α为置信水平，σ^m为工况条/段中采样数据的方差，/>为高报警阈值，/>为低报警阈值；

通过以下方式将M个工况条划入若干工况段中：

S31.通过公式(1)和公式(2)确定第一个工况条的报警初始阈值；

S32.依次加入工况条，并判断新加入工况条是否合理，若是，则继续加入工况条，否则执行步骤S33；

S33.将新加入工况条之前的工况条划分入同一工况段，将新加入工况条划入新工况段，并依照步骤S31-S32划分剩余的所有工况条至相应的工况段；

步骤S32具体包括：

S321.依次加入工况条，组合得到工况段矩阵；

S322.利用公式(1)和公式(2)确定步骤S321中得到的工况段矩阵的组合报警阈值；

S323.利用公式(1)和公式(2)确定新加入工况条的独自报警阈值；

S324.若自第k^*个工况条起，连续多个工况条的独自报警阈值不在组合报警阈值的有效范围内，则判断为该第k^*个工况条不合理。

2.根据权利要求1所述的燃煤发电装备非平稳运行的单变量报警阈值优化方法，其特征在于，步骤S3之后还包括：

S4.采集在线运行过程中若干过程变量的样本数据，并根据工况指示变量值确定新样本数据所属的工况段；

S5.实时比较待优化过程变量的当前值及其所属工况段的报警优化阈值，当当前值在报警优化阈值范围外时发出报警信息。