CN111931421B - 基于秩次相关的因果结构图的燃气轮机故障预测方法 - Google Patents

基于秩次相关的因果结构图的燃气轮机故障预测方法 Download PDF

Info

Publication number
CN111931421B
CN111931421B CN202010786693.7A CN202010786693A CN111931421B CN 111931421 B CN111931421 B CN 111931421B CN 202010786693 A CN202010786693 A CN 202010786693A CN 111931421 B CN111931421 B CN 111931421B
Authority
CN
China
Prior art keywords
monitoring point
iter
monitoring
gas turbine
rank
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
CN202010786693.7A
Other languages
English (en)
Other versions
CN111931421A (zh
Inventor
杨静
樊高金
沈安波
江刘峰
朱尤杰
方宝富
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010786693.7A priority Critical patent/CN111931421B/zh
Publication of CN111931421A publication Critical patent/CN111931421A/zh
Application granted granted Critical
Publication of CN111931421B publication Critical patent/CN111931421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于秩次相关的因果结构图的燃气轮机故障预测方法，其步骤包括：1、获取所有监测节点向量的数据集；2、为每个监测节点使用秩次相关的方法选择一组候选邻居监测点集；3、在受限空间内使用爬山搜索，通过评分函数完成定向工作，确定本监控节点与其他监测节点间的因果关系；4、直到评分次数超过设定值前获得相应的监测系统因果结构图，并用于训练故障预测模型；从而得到故障预测模型，以实现对故障进行更加准确的预测。本发明能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。

Description

基于秩次相关的因果结构图的燃气轮机故障预测方法
技术领域
本发明属于数据挖掘领域，具体地说是一种基于秩次相关的因果结构图的燃气轮机故障预测方法。
背景技术
故障检测是由于建立“监控系统”的需要而发展起来的。由于所建系统规模的不断扩大，复杂性的提高以及系统投资的巨大，人们迫切需要提高系统的可靠性和安全性。因而有必要建立一个监控系统来监视整个系统的运行状态，不断检测系统的变化和故障，进而采取必要的措施，防止系统的损坏和事故的发生。而其前提则是必须具有检测和诊断故障的能力。
故障预测通常根据系统历史状态预测故障是否在未来时间发生，及早检测出故障并采取相应的维护措施，预防故障的演变恶化。目前，常用的故障预测方法包括：基于模型的方法，如时间序列预测、卡尔曼滤波、基于机理模型或经验模型的方法等；基于数据的方法，如统计分析、贝叶斯理论、隐马尔可夫模型等；基于人工智能的方法，如神经网络预测、专家系统、模糊逻辑预测等。其中，贝叶斯方法由于具有处理不确定事件的独特能力，在故障预测领域占有重要的地位。贝叶斯网络能够描述随机变量/事件间的依赖关系，是一种不确定性因果关联模型，具有较强的学习能力，因此擅长表达复杂、不确定性的问题。目前贝叶斯网络具备成熟的概率推理算法，易于进行预测推理。以上特点使得贝叶斯网络适合用于故障预测。随着大数据技术的兴起，如何将大数据相关技术应用于燃气轮机状态监测和故障诊断是一个值得研究的课题。燃气轮机机组在运行时不断地产生大量的监测数据，基于这些海量的运行监测数据，开展燃气轮机机组状态分析、性能监测和故障智能诊断预测研究，具有非常重要的现实意义。通过数据建模，可以对燃气轮机机组状态进行实时的健康评估，预测状态趋势，在没有发生重大故障前提前预警，可以早期发现燃气轮机故障，从而避免经济损失、提供维修建议、有助于燃机的安全可靠地运行。然而，这些数据的分布往往是任意的，彼此之间的关系往往具有非线性的特点，对于这种非线性数据的研究是具有一定的挑战。这些运行数据构成一个复杂的网络系统，辨识该复杂系统的网络节点间的联系，有助于燃气轮机的状态监测和故障预测。
而描述复杂网络间关系的杰出模型就是由美国加州大学的Judea Pearl提出的基于概率论和图论的贝叶斯网络模型。Hoyer等对于贝叶斯网络因果模型进行更进一步扩展，提出了加性噪声模型，该模型可以建模非高斯非线性的数据。而燃气轮机机组的运行数据恰恰也是非高斯非线性的。所以，基于加性噪声模型对燃气轮机机组的运行数据进行分析是非常有意义的研究方向。
基于规则的诊断方法，该方法采用直接及启发式知识表示，诊断速度较快，且容易实现编程和系统开发，具有直观方便的优点。不过由于知识库中的故障类型较少，面对新的故障问题时就显得无从下手，极易导致诊断失误或者失败；基于人工神经网络的故障诊断主要是建立故障源和征兆间的映射，具有高度的容错机制及非线性等优点。不过由于神经网络的诊断方法对系统内部的潜在关系不能进行准确的揭示，因而增加了该方法出现误诊的概率；混合型智能诊断方法可以依据发动机组性能参数的不同以及采集存储的历史数据信息按照一定的选用规则选取合理的诊断方法，具有良好的综合性能。
目前这些方法的主要局限包括：
(1)燃气轮机的故障预测采用直接知识表示的方法，速度快，但知识库中的故障较少，面对新的故障时候就不能有效的进行故障预测，很大可能会导致诊断失误；
(2)单独的神经网络诊断方法，不能对燃气轮机系统内部的各部件关系进行准确的揭示，只能通过数据进行表面分析，这也给故障预测带来很大的不确定性。
发明内容
本发明为克服现有技术存在的不足之处，提出了一种基于秩次相关的因果结构图的燃气轮机故障预测方法，以期能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。
本发明为解决技术问题采用如下技术方案：
本发明一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X1,X2,...,Xi,...,Xn}的燃气轮机运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有， 表示第i个监测点Xi的运行数据Di中第k个样本；i＝1,2,...,n，k＝1,2,...,m，m表示运行数据的样本总数；其特点是，所述燃气轮机故障预测是按如下步骤进行：
步骤1、定义第i个监测点Xi的候选节点集为PN(Xi)；并初始化PN(Xi)＝φ；初始化i＝0；
步骤2、定义秩次相关假设检验的阈值为Kα；定义循环值j，并初始化j＝2；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点Xi的运行数据Di；否则，表示获得每个监测点的候选节点集，并执行步骤8；
步骤4、对所述第j个监测点Xj与第i个监测点Xi进行秩次相关系数计算，得到秩次相关系数rij；
步骤5、对所述秩次相关系数rij进行假设检验，从而计算数据集的显著性水平值pij；
步骤6、若pij≥Kα，则表示第j个监测点Xj与第i个监测点Xi没有相关性，若pij＜Kα，则表示第j个监测点Xj与第i个监测点Xi有相关性，并第j个监测点Xj加入到候选节点集PN(Xi)中；
步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；
步骤8、定义监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；
步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，则对每个监测点的候选节点集使用爬山搜索法进行定向后，返回步骤9执行；否则，执行步骤10；
步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，所述监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；
步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；
步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用所述故障预测模型得到实时监测的监测点的预测值，从而将所述预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。
本发明所述的燃气轮机故障预测方法的特点也在于，所述步骤4是按如下步骤进行：
步骤4.1、定义第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的等级差为dij；
步骤4.2、将燃气轮机运行数据集D中所有数据进行秩次排列后得到运行数据集的秩次排序D′＝{D′1,D′2,...,D′i,...,D′n}；D′i表示运行数据集秩次排序D′中第i个监测点X′i的运行数据的秩次排序；
步骤4.3、定义变量k，k∈[1,m]；
步骤4.4、利用式(1)计算第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的第k行的等级差
式(1)中，表示运行数据集秩次D′中第i个监测点X′i的第k个样本的秩次排序；表示新的运行数据集秩次D′中第j个监测点X′j的第k个样本的秩次排序；
步骤4.5、利用式(2)计算所述第j个监测点Xj与第i个监测点Xi的秩次相关系数rij：
所述步骤5是按如下步骤进行：
步骤5.1、利用式(3)对秩次相关系数rij的真值进行假设检验：
H0：E(rij)＝0 H1：E(rij)≠0 (3)
式(3)中，H0表示检验假设，E(rij)表示秩次相关系数rij均值，H1表示备选假设；
步骤5.2、利用式(4)得到统计量Zact：
式(4)中，表示第j个监测点Xj与第i个监测点Xi的真实数据所计算的秩次相关系数；步骤5.3、利用式(5)计算显著性水平值pij：
pij＝(1-Φ(Zact))×2 (5)
式(5)中，Φ(Zact)表示统计量Zact的概率密度。
所述步骤9是按如下步骤进行：
步骤9.1、利用式(6)构建评分函数MDL：
式(6)中，评分函数MDL由数据的拟合优度和网络复杂度共同决定；Pa(Xj)表示第j个监测点的相关监测点集；/>表示第j个监测点Xj的自由变量个数，/>是第j个变量θj在表示NLL(Xj,Pa(Xj),θj)取最小值时的最大似然估计，并有：
式(7)中，NLL(Xj,Pa(Xj),θj)表示第j个监测点Xj在具有相关监测点集Pa(Xj)和第j个变量θj时的评分；
步骤9.3、利用式(8)计算第j个监测点Xj在具有相关监测点集Pa(Xj)和参数时的评分/>
式(8)中，xjk表示第j个监测点Xj在第k个样本的实际取值，pa(xjk)表示第j个监测点Xj在其相关监测点集Pa(Xj)在第k个样本的实际取值；是第j个监测点Xj在其相关监测点集Pa(Xj)取值为pa(xjk)和权值为/>时，计算得出的预测值；
步骤9.4、定义rs表示重新搜索，并初始化rs为1；
定义G min Score和G min Graph分别表示最小MDL评分及其对应的网络，并初始化G min Score为无穷大，定义Iter表示迭代的次数，并初始化为0；
步骤9.5、将Iter+1赋值给Iter，若rs＝1，则表示执行重新搜索；并执行步骤9.6；若rs＝0时表示不执行重新搜索；
步骤9.6、在每个监测点的候选节点集中随机添加边，当出现环，则停止添加边，并去除形成环所对应的边后得到第Iter次迭代的初选网络；计算所述第Iter次迭代的初选网络的得分GraphScoreIter，并更新评分次数ENu为ENu+n；
步骤9.7、将GraphScoreIter赋值给第Iter次迭代的局部最优得分L min Score，并令rs＝0；
步骤9.8、判断L min Score＞G min Score是否成立，若成立，则执行步骤9.9，否则，执行步骤9.12；
步骤9.9、对第Iter次迭代的初选网络分别进行所有可能的添加边、删除边、逆置边的操作，并计算每一次操作后的网络的评分函数MDL的下降幅度，从而对第Iter次迭代的初选网络进行下降幅度最大的操作，得到第Iter次迭代操作后的网络；并得到所有可能的添加边、删除边、逆置边操作的评分次数记为AddENu、DelENu、Re vENu；
步骤9.10、计算所述第Iter次迭代操作后的网络的得分GraphScoreIter，并将ENu+AddENu+DelENu+Re vENu后赋值给ENu，从而更新评分次数；
步骤9.11、判断GraphScoreIter小于L min Score是否成立，若成立，则将GraphScoreIter赋值给L min Score，并令rs＝1后，返回步骤9.5执行；否则，执行步骤9.12；
步骤9.12、判断L min Score小于G min Score是否成立，若成立，将L min Score赋值给G min Score，则所述第Iter次迭代操作后的赋给G min Graph；
步骤9.13、判断ENu小于MaxIter是否成立，若成立，返回步骤9.5执行，否则输出Gmin Score和G min Graph，其中G min Graph即为最终获得的监测点关系网络图。
与已有技术相比，本发明的有益效果体现在：
1、针对燃气轮机机组运行监测数据分布往往是任意的，彼此之间的关系往往具有非线性的特点，本发明基于秩次相关对监测节点的相关性进行研究，显著的降低了模型建立的复杂度，从而满足了燃气轮机状态监测的需要。
2、本发明针对燃气轮机机组监测点构建贝叶斯网络结构因果图，能够对其结构和参数进行更新和修正来保证其与燃气轮机外部环境变化同步，从而能够快速处理燃气轮机的异常情况。
3、本发明针对燃气轮机机组监测节点构建贝叶斯网络结构因果图然后通过LSTM神经网络进行预测首先能够表露燃气轮机各监测节点之间的显性信息，还能得到监控节点间内存在的关系和决策信息，然后结合神经网络方法进行故障预测，大大提高了故障预测的准确性。
具体实施方式
在本实施例中，一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，通过持续运行记录一段时间，获取燃气轮机n个监测点X＝{X1,X2,...,Xi,...,Xn}的燃气轮机运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有， 表示第i个监测点Xi的运行数据Di中第k个样本；i＝1,2,...,n，k＝1,2,...,m，m表示运行数据的样本总数；该燃气轮机故障预测的目的首先构建监测点关系网络图，找出监测点间的关系，找到与任意监测点相关性较强的监测点，并在该方法上，使用神经网络模型来对选择的监测点进行未来趋势的预测，从而对燃气轮机的运行状态进行监测和故障预警。具体来说是燃气轮机故障预测是按如下步骤进行：
步骤1、获取定义燃气轮机的第i个监测点Xi的候选节点集为PN(Xi)；并初始化PN(Xi)＝φ；初始化i＝0；
步骤2、定义秩次相关假设检验的阈值为Kα；定义循环值j，并初始化j＝2；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点Xi的运行数据Di；否则，表示获得每个监测点的候选节点集，并执行步骤8；
步骤4、对燃气轮机的第j个监测点Xj与燃气轮机的第i个监测点Xi进行秩次相关系数计算，得到秩次相关系数rij；
步骤4.1、定义燃气轮机的第i个监测点Xi的运行数据Di与燃气轮机的第j个监测点Xj的运行数据Dj的等级差为dij；
步骤4.2、将燃气轮机运行数据集D中所有数据进行秩次排列后得到运行数据集的秩次排序D′＝{D′1,D′2,...,D′i,...,D′n}；D′i表示运行数据集秩次排序D′中第i个监测点X′i的运行数据的秩次排序；
步骤4.3、定义变量k，并初始化k＝1；
步骤4.4、利用式(1)计算第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的第k行的等级差
式(1)中，表示运行数据集秩次D′中第i个监测点X′i的第k个样本的秩次排序；表示新的运行数据集秩次D′中第j个监测点X′j的第k个样本的秩次排序；
步骤4.5、将k+1赋值给k后，判断k>m是否成立，若成立，则执行步骤5，否则返回步骤4.4；
步骤4.6、利用式(2)计算第j个监测点Xj与第i个监测点Xi的秩次相关系数rij：
步骤5、对秩次相关系数rij进行假设检验，从而计算数据集的显著性水平值pij；
步骤5.1、利用式(3)对秩次相关系数rij的真值进行假设检验：
H0：E(rij)＝0 H1：E(rij)≠0 (3)
式(3)中，H0表示检验假设，E(rij)表示秩次相关系数rij均值，H1表示备选假设；
步骤5.2、秩次相关系数服从标准正态分布，统计量利用式(4)得到统计量Zact：
式(4)中，表示第j个监测点Xj与第i个监测点Xi的真实数据所计算的秩次相关系数；
步骤5.3、利用式(5)计算显著性水平值pij：
式(5)中，表示在零假设的前提下比较统计量Zact和Z大小的概率；Φ(Zact)表示统计量Zact的累积概率密度；
步骤6、若pij≥Kα，则表示第j个监测点Xj与第i个监测点Xi没有相关性，若pij＜Kα，则表示第j个监测点Xj与第i个监测点Xi有相关性，并第j个监测点Xj加入到候选节点集PN(Xi)中；
步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；
步骤8、定义燃气轮机的监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；
步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，因约束阶段并没有得到一个真正的燃气轮机监测点关系网络图，它仅仅为每个变量找到了其候选监测点集，在约束阶段的基础上进行受限的贪婪爬山搜索算法对每个监测点的候选节点集进行定向，返回步骤9执行；否则，执行步骤10；
步骤9.1、利用式(6)构建评分函数MDL：
式(6)中，MDL评分由数据的拟合优度和网络复杂度共同决定；Pa(Xj)表示第j个监测点的相关监测点集；/>表示第j个监测点Xj的自由变量个数，/>是第j个变量θj在表示NLL(Xj,Pa(Xj),θj)取最小值时的最大似然估计，并有：
式(7)中，NLL(Xj,Pa(Xj),θj)表示第j个监测点Xj在具有相关监测点集Pa(Xj)和第j个变量θj时的评分；
步骤9.3、利用式(8)计算第j个监测点Xj在具有相关监测点集Pa(Xj)和参数时的评分/>
式(8)中，xjk表示第j个监测点Xj在第k个样本的实际取值，pa(xjk)表示第j个监测点Xj在其相关监测点集Pa(Xj)在第k个样本的实际取值；是第j个监测点Xj在其相关监测点集Pa(Xj)取值为pa(xjk)和权值为/>时，计算得出的预测值；
步骤9.4、定义rs表示重新搜索，并初始化rs为1；
定义G min Score和G min Graph分别表示最小MDL评分及其对应的网络，并初始化G min Score为无穷大，定义Iter表示迭代的次数，并初始化为0；
步骤9.5、将Iter+1赋值给Iter，若rs＝1，则表示执行重新搜索；并执行步骤9.6；若rs＝0时表示不执行重新搜索；
步骤9.6、在每个监测点的候选节点集中随机添加边，当出现环，则停止添加边，并去除形成环所对应的边后得到第Iter次迭代的初选网络；计算第Iter次迭代的初选网络的得分GraphScoreIter，并更新评分次数ENu为ENu+n；
步骤9.7、将GraphScoreIter赋值给第Iter次迭代的局部最优得分L min Score，并令rs＝0；
步骤9.8、判断L min Score＞G min Score是否成立，若成立，则执行步骤9.9，否则，执行步骤9.12；
步骤9.9、对第Iter次迭代的初选网络分别进行所有可能的添加边、删除边、逆置边的操作，并计算每一次操作后的网络的评分函数MDL的下降幅度，从而对第Iter次迭代的初选网络进行下降幅度最大的操作，得到第Iter次迭代操作后的网络；并得到所有可能的添加边、删除边、逆置边操作的评分次数记为AddENu、DelENu、Re vENu；
步骤9.10、计算第Iter次迭代操作后的网络的得分GraphScoreIter，并将ENu+AddENu+DelENu+Re vENu后赋值给ENu，从而更新评分次数；
步骤9.11、判断GraphScoreIter小于L min Score是否成立，若成立，则将GraphScoreIter赋值给L min Score，并令rs＝1后，返回步骤9.5执行；否则，执行步骤9.12；
步骤9.12、判断L min Score小于G min Score是否成立，若成立，将L min Score赋值给G min Score，则第Iter次迭代操作后的赋给G min Graph；
步骤9.13、判断ENu小于MaxIter是否成立，若成立，返回步骤9.5执行，否则输出Gmin Score和G min Graph，其中G min Graph即为最终获得的监测点关系网络图。
步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；
步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；
步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用故障预测模型得到实时监测的监测点的预测值，从而将预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。

Claims (3)

1.一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X1,X2,…,Xi,…,Xn}的燃气轮机运行数据集D＝{D1,D2,…,Di,…,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有， 表示第i个监测点Xi的运行数据Di中第k个样本；i＝1,2,…,n，k＝1,2,...,m，m表示运行数据的样本总数；其特征是，所述燃气轮机故障预测是按如下步骤进行：
步骤1、定义第i个监测点Xi的候选节点集为PN(Xi)；并初始化PN(Xi)＝φ；初始化i＝0；
步骤2、定义秩次相关假设检验的阈值为Kα；定义循环值j，并初始化j＝2；
步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点Xi的运行数据Di；否则，表示获得每个监测点的候选节点集，并执行步骤8；
步骤4、对第j个监测点Xj与第i个监测点Xi进行秩次相关系数计算，得到秩次相关系数rij；
步骤5、对所述秩次相关系数rij进行假设检验，从而计算数据集的显著性水平值pij；
步骤6、若pij≥Kα，则表示第j个监测点Xj与第i个监测点Xi没有相关性，若pij＜Kα，则表示第j个监测点Xj与第i个监测点Xi有相关性，并第j个监测点Xj加入到候选节点集PN(Xi)中；
步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；
步骤8、定义监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；
步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，则对每个监测点的候选节点集使用爬山搜索法进行定向后，返回步骤9执行；否则，执行步骤10；
步骤9.1、利用式(6)构建评分函数MDL：
式(6)中，评分函数MDL由数据的拟合优度和网络复杂度共同决定；Pa(Xj)表示第j个监测点的相关监测点集；/>表示第j个监测点Xj的自由变量个数，/>是第j个变量θj在表示NLL(Xj,Pa(Xj),θj)取最小值时的最大似然估计，并有：
式(7)中，NLL(Xj,Pa(Xj),θj)表示第j个监测点Xj在具有相关监测点集Pa(Xj)和第j个变量θj时的评分；
步骤9.3、利用式(8)计算第j个监测点Xj在具有相关监测点集Pa(Xj)和参数时的评分/>
式(8)中，xjk表示第j个监测点Xj在第k个样本的实际取值，pa(xjk)表示第j个监测点Xj在其相关监测点集Pa(Xj)在第k个样本的实际取值；是第j个监测点Xj在其相关监测点集Pa(Xj)取值为pa(xjk)和权值为/>时，计算得出的预测值；
步骤9.4、定义rs表示重新搜索，并初始化rs为1；
定义G minScore和G minGraph分别表示最小MDL评分及其对应的网络，并初始化GminScore为无穷大，定义Iter表示迭代的次数，并初始化为0；
步骤9.5、将Iter+1赋值给Iter，若rs＝1，则表示执行重新搜索；并执行步骤9.6；若rs＝0时表示不执行重新搜索；
步骤9.6、在每个监测点的候选节点集中随机添加边，当出现环，则停止添加边，并去除形成环所对应的边后得到第Iter次迭代的初选网络；计算所述第Iter次迭代的初选网络的得分GraphScoreIter，并更新评分次数ENu为ENu+n；
步骤9.7、将GraphScoreIter赋值给第Iter次迭代的局部最优得分LminScore，并令rs＝0；
步骤9.8、判断LminScore＞GminScore是否成立，若成立，则执行步骤9.9，否则，执行步骤9.12；
步骤9.9、对第Iter次迭代的初选网络分别进行所有可能的添加边、删除边、逆置边的操作，并计算每一次操作后的网络的评分函数MDL的下降幅度，从而对第Iter次迭代的初选网络进行下降幅度最大的操作，得到第Iter次迭代操作后的网络；并得到所有可能的添加边、删除边、逆置边操作的评分次数记为AddENu、DelENu、RevENu；
步骤9.10、计算所述第Iter次迭代操作后的网络的得分GraphScoreIter，并将ENu+AddENu+DelENu+RevENu后赋值给ENu，从而更新评分次数；
步骤9.11、判断GraphScoreIter小于LminScore是否成立，若成立，则将GraphScoreIter赋值给LminScore，并令rs＝1后，返回步骤9.5执行；否则，执行步骤9.12；
步骤9.12、判断LminScore小于GminScore是否成立，若成立，将LminScore赋值给GminScore，则所述第Iter次迭代操作后的赋给GminGraph；
步骤9.13、判断ENu小于MaxIter是否成立，若成立，返回步骤9.5执行，否则输出GminScore和GminGraph，其中GminGraph即为最终获得的监测点关系网络图；
步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，所述监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；
步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；
步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用所述故障预测模型得到实时监测的监测点的预测值，从而将所述预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。
2.根据权利要求1所述的燃气轮机故障预测方法，其特征是，所述步骤4是按如下步骤进行：
步骤4.1、定义第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的等级差为dij；
步骤4.2、将燃气轮机运行数据集D中所有数据进行秩次排列后得到运行数据集的秩次排序D′＝{D′1,D′2,...,D′i,…,D′n}；D′i表示运行数据集秩次排序D′中第i个监测点X′i的运行数据的秩次排序；
步骤4.3、定义变量k，k∈[1,m]；
步骤4.4、利用式(1)计算第i个监测点Xi的运行数据Di与第j个监测点Xj的运行数据Dj的第k行的等级差
式(1)中，表示运行数据集秩次D′中第i个监测点Xi′的第k个样本的秩次排序；/>表示新的运行数据集秩次D′中第j个监测点X′j的第k个样本的秩次排序；
步骤4.5、利用式(2)计算所述第j个监测点Xj与第i个监测点Xi的秩次相关系数rij：
3.根据权利要求1所述的燃气轮机故障预测方法，其特征是，所述步骤5是按如下步骤进行：
步骤5.1、利用式(3)对秩次相关系数rij的真值进行假设检验：
H0：E(rij)＝0 H1：E(rij)≠0 (3)
式(3)中，H0表示检验假设，E(rij)表示秩次相关系数rij均值，H1表示备选假设；
步骤5.2、利用式(4)得到统计量Zact：
式(4)中，表示第j个监测点Xj与第i个监测点Xi的真实数据所计算的秩次相关系数；
步骤5.3、利用式(5)计算显著性水平值pij：
pij＝(1-Φ(Zact))×2 (5)
式(5)中，Φ(Zact)表示统计量Zact的概率密度。
CN202010786693.7A 2020-08-07 2020-08-07 基于秩次相关的因果结构图的燃气轮机故障预测方法 Active CN111931421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010786693.7A CN111931421B (zh) 2020-08-07 2020-08-07 基于秩次相关的因果结构图的燃气轮机故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010786693.7A CN111931421B (zh) 2020-08-07 2020-08-07 基于秩次相关的因果结构图的燃气轮机故障预测方法

Publications (2)

Publication Number Publication Date
CN111931421A CN111931421A (zh) 2020-11-13
CN111931421B true CN111931421B (zh) 2023-09-29

Family

ID=73306947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010786693.7A Active CN111931421B (zh) 2020-08-07 2020-08-07 基于秩次相关的因果结构图的燃气轮机故障预测方法

Country Status (1)

Country Link
CN (1) CN111931421B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607400A (zh) * 2003-07-22 2005-04-20 微软公司 根据周围信号确定装置的近似位置的方法
WO2019068087A1 (en) * 2017-09-29 2019-04-04 University Of Maryland, College Park ANTICANCER THERAPY RESPONSE PREDICTION SYSTEM AND METHODS OF USING THE SAME
CN110503204A (zh) * 2018-05-17 2019-11-26 国际商业机器公司 识别用于机器学习任务的迁移模型

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607400A (zh) * 2003-07-22 2005-04-20 微软公司 根据周围信号确定装置的近似位置的方法
WO2019068087A1 (en) * 2017-09-29 2019-04-04 University Of Maryland, College Park ANTICANCER THERAPY RESPONSE PREDICTION SYSTEM AND METHODS OF USING THE SAME
CN110503204A (zh) * 2018-05-17 2019-11-26 国际商业机器公司 识别用于机器学习任务的迁移模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The Max-Min High-Order Dynamic Bayesian Network for Learning Gene Regulatory Networks with Time-Delayed Regulations;Yifeng Li;IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGYAND BIOINFORMATICS;第13卷(第4期);全文 *
基于GPS 轨迹的城市拥堵区域挖掘与分析;武兴业;计算机技术与发展;第26卷(第7期);全文 *
基于贝叶斯网络学习的钻井平台应急疏散风险评估;秦桃;中国石油大学硕士学位论文;全文 *
组合投资双目标概率准则模型及TSII算法求解;周子康;杨衡;唐万生;;系统工程理论方法应用(第03期);全文 *

Also Published As

Publication number Publication date
CN111931421A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
Aydin et al. Using LSTM networks to predict engine condition on large scale data processing framework
CN112926273B (zh) 一种多元退化设备剩余寿命预测方法
JP2020119605A (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
Abu-Samah et al. Failure prediction methodology for improved proactive maintenance using Bayesian approach
CN106021062A (zh) 关联故障的预测方法和系统
Zhang et al. Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering
Ding et al. Online failure prediction for railway transportation systems based on fuzzy rules and data analysis
CN116595319A (zh) 应用于轨道交通电机健康状态评估的预测方法及系统
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN111931420B (zh) 基于核再生希尔伯特空间的燃气轮机故障预测方法
Zhang et al. A review of fault prognostics in condition based maintenance
CN117556347A (zh) 一种基于工业大数据的电力设备故障预测与健康管理方法
CN114154266B (zh) 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法
CN111931421B (zh) 基于秩次相关的因果结构图的燃气轮机故障预测方法
Wang et al. Joint learning of failure mode recognition and prognostics for degradation processes
Abid et al. Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available
CN116136926A (zh) 基于贝叶斯网络的水下机器人健康管理系统
He et al. NARNET-based prognostics modeling for deteriorating systems under dynamic operating conditions
CN114386603B (zh) 基于时序因果网络的火电厂发电机故障预警方法
Adamova et al. Machine Learning in Action: An Analysis of its Application for Fault Detection in Wireless Sensor Networks
Sayar et al. Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey)
Rajaoarisoa et al. Hybrid and co-learning approach for anomalies prediction and explanation of wind turbine systems
Dash et al. A Comparison of Model-Based and Machine Learning Techniques for Fault Diagnosis
Vychuzhanin et al. Intellectualization Method and Model of Complex Technical System's Failures Risk Estimation and Prediction.
Huang et al. A prediction method for aero-engine health management based on nonlinear time series analysis

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