CN112598057A - 一种基于feknn策略的燃煤电厂锅炉故障诊断方法 - Google Patents

Abstract

本发明提供一种基于FEKNN的燃煤电厂锅炉故障诊断方法,主要包括以下步骤：S1、对历史数据进行预处理，为进行燃烧系统故障诊断分析提供高质量样本；S2、对预处理后的数据进行MDS降维；S3、利用均值漂移聚类方法对正常历史数据进行聚类，形成燃烧系统正常运行状态库；S4、采用FEKNN故障诊断方法得到燃烧系统运行状态曲线，进行燃烧系统的故障诊断；本发明方法为不需要故障标签数据，只利用锅炉燃烧系统正常数据组成状态库，以锅炉燃烧系统运行状态曲线判断其运行状态的FEKNN故障诊断方法。

Description

一种基于FEKNN策略的燃煤电厂锅炉故障诊断方法

技术领域

本发明涉及火力发电技术与故障诊断技术领域，特别是涉及一种基于FEKNN策略的燃煤电厂锅炉故障诊断方法。

背景技术

随着我国经济的不断发展，社会对于电力工业的需求也不断增加，而在我国电力结构中，火力发电依然具有十分重要的地位。

大型火电机组常与一定容量的汽轮发电机组相配套，主要用于发电，但在某些特殊场合下也可兼作对外供热之用。一般其蒸发量较大，蒸汽参数(汽温和汽压)很高，需要有一整套的辅助设备，多需配置室燃炉膛，采用强制通风方式，可燃用多种燃料(煤粉、原油或重油、高炉煤气或炼焦炉煤气)，结构较复杂，效率较高，多数可达85％～93％左右，对运行管理水平、机械化程度以及自动控制技术有相当高的要求。大型火电机组结构复杂，系统众多，一旦某个系统产生故障，未被及时发现处理，很容易扩展为更大的故障，从而造成机组的非计划停机，不仅影响火力发电的稳定性，而且会提高运营成本，增加能源消耗。

目前故障诊断的推理机制已经达到很高的水平，但征兆的获取成为了一个瓶颈，即最大的问题是检测手段不能满足诊断的需要，不能真实地反应故障的特征。对故障机理的了解是准确诊断故障的前提，对电厂某些设备的复杂故障，很难从理论上给出解释，对其机理的了解并不深刻。专家系统作为人工智能在电厂主要设备故障诊断中的应用已获得成功，但仍有一些关键的人工智能应用问题需要解决，主要有知识的表达与获取、自学习、智能辨识、信息融合等。

当前火电厂设备的故障诊断系统所用的诊断方法有模糊逻辑法、故障树分析法、专家系统、人工神经网络等。但是单一的诊断方法往往难以达到期望的诊断效果。目前的故障诊断系统常常只是进行到故障类型识别这一部分，不能确定故障的具体位置，且对设备的状态进行预测的功能研究不够。

因此，亟需一种燃煤电厂锅炉故障诊断方法。

发明内容

本发明的目的是实时、准确的对火电厂锅炉燃烧系统的健康状态进行监测并实现对故障部件的准确定位。

为实现上述目的，本发明提供了如下方案：

一种基于FEKNN的燃煤电厂锅炉故障诊断方法，包括以下步骤：

S1、对历史数据进行预处理,得到处理后正常运行的历史数据；

S2、数据降维：对经过数据预处理的正常运行的历史数据进行降维处理；

S3、数据聚类：利用均值漂移聚类Mean Shift方法对所述正常运行的历史数据进行聚类，形成燃烧系统正常运行状态库；

S4、故障诊断：采用FEKNN故障诊断方法得到燃烧系统运行状态曲线，进行燃烧系统的故障诊断。

优选地，所述步骤S1中对历史数据进行预处理的过程为：利用肖维勒准则法进行异常值剔除，首先找到一个以样本均值为中心的概率带，所述概率带包含所有的样本数据，所述概率带以外的数据为异常值，剔除出数据集，计算剩余数据的均值和标准差；采用Savitzky-Golay滤波方法通过时域内局域多项式最小二乘法拟合的方法对所述剩余数据进行滤波。

优选地，采用MDS算法对所述步骤S2中正常运行的历史数据进行降维处理。

优选地，所述步骤S3中均值漂移聚类Mean Shift方法的步骤为：

S1.1、给定数据集，包含d维空间的n个数据点，则对于已知数据集中任意点x的均值偏移向量的基本形式为：

其中S_k表示一个数据点的集合，即以点x为球心，以bandwidth为半径的球中的数据点S_h(x)：

S_h(x)＝{y:(y-x_i)(y-x_i)^T<h²} (2)

在式(1)中，k值表示已知数据集X中有k个数据点在S_k区域中，x_i-x为已知数据集中的点x_i相对于x的偏移向量，而均值偏移向量则是将S_k区域中的每个偏移向量求和平均，从而得到中心x点的最终偏移向量；

S1.2、高斯核函数为：

其中h为高斯核函数的带宽；

S1.3、加入高斯核函数后的均值偏移向量公式为：

加入高斯核函数后，每次圆心坐标更新后为：

优选地，所述步骤S4中采用燃烧系统运行状态曲线进行故障诊断的方法为：

S4.1、选取与锅炉燃烧系统运行相关的关键变量作为初始数据，对所选取的初始数据进行预处理获得正常的运行数据；

S4.2、将剔除异常点后的数据进行归一化处理：

其中，x表示样本值，x_min表示样本中最小的值，x_max表示样本中最大的值；

S4.3、将预处理后的数据利用MDS方法进行降维处理，使得数据变为二维数据；

S4.4、将降维后的二维数据利用均值漂移聚类方法聚类，得到正常运行数据的各个类别，用Ω＝(ω₁，ω₂，...，ω_c)表示；

S4.5、选择一组新的待检测数据，利用KNN算法在各个类别中找到k个最近邻居，利用以下公式对每个邻居的类别信息进行模糊化处理，得到每个邻居属于各个类别的隶属度：

其中，c^j为x^j所属的类别，k为x^j的邻居个数，n_i为x^j属于i类的邻居个数；

S4.6、计算出每个邻居为待检测数据提供的分类证据：

对于待检测的测试样本x，首先利用KNN算法的原理采用欧式距离，找到距离其最近的k个邻居组成集合Φ_S，集合Φ_S中的每个数据点(x_i,C_i)都可以为x的分类提供一条证据，该证据信息可以表示为：

m_i(Ω|x)＝1-αφ(d_i)u_qi，i＝1,2,…,k (8)

m_i({ω_q}|x)＝αφ(d_i)u_qi,q＝1,2，…c，i＝1,2,…，k (9)

其中，d_i表示x和x_i之间的欧式距离，即x和x_i之间的相似性；ω_q为所属的类别，α为结构函数，一般取值为0.95，φ为距离折扣函数：

式中的γ>0，一般为待检测样本x与k个最近邻居间距离的平均值的倒数，并且φ函数满足：

S4.7、利用D-S理论改进Murphy融合规则对k个最近邻居提供的证据进行融合，如果证据融合后，属于未知状态的概率最大，则表明锅炉在异常运行，为工作人员提供故障报警。

优选地，FEKNN故障诊断方法包括：将经过预处理的正常样本数据进行MDS降维处理，然后对降维后的正常样本数据进行均值漂移聚类处理，得到燃烧系统正常运行的状态库；利用KNN算法选择与待检测样本的k个最近邻居，并对k个最近邻居的状态信息进行模糊化处理；利用D-S理论的改进Murphy规则将k个最近邻居的状态信息融合起来，得到待检测样本属于各个状态及未知状态的概率，以此来检测燃烧系统是否发生故障。

优选地，所述待检测样本与训练样本的获取过程为：利用D-S理论的改进Murphy规则将k个最近邻居的状态信息融合起来，得到待检测样本属于各个状态及未知状态的概率；将其类别信息作为所述待检测样本分类时的k条证据；然后依据待检测样本与各个最近邻居之间的欧式距离构造折扣函数，并利用折扣函数对k条最近邻居提供的证据进行折扣；最后采用D-S理论中的Dempster融合规则对折扣后的k条证据进行融合，确定待检测样本的类别。

本发明的有益效果为：

本发明提供的方法,应用在火力发电系统中,提出基于FEKNN算法的燃烧系统故障诊断方法，其最大的特点为不需要故障标签数据，仅靠大量的正常运行数据即可进行故障诊断。可以实时准确的对火电厂锅炉燃烧系统的健康状态进行监测并实现对故障部件的准确定位,检测火电厂锅炉燃烧系统状态异常有很高的准确度,为维修人员针对风机的实时运行情况进行相应的检修提供了指导意见。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中利用FEKNN算法对火电厂锅炉燃烧系统进行故障诊断流程图；

图2为本发明均值漂移示意图；

图3为本发明高斯核函数示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，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。

本发明提供了一种基于FEKNN策略的燃煤电厂锅炉故障诊断方法，方法流程如图1所示，具体包括以下步骤：

S1、历史数据预处理；

利用肖维勒准则法对60个测试点的数据进行异常点剔除、降噪处理，其中主要测试点包括：机组负荷、炉膛压力、主蒸汽压力、主蒸汽温度、主蒸汽流量、锅炉主汽压力、主给水流量、锅炉给水母管温度、分离器壁温、磨煤机功率、送风机功率、引风机功率、一次风机电流、燃尽风OFA流量。首先找到一个以样本均值为中心的概率带，概率带包含所有的样本数据，而概率带以外的数据则认为是异常值，应该剔除出数据集，并计算剩余数据的均值和标准差，确保所有数据均在概率带中。肖维勒准则法的步骤如下：

(1)计算出样本数据的均值：

(2)求取每个数据值的残差：

(3)求取数据的标准差：

(4)利用标准正太函数表求取肖维勒准则法中的ω_n：

式中，x_i表示样本的数量，n表示测试点的数量。

判断|v_i|>ω_nδ是否成立，如果成立则表示第i个数为异常数据需要剔除。

火电机组通常工作在高温高压的恶劣环境下，因此通过底层DCS系统中的传感器采集数据时，通常会受到外界环境的影响，导致采集的数据中混杂着许多噪声，造成数据库中储存的数据可能会有强烈的振荡，需要采用滤波算法对数据进行平滑处理，本发明采用Savitzky-Golay方法对燃烧系统数据进行平滑化处理。

Savitzky-Golay滤波方法被广泛的应用于数据流平滑降燥，其由Savitzky和Golay提出，通过时域内局域多项式最小二乘法拟合的方法进行滤波，实质上就是对移动平滑滤波方法进行改进。Savitzky-Golay滤波方法的最大特点是可以保证数据流的形状、宽度不变。

Savitzky-Golay滤波方法的平滑公式为：

其中w为移动窗口的大小，h_i/H的为平滑矩阵算子可以通过最小二乘法拟合得到。设滤波窗口的宽度为n＝2m+1，采用k-1阶多项式对窗口内的数据进行拟合：

y＝a₀+a₁x+a₂x²+…+a_k-1x^k-1 (6)

可以得到n个这样的多项式，将其用矩阵表示得：

Y_(2m+1)×1＝X_(2m+1)×k·A_k×1+E_(2m+1)×k (7)

式中A的最小二乘解

为：

Y的模型滤波值

为：

所以得：

B＝X·(X^T·X)^-1·X^T (10)

B即为Savitzky-Golay滤波的平滑矩阵算子，即h_i/H的值，将其带入式(5)中，即可对数据进行滤波处理。

S2、数据降维；

对经过数据预处理的大量正常运行历史数据进行MDS降维,MDS算法是一种以数据间距离为标准的传统数据降维方法，其可以保持各个数据之间的相对距离变化最小。假设X＝{x₁,x₂,…,x_n}是一个n×q的矩阵，其中n为数据的个数，q为数据的维数，即每个数据的特征个数。其中每一个x_i表示一个样本数据，样本x_i与x_j之间的距离用d_ij表示，从而构造出原始空间的距离矩阵D∈R^n×n，MDS算法的目标是得到原始数据在q′维的表示Z∈R^q′×n，q′<q，并且低维空间中任意两个数据间的欧式距离与其在原始空间中的距离相等，即：

‖z_i-z_j‖＝d_ij (11)

令B＝Z^TZ，其中B为降维后矩阵的内积矩阵，

根据式(11)有：

为了便于计算，使得降维后的样本Z中心化，即

因此内积矩阵B的行列之和也全为0，即

根据式(12)可得：

其中tr(·)为矩阵的迹，即

根据式(12)以及(13)-(18)整理可得：

根据式(19)即可根据原始矩阵的距离矩阵D求出降维后矩阵的内积矩阵B，然后对矩阵B进行特征分解：

B＝VΛV^T (20)

其中Λ为特征值组成的对角矩阵，V为对应的特征向量矩阵；从特征值中选取d′个最大特征值构成新的特征值矩阵

从而得到其对应的特征向量矩阵

则可得降维后的矩阵Z为：

S3、数据聚类；

Mean Shift算法其本质是一种基于核密度函数的估计算法，它将圆心根据均值漂移向量移动到某个密度函数的局部极大值处，即密度梯度为0的点，也为该分类的中心点。

(1)均值漂移向量的基本形式

给定一个已知的数据集X，其包含d维空间的n个数据点，则对于已知数据集中任意点x的均值偏移向量的基本形式为：

其中S_k表示一个数据点的集合，即以点x为球心，以bandwidth为半径的球中的数据点：

S_h(x)＝{y:(y-x_i)(y-x_i)^T<h²} (23)

在式(22)中，k值表示已知数据集X中有k个数据点在S_k区域中，式中x_i-x为已知数据集中的点x_i相对于x的偏移向量，而均值偏移向量则是将S_k区域中的每个偏移向量求和平均，从而得到中心x点的最终偏移向量。如图2所示。园内的每个点到圆心都有一个偏移向量，将所有偏移向量相加平均后得到最终偏移变量，圆心移动到新的地方后，重复计算，最终圆心抵达概率密度最大的地方。

(2)加入高斯核函数的均值漂移向量

偏移向量的基本形式中只是对所有偏移向量进行简单的算术平均，没有考虑到每个偏移向量对最终的均值偏移向量的贡献是不同的，因此在其中加入高斯核函数，为每个偏移权重设定一个权重系数，增高均值偏移向量的准确性。

高斯核函数为：

其中h为高斯核函数的带宽，不同带宽的高斯核函数如图3所示，从图3中可以看出，当高斯核函数的带宽h确定以后，随着距离的增大，高斯核函数的值也变得越小，因此可以利用高斯核函数为每个样本的偏移向量确定一个权重。

加入高斯核函数后的均值偏移向量公式为：

加入高斯核函数后，每次圆心坐标更新后为：

S4、故障诊断；

首先利用KNN算法，根据待检测样本与训练样本之间的欧式距离找到k个最近邻居；然后对每个邻居的类别信息进行模糊化处理，得到每个邻居属于各个类别的隶属度；其次利用隶属度对每个邻居提供给待检测样本的分类证据进行处理，即得到式(27)与(28)；最后利用D-S理论改进Murphy融合规则对处理后的k条证据进行融合，从而得到待检测样本的分类。

m_i({ω_q}|x)＝αφ(d_i)u_qi，q＝1，2，…c，i＝1,2,…,k (27)

m_i(Ω|x)＝1-αφ(d_i)u_qi，i＝1,2,…,k (28)

选取与锅炉燃烧系统运行相关的关键变量，因为故障通常反映在这些变量的异常变化或广泛波动上；对初始数据进行预处理以获得正常的运行数据；将剔除异常点后的数据利用以下公式进行归一化处理。

将预处理后的数据利用MDS方法进行降维处理，使得数据变为二维数据，以减少接下来的计算量。

将降维后的二维数据利用均值漂移聚类方法聚类，得到正常运行数据的各个类别，用Ω＝(ω₁，ω₂，…，ω_c)表示，这些类别仅表示锅炉正常运行时的各个类别，与故障情况无关。

选择一组新的待检测数据，利用KNN算法在各个类别中找到k个最近邻居，利用以下公式对每个邻居的类别信息进行模糊化处理，得到每个邻居属于各个类别的隶属度。

式中，c^j为x^j所属的类别，k为x^j的邻居个数，n_i为x^j属于i类的邻居个数。

证据KNN(EKNN)算法是一种基于D-S理论的非参数监督分类方法，通过KNN算法找到待检测样本的k个最近邻居，将其类别信息作为待检测样本分类时的k条证据；然后依据待检测样本与各个最近邻居之间的欧式距离构造折扣函数，并利用折扣函数对k条最近邻居提供的证据进行折扣；最后采用D-S理论中的Dempster融合规则对折扣后的k条证据进行融合，最终确定待检测样本的类别。

EKNN中所有的类别辨识框架记为Ω＝{ω₁,ω₂,…,ω_c}，表示整体样本可以被分为c个类别，ω_i表示其中的第i个类别。EKNN算法的训练集样本空间为TC＝{(x₁,C₁),(x₂,C₂),…,(x_n,C_n)}，其中x_i表示输入的第i个数据，C_i表示第i个数据所属的类别。

对于待检测的测试样本x，首先利用KNN算法的原理采用欧式距离，找到距离其最近的k个邻居组成集合Φ_S，集合Φ_S中的每个数据点(x_i,C_i)都可以为x的分类提供一条证据，该证据信息可以表示为：

m_i(Ω|x)＝1-αφ(d_i)u_qi，i＝1,2,…,k (31)

m_i({ω_q}|x)＝αφ(d_i)u_qi,q＝1,2,…c，i＝1,2,…,k (32)

其中，d_i表示x和x_i之间的欧式距离，即x和x_i之间的相似性；ω_q为所属的类别，α为结构函数，一般取值为0.95，φ为距离折扣函数：

式中的γ＞0，一般为待检测样本x与k个最近邻居间距离的平均值的倒数，并且φ函数满足：

利用D-S理论改进Murphy融合规则对k个最近邻居提供的证据进行融合；如果证据融合后，属于未知状态的概率最大，则表明锅炉在异常运行，为工作人员提供故障报警。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，包括以下步骤：

S1、对历史数据进行预处理，得到处理后正常运行的历史数据；

S2、数据降维：对经过数据预处理的正常运行的历史数据进行降维处理；

S3、数据聚类：利用均值漂移聚类Mean Shift方法对所述正常运行的历史数据进行聚类，形成燃烧系统正常运行状态库；

S4、故障诊断：采用FEKNN故障诊断方法得到燃烧系统运行状态曲线，进行燃烧系统的故障诊断。

2.根据权利要求1所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，所述步骤S1中对历史数据进行预处理的过程为：利用肖维勒准则法进行异常值剔除，首先找到一个以样本均值为中心的概率带，所述概率带包含所有的样本数据，所述概率带以外的数据为异常值，剔除出数据集，计算剩余数据的均值和标准差；采用Savitzky-Golay滤波方法通过时域内局域多项式最小二乘法拟合的方法对所述剩余数据进行滤波。

3.根据权利要求1所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，采用MDS算法对所述步骤S2中正常运行的历史数据进行降维处理。

4.根据权利要求1所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，所述步骤S3中均值漂移聚类Mean Shift方法的步骤为：

S1.1、给定数据集，包含d维空间的n个数据点，则对于已知数据集中任意点x的均值偏移向量的基本形式为：

其中S_k表示一个数据点的集合，即以点x为球心，以bandwidth为半径的球中的数据点S_h(x)：

S_h(x)＝{y：(y-x_i)(y-x_i)^T＜h²} (2)

在式(1)中，k值表示已知数据集X中有k个数据点在S_k区域中，x_j-x为已知数据集中的点x_i相对于x的偏移向量，而均值偏移向量则是将S_k区域中的每个偏移向量求和平均，从而得到中心X点的最终偏移向量；

S1.2、高斯核函数为：

其中h为高斯核函数的带宽；

S1.3、加入高斯核函数后的均值偏移向量公式为：

加入高斯核函数后，每次圆心坐标更新后为：

5.根据权利要求1所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，所述步骤S4中采用燃烧系统运行状态曲线进行故障诊断的方法为：

S4.1、选取与锅炉燃烧系统运行相关的关键变量作为初始数据，对所选取的初始数据进行预处理获得正常的运行数据；

S4.2、将剔除异常点后的数据进行归一化处理：

其中，X表示样本值，X_min表示样本中最小的值，X_max表示样本中最大的值；

S4.3、将预处理后的数据利用MDS方法进行降维处理，使得数据变为二维数据；

S4.4、将降维后的二维数据利用均值漂移聚类方法聚类，得到正常运行数据的各个类别，用Ω＝(ω₁，ω₂，…，ω_c)表示；

S4.5、选择一组新的待检测数据，利用KNN算法在各个类别中找到k个最近邻居，利用以下公式对每个邻居的类别信息进行模糊化处理，得到每个邻居属于各个类别的隶属度：

其中，c^j为x^j所属的类别，k为x^j的邻居个数，n_i为x^j属于i类的邻居个数；

S4.6、计算出每个邻居为待检测数据提供的分类证据：

对于待检测的测试样本x，首先利用KNN算法的原理采用欧式距离，找到距离其最近的k个邻居组成集合Φ_S，集合Φ_S中的每个数据点(x_i，C_i)都可以为x的分类提供一条证据，该证据信息可以表示为：

m_i(Ω|x)＝1-αφ(d_i)u_qi，i＝1，2，…，k (8)

m_i({ω_q}|x)＝αφ(d_i)u_qi，q＝1，2，…c，i＝1，2，…，k (9)

其中，d_i表示x和x_i之间的欧式距离，即x和x_i之间的相似性；ω_q为所属的类别，α为结构函数，一般取值为0.95，φ为距离折扣函数：

式中的γ＞0，一般为待检测样本x与k个最近邻居间距离的平均值的倒数，并且φ函数满足：

S4.7、利用D-S理论改进Murphy融合规则对k个最近邻居提供的证据进行融合，如果证据融合后，属于未知状态的概率最大，则表明锅炉在异常运行，为工作人员提供故障报警。

6.根据权利要求5所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，FEKNN故障诊断方法包括：将经过预处理的正常样本数据进行MDS降维处理，然后对降维后的正常样本数据进行均值漂移聚类处理，得到燃烧系统正常运行的状态库；利用KNN算法选择与待检测样本的k个最近邻居，并对k个最近邻居的状态信息进行模糊化处理；利用D-S理论的改进Murphy规则将k个最近邻居的状态信息融合起来，得到待检测样本属于各个状态及未知状态的概率，以此来检测燃烧系统是否发生故障。

7.根据权利要求6所述的基于FEKNN的燃煤电厂锅炉故障诊断方法，其特征在于，所述待检测样本与训练样本的获取过程为：利用D-S理论的改进Murphy规则将k个最近邻居的状态信息融合起来，得到待检测样本属于各个状态及未知状态的概率；将其类别信息作为所述待检测样本分类时的k条证据；然后依据待检测样本与各个最近邻居之间的欧式距离构造折扣函数，并利用折扣函数对k条最近邻居提供的证据进行折扣；最后采用D-S理论中的Dempster融合规则对折扣后的k条证据进行融合，确定待检测样本的类别。

Images