CN112925292A - 一种基于分层分块的发电机组过程监测与故障诊断方法 - Google Patents

Abstract

本发明属于发电机组的过程监测与故障诊断技术领域，尤其涉及一种基于分层分块的发电机组过程监测与故障诊断方法，具体是一种基于分层分块DLPPCA‑SVM的发电机组过程监测与故障诊断方法。包括步骤1.基于DLPPCA的过程监测算法；步骤2.基于分层分块DLPPCA‑SVM的过程监测和故障诊断方法。本发明针对不同特性的子块分别采用DLPPCA和PCA进行建模，利用支持向量机进行故障诊断，通过构造扩展矩阵解决动态过程中各采样点间相关性强的问题。本发明能够根据过程特性更加准确的建模，诊断结果更加准确，对于提高生产安全性、降低事故发生率、提高企业竞争力具有重要意义。

Description

一种基于分层分块的发电机组过程监测与故障诊断方法

技术领域

本发明属于发电机组的过程监测与故障诊断技术领域，尤其涉及一种基于分层分块的发电机组过程监测与故障诊断方法，具体是一种基于分层分块DLPPCA-SVM的发电机组过程监测与故障诊断方法。

背景技术

火力发电机组是由许多主辅机设备系统组成的有机整体，其大部分设备系统长期运行在高温、高压等恶劣环境下，极易发生故障，因此选择合适的过程监测与故障诊断方法对其进行监测和诊断是一个具有重要意义的关键问题。

数据驱动方法适用于难以确立精确数学模型的复杂工业过程监测与故障诊断。主成分分析法(Principal Component Analysis,PCA)是一种典型基于数据驱动的故障检测方法，通过构造统计量和控制限进行故障监测。但该方法对非线性数据表现较差，不能保持非线性数据间的局部特征。局部保持投影(Locality Preserving Projections,LPP)作为一种流形学习方法，其目标是从高维采样数据中恢复低维流形结构，并较好的保持数据局部结构，对非线性数据也有更佳的效果。但LPP可能导致样本空间中距离较远的样本点在投影后发生重叠。以上方法均基于过程变量独立且满足高斯分布的假设前提下，而实际复杂工业过程中的过程变量常具有自相关、互相关等特点。

当对发电机组此类大型复杂系统整体进行过程监测时，会出现以下几种问题：

①因为系统内部变量过多，数据信息量大，使得特征提取出的信息可能无法较好地体现出子系统中的状况；

②对整体进行过程监测与诊断时，如果因为各子系统间相关关系匹配异常而导致系统运行出现异常，可能会导致故障诊断困难甚至出现误诊的情况；

③此外，因为系统中子过程的相关关系不同，有些子过程可能存在较强的线性关系，有些子过程可能存在较强的非线性关系，如果对其不加以区分而使用一种方法对整体进行监测，也可能会导致最终结果不够准确。

发明内容

针对上述现有技术中存在的不足之处，为了解决发电机组等复杂工业过程监测中可能会出现的监测与诊断结果不准确等问题，本发明提供了一种基于分层分块的发电机组过程监测与故障诊断方法。其目的是为了实现根据监测到的异常，进行在线故障诊断，给出故障原因的发明目的。

本发明为实现上述目的所采用的技术方案是：

一种基于分层分块的发电机组过程监测与故障诊断方法，包括以下步骤：

步骤1.基于DLPPCA的过程监测算法；

步骤2.基于分层分块DLPPCA-SVM的过程监测和故障诊断方法。

进一步的，所述基于DLPPCA的过程监测算法，包括以下步骤：

首先，对样本集进行标准化处理，得到X＝[x₁，x₂，...，x_n]∈R^m×n，利用公式X^*＝[X(1)，X(2)，…X(n-l)]得到扩展动态矩阵X^*∈R^{m(l+1)×(n-l)}；求解下式的广义特征值求解问题：

X^*LX^*Tα＝λX^*DX^*Tα (1)

其中，n为样本数，α为投影向量；D为一个n×n的对角阵，其对角线元素为

W_ij为x_i和x_j的近邻关系，通过k近邻法求得；如果x_ix_j为k近邻，则

如果x_ix_j非k近邻，则W_ij＝0，L是Laplacian矩阵，L＝D-W；

取最小的d个特征值构成投影矩阵A，从而得到投影后的低维矩阵Y^*＝A^TX^*；求解Y^*的协方差矩阵∑：

其中,l为动态步数；

对求得的协方差矩阵进行特征值分解：

∑p_i＝λ^*p_i (3)

上式中，Pi表示矩阵∑的一个特征向量；

取最大的k个特征值对应的特征向量得到矩阵P，通过

Y＝P^TY^* (4)

上式中，P^T表示矩阵P的转置；

得到经过DLPPCA算法特征提取后的低维矩阵Y，该矩阵又称得分矩阵；

对于新检测样本，先进行标准化，再应用DLPPCA算法，对得到的得分矩阵Y求解统计量；

T²统计量为：

T²＝y1^TPΛ^-1P^Ty1 (5)

其中，Λ是由最大的k个λ^*所组成的对角矩阵；

T²统计量服从F分布，T²所对应的控制限为：

其中，l为动态步数，1-α代表置信度；

SPE统计量为：

SPE＝y1^T(I-PP^T)y1 (7)

上式中，y表示矩阵Y^*的列向量，PP^T表示前文中的P矩阵与P矩阵的转置相乘；

SPE对应的控制限为：

其中：

上式中，各符号表示什么请补充完整：c_α是标准正态分布的置信极限，满足公式

此处α＝0.01；λ^*为公式(3)所得到的特征值。

进一步的，所述动态步数l的取值为：1或2。

进一步的，所述基于分层分块DLPPCA-SVM的过程监测和故障诊断方法包括：

假设该工业过程划分为S个子块，m个子块使用PCA方法，n个子块使用DLPPCA方法；则m个子块得分矩阵为Y₁,Y₂,…,Y_m，n个子块得分矩阵表示为Y_m+1，Y_m+2，…，Y_m+n；

将各子系统的得分矩阵组合到一起，作为顶层监测数据：

最后根据顶层建模数据各个维度间的相关关系，选择基于PCA或DLPPCA的过程监测方法对顶层进行监测，并利用历史故障数据训练各子块的SVM分类器；

在在线监测过程中，当底层统计量和顶层统计量超限时，通过SVM算法进行诊断，得到故障类型。

进一步的，所述SVM算法包括：离线建模阶段和在线监测部分。

进一步的，所述SVM算法包括以下步骤：

步骤(1)：收集系统历史数据，计算阈值并结合系统机理，对各子块进行分析，决定各子块使用的方法；动态性强的、呈非线性的子块使用DLPPCA方法，动态性弱的、呈线性的子块使用PCA方法；

步骤(2)：对正常工况数据进行标准化处理，得到X＝[x₁，x₂，...,x_n]∈R^m×n分别使用PCA和DLPPCA对其进行处理，保存各子块的得分矩阵Y₁，Y₂,…，Y_m和Y_m+1，Y_m+2，…，Y_m+n，以及各子块对应的T²和SPE控制限；

步骤(3)：收集各子块的历史故障数据，进行标准化处理，并使用该子块对应的方法进行特征提取，保存得到的得分矩阵；

步骤(4)：将步骤(2)中得到的各子块得分矩阵进行组合得到顶层监测数据

并对顶层监控数据进行分析，选择合适的监测方法，计算顶层数据的

和

统计量；其中，

表示组合得到的顶层监测数据，Y₁，Y₂，…,Y_m+n表示步骤(2)中所保存的各子块得分矩阵；

步骤(5)：利用步骤(3)中求得的故障数据得分矩阵，分别训练各子块的SVM分类器，通过交叉验证的方法实现多分类；

步骤(6)：获得在线监测数据，并对数据进行标准化处理，得到x_new；

其中，x_new表示标准化处理后得到的在线新样本数据。

采用各子块对应的方法进行特征提取，使用PCA方法计算得到得分矩阵y_new1,y_new2,…,y_newm、

和SPE_P统计量；使用DLPPCA方法计算得到得分矩阵y_newm+1,y_newm+2,…,y_newm+n、

和SPE_D统计量；其中，y_new1,y_new2,…,y_newm表示m个使用PCA方法建模的子块最终计算得到的m个得分矩阵，同理，y_newm+1,y_newm+2,…,y_newm+n表示n个使用PCA方法建模的子块最终计算得到的n个得分矩阵,

SPE_P和

SPE_D分别表示使用PCA和DLPPCA方法的各个子块最终求得的统计量；

步骤(7)：将步骤(6)中求得的得分矩阵组合从而得到顶层监测数据

并使用步骤(4)中确定的方法计算在线顶层监测数据的

和

统计量；其中

表示组合得到的在线顶层数据，而y_new1,y_new2,…,y_newm+n表示步骤(6)中所求得的各子块得分矩阵，

和

代表顶层数据

的统计量；

步骤(8)：在在线检测中，若顶层数据和底层子块均未出现超限，则系统正常；若底层子块超出控制限，则利用步骤(5)训练得到的SVM分类器对故障子块进行诊断，得到明确的故障类型；若仅顶层数据存在超限，而底层子块均在控制限以下，则为子块间出现故障或不匹配。

进一步的，所述故障类型包括：

(1)高压加热器系统的一段抽汽压力从第200个采样点开始逐渐增大的故障,标记为类别1；

(2)高压加热器系统的1号水位从第200个采样点开始逐渐下降的故障，标记为类别2；

(3)汽动给水泵系统的给小机转速从第200个采样点开始逐渐增大并在第400个采样点回落为正常值的故障，标记为类别3；

(4)汽动给水泵系统的给水压力从第200个采样点开始出现扰动故障，标记为类别4；

(5)过热蒸汽及其减温水系统的过热器左侧一级减温器前温度从第200个采样点开始逐渐增大并在第300个采样点时回落为正常值，标记为类别5；

(6)过热蒸汽及其减温水系统的省煤器左侧出口给水压力从第200个样点开始出现扰动故障，标记为类别6。

进一步的，一种所述诊断装置，包括：存储器，存储有计算机程序；处理器，执行所述计算机程序；

其中，所述处理器在执行所述计算机程序时，实现如权利要求1-7所述的诊断方法的步骤。

进一步的，一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于分层分块的发电机组过程监测与故障诊断方法的步骤。

本发明具有以下有益效果及优点：

本发明提出了一种基于动态局部保持主成分分析法(Dynamic LocalityPreserving Principal Component Analysis，DLPPCA)的过程监测方法，主要面向发电机组过程，针对过动态性及非线性强等特点提出了一种基于动态局部保持主成分分析法的过程监测方法，该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模，并利用支持向量机进行故障诊断，不但通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题，并将LPP与PCA结合，首先通过LPP提取出数据的流形信息，再使用PCA实现相关性去除，提取最大方差信息。

本发明解决了以下问题：

(1)提出了DLPPCA算法，提取数据的流形信息的同时实现相关性去除，提取最大方差信息，是一种良好的非线性过程特征提取算法。

(2)针对发电机组等复杂工业过程变量复杂多变呈不同特性的特点，提出了基于分块DLPPCA-SVM的过程监测方法。

(3)当底层统计量和顶层统计量超限时，通过SVM进行诊断，可得到明确的故障类型，有助于工作人员及时对当前生产故障提出并实施解决方案，减少企业生产效益和经济效益的损失，降低安全隐患。

本发明利用分层分块DLPPCA-SVM方法处理发电机组过程变量复杂多变呈不同特性的特点，能够根据过程特性更加准确的建模，可以带来更准确的诊断结果，对于提高生产安全性、降低事故发生率、提高企业竞争力具有重要意义。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明PCA-DLPPCA方法基本思想示意图；

图2a是本发明基于DLPPCA-SVM的过程监测和诊断的离线建模流程图；

图2b是本发明基于DLPPCA-SVM的过程监测和诊断的在线监测流程图；

图3是本发明过热蒸汽及其减温水系统子块采用DLPPCA方法的SPE统计量监测和T²统计量监测图；

图4是本发明汽动给水泵系统子块采用PCA方法的SPE统计量监测和T²统计量监测图；

图5是本发明高压加热器系统子块采用DLPPCA方法的SPE统计量和T²统计量监测图；

图6是本发明顶层数据的SPE统计量和T²统计量监测图；

图7是本发明SVM故障诊断结果；

图8是本发明不分块情况下使用DLPPCA过程SPE统计量和T²统计量监测结果；

图9是本发明不分块情况下使用PCA的SPE统计量和T²统计量过程监测结果；

图10是本发明诊断装置结构示意图。

图中：诊断装置300，存储器310，处理器320。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-图10描述本发明一些实施例的技术方案。

实施例1

本发明是一种基于分层分块的发电机组过程监测与故障诊断方法，如图1所示，图1是本发明PCA-DLPPCA方法基本思想示意图。本发明采用分层分块的思想，根据过程特性，将工业过程划分为多个子块，并判断各子系统内变量间的相关关系，对于动态性强的、呈非线性的子块选择使用DLPPCA算法，对于动态性弱的、呈线性的子块选择使用PCA方法。DLPPCA算法将LPP与PCA方法结合，能提取流形结构的最大方差信息，不但在非线性数据的处理上表现良好，对动态过程的监测效果更是有显著提高。

本发明一种基于分层分块的发电机组过程监测与故障诊断方法包括：

步骤1.基于DLPPCA的过程监测算法；

步骤2.基于分层分块DLPPCA-SVM的过程监测和故障诊断方法。

所述DLPPCA-SVM的英文全称为：Dynamic Locality Preserving PrincipalComponent Analysis-Support Vector Machine，简称DLPPCA-SVM。中文全称为：动态局部保持主成分分析结合支持向量机。

进一步的，步骤1.基于DLPPCA的过程监测算法，包括以下步骤：

首先，对样本集进行标准化处理，得到X＝[x₁,x₂,...,x_n]∈R^m×n，利用公式X^*＝[X(1),X(2),…X(n-l)]得到扩展动态矩阵X^*∈R^{m(l+1)×(n-l)}。求解下式的广义特征值求解问题：

X^*LX^*Tα＝λX^*DX^*Tα (1)

其中，n为样本数，α为投影向量。D为一个n×n的对角阵，其对角线元素为

W_ij为x_i和x_j的近邻关系，通过k近邻法求得；如果x_ix_j为k近邻，则

如果x_ix_j非k近邻，则W_ij＝0，L是Laplacian矩阵，L＝D-W。

取最小的d个特征值构成投影矩阵A，从而得到投影后的低维矩阵Y^*＝A^TX^*。求解Y^*的协方差矩阵∑：

其中,l为动态步数，动态步数的取值根据经验选取，不宜过大，一般取l＝1,2,在本发明中取l＝1。

对求得的协方差矩阵进行特征值分解：

∑p_i＝λ^*p_i (3)

上式中，Pi表示矩阵∑的一个特征向量。

取最大的k个特征值对应的特征向量得到矩阵P。通过

Y＝P^TY^* (4)

上式中，P^T表示矩阵P的转置。

得到经过DLPPCA算法特征提取后的低维矩阵Y，该矩阵又称得分矩阵。

对于新检测样本，首先对其进行标准化，再应用DLPPCA算法，对得到的得分矩阵Y求解统计量。

T²统计量为：

T²＝y1^TPΛ^-1P^Ty1 (5)

其中，Λ是由最大的k个λ^*所组成的对角矩阵。

T²统计量服从F分布，因此T²所对应的控制限为：

其中，l为动态步数，1-α代表置信度，本发明取0.99。

SPE统计量为：

SPE＝y1^T(I-PP^T)y1 (7)

上式中，y表示矩阵Y^*的列向量，PP^T表示前文中的P矩阵与P矩阵的转置相乘。

SPE对应的控制限为：

其中：

此处的α本文取0.01。

上式中，各符号表示什么请补充完整：c_α是标准正态分布的置信极限，满足公式

此处α＝0.01；λ^*为公式(3)所得到的特征值。

进一步的，步骤2.基于分层分块DLPPCA-SVM的过程监测和故障诊断方法,如图2a和图2b所示，图2a是本发明基于DLPPCA-SVM的过程监测和诊断的离线建模流程图，图2b是本发明基于DLPPCA-SVM的过程监测和诊断的在线监测流程图。具体包括：

假设该工业过程划分为S个子块，m个子块使用PCA方法，n个子块使用DLPPCA方法。则m个子块得分矩阵为Y₁，Y₂，…，Y_m，n个子块得分矩阵表示为Y_m+1，Y_m+2，…，Y_m+n。

将各子系统的得分矩阵组合到一起，作为顶层监测数据：

最后根据顶层建模数据各个维度间的相关关系，选择基于PCA或DLPPCA的过程监测方法对顶层进行监测，并利用历史故障数据训练各子块的SVM分类器。

在在线监测过程中，当底层统计量和顶层统计量超限时，通过SVM算法进行诊断，可得到明确的故障类型。SVM算法指支持向量机，Support Vector Machine。

所述SVM算法包括：离线建模阶段和在线监测部分。

SVM算法具体步骤包括：

步骤(1)：收集系统历史数据，计算阈值并结合系统机理，对各子块进行分析，决定各子块使用的方法。动态性强的、呈非线性的子块使用DLPPCA方法，动态性弱的、呈线性的子块使用PCA方法。

步骤(2)：对正常工况数据进行标准化处理，得到X＝[x₁，x₂，...，x_n]∈R^m×n分别使用PCA和DLPPCA对其进行处理，保存各子块的得分矩阵Y₁，Y₂，…，Y_m和Y_m+1，Y_m+2，…，Y_m+n，以及各子块对应的T²和SPE控制限。

步骤(3)：收集各子块的历史故障数据，进行标准化处理，并使用该子块对应的方法进行特征提取，保存得到的得分矩阵。

步骤(4)：将步骤(2)中得到的各子块得分矩阵进行组合得到顶层监测数据

并对顶层监控数据进行分析，选择合适的监测方法，计算顶层数据的

和

统计量。其中，

表示组合得到的顶层监测数据，Y₁，Y₂，…，Y_m+n表示步骤(2)中所保存的各子块得分矩阵；

步骤(5)：利用步骤(3)中求得的故障数据得分矩阵，分别训练各子块的SVM分类器，通过交叉验证的方法实现多分类。

其中，步骤(1)-步骤(5)为离线建模阶段。

步骤(6)：获得在线监测数据，并对数据进行标准化处理，得到x_new。

其中，x_new表示标准化处理后得到的在线新样本数据。

采用各子块对应的方法进行特征提取。使用PCA方法计算得到得分矩阵y_new1，y_new2，…，y_newm、

和SPE_P统计量。使用DLPPCA方法计算得到得分矩阵y_newm+1，y_newm+2，…，y_newm+n、

和SPE_D统计量。其中，y_new1，y_new2，…,y_newm表示m个使用PCA方法建模的子块最终计算得到的m个得分矩阵，同理，y_newm+1,y_newm+2,…,y_newm+n表示n个使用PCA方法建模的子块最终计算得到的n个得分矩阵,

SPE_P和

SPE_D分别表示使用PCA和DLPPCA方法的各个子块最终求得的统计量。

步骤(7)：将步骤(6)中求得的得分矩阵组合从而得到顶层监测数据

并使用步骤(4)中确定的方法计算在线顶层监测数据的

和

统计量。其中

表示组合得到的在线顶层数据，而y_new1,y_new2,…,y_newm+n表示步骤(6)中所求得的各子块得分矩阵，

和

代表顶层数据

的统计量。

步骤(8)：在在线检测中，若顶层数据和底层子块均未出现超限，则系统正常；若底层子块超出控制限，则利用步骤(5)训练得到的SVM分类器对故障子块进行诊断，得到明确的故障类型；若仅顶层数据存在超限，而底层子块均在控制限以下，则为子块间出现故障或不匹配。

其中，在线监测部分为步骤(6)-步骤(8)。

实施例2

本发明又提供了一种实施例，是一种基于分层分块的发电机组过程监测与故障诊断方法。

下面的具体实施例在2x660MW发电机组上得到了实际应用，并取得了显著的效果。该技术主要面向汽动给水泵系统、高压加热器系统和过热蒸汽及其减温水系统这三个子系统，过程检测系统主要由温度检测、压力检测、流量检测等构成。过热蒸汽及其减温水系统变量主要变量如表1，汽动给水泵系统变量如表2，高压加热器系统变量如表3。PLC控制器采用Simens 400系列的CPU 414-2，具有Profibus DP口连接分布式IO，为PLC配备以太网通讯模块，用于上位机访问PLC数据，PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中。上位机选用i7联想计算机，采用WINDOW 10操作系统。PLC信号传送软件是采用C#2010编程软件。

表1过热蒸汽及其减温水系统变量

表2汽动给水泵系统变量

变量标号	变量名称
		v<sub>1</sub>	小机转速
v<sub>2</sub>	计算后汽动给水泵流量
		v<sub>3</sub>	给水泵出口给水母管压力
v<sub>4</sub>	汽动给水泵进水压力
		v<sub>5</sub>	计算后给水流量
v<sub>6</sub>	给水泵出口给水母管温度

表3高压加热器系统变量

首先，根据阈值计算结果和实际验证结果确定各子块所使用的底层建模方法。最终决定汽动给水泵系统使用PCA，过热蒸汽及其减温水系统和高压加热器系统使用DLPPCA方法。之后，取各子系统稳态工况下的1000组数据，其中600组数据作为训练数据集，其余400组作为测试数据集。利用各子块对应的方法进行离线建模，并求得顶层数据。对顶层数据进行和子块相同的分析，最终选择DLPPCA方法进行建模。

在离线建模后，使用故障数据集得到不同故障情况下的顶层数据，并训练SVM分类器。本发明使用了六类故障：

1.高压加热器系统的一段抽汽压力从第200个采样点开始逐渐增大的故障,标记为类别1；

2.高压加热器系统的1号水位从第200个采样点开始逐渐下降的故障，标记为类别2；

3.汽动给水泵系统的给小机转速从第200个采样点开始逐渐增大并在第400个采样点回落为正常值的故障，标记为类别3；

4.汽动给水泵系统的给水压力从第200个采样点开始出现扰动故障，标记为类别4；

5.过热蒸汽及其减温水系统的过热器左侧一级减温器前温度从第200个采样点开始逐渐增大并在第300个采样点时回落为正常值，标记为类别5；

6.过热蒸汽及其减温水系统的省煤器左侧出口给水压力从第200个样点开始出现扰动故障，标记为类别6。

以过热蒸汽及其减温水系统子块的过热器左侧一级减温器前温度发生增大故障的情况为例，说明基于分层分块DLPPCA-SVM的过程监测与故障诊断方法的应用效果。

当该故障发生时，过热蒸汽及其减温水系统子块的统计量监测结果如图3所示，图3是本发明过热蒸汽及其减温水系统子块采用DLPPCA方法的SPE统计量监测和T²统计量监测图。

该故障是在第200个采样点开始发生，并在第300个采样点后回落为正常值。从图3可以看出，当故障发生时，故障所在子块过热蒸汽及其减温水系统的统计量立刻超出控制限，并在第300个采样点后回落到控制限以下。与实际故障情况相符。而其他两个未出现故障的子块统计量则基本始终处在控制限以下，如图4和图5所示，图4是本发明汽动给水泵系统子块采用PCA方法的SPE统计量监测和T²统计量监测图，图5是本发明高压加热器系统子块采用DLPPCA方法的SPE统计量和T²统计量监测图。

当该故障发生时，顶层统计量的监测情况如图6所示，图6是本发明顶层数据的SPE统计量和T²统计量监测图。

从图6中看出，当故障子系统发生异常情况后，顶层统计量几乎是立即超限监测出故障，并在故障消失后回落到控制限以下，基本与底层故障子块过程监测趋势相符。

在监测到故障发生后，选取了故障子块内第200至第300个采样点使用该子块的SVM分类器进行故障诊断。当前故障标记类别为5，正常工况数据标记为0，结果如图7所示，图7是本发明SVM故障诊断结果。

从图7中可以看出，诊断效果明显，大部分采样点都能被准确的诊断为类别5故障，仅有少数采样点被诊断为正常工况。总体上可以明确诊断出当前故障为类别5故障，准确率达到89.1089％。

若是不采用分层分块思想，直接对数据使用PCA或DLPPCA方法进行特征提取和在线监测，其结果如图8和图9所示，图8是本发明不分块情况下使用DLPPCA过程SPE统计量和T²统计量监测结果，图9是本发明不分块情况下使用PCA的SPE统计量和T²统计量过程监测结果。

在不分块的情况下，直接使用DLPPCA进行过程检测时，虽然SPE统计量超出控制限，与故障情况相符，但T²控制限却未能及时的监测到故障发生。直接使用PCA进行过程监测的效果同样不理想。

本发明中的故障诊断采用的分类器训练数据是经过各子块对应方法处理后的训练数据，诊断准确率优于未经处理直接训练分类器。六种故障诊断准确率对比如表4所示。

表4SVM和DLPPCA-SVM准确率对比/％

故障	SVM准确率	DLPPCA-SVM准确率	PCA-SVM准确率
				故障1	95.5224	100.0000	/
故障2	96.0119	96.2475	/
				故障3	99.5025	/	100.0000
故障4	97.0297	/	100.0000
				故障5	73.6318	89.1089	/
故障6	92.5373	100.0000	/

通过以上实验和对比，说明基于分层分块DLPPCA-SVM的方法能够更加准确的建模，在应用于系统实际异常情况时，能够及时监测到系统异常情况且诊断出故障类型，具有很好的应用效果

实施例3

如图10所示，图10是本发明诊断装置结构示意图。本实施例提供了一种所述诊断装置300，包括：存储器310，存储有计算机程序。处理器320，执行所述计算机程序。其中，所述处理器320在执行所述计算机程序时，实现如本发明任一实施例所述的诊断方法的步骤。

实施例4

基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述的一种基于分层分块的发电机组过程监测与故障诊断方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：包括以下步骤：

步骤1.基于DLPPCA的过程监测算法；

步骤2.基于分层分块DLPPCA-SVM的过程监测和故障诊断方法。

2.根据权利要求1所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述基于DLPPCA的过程监测算法，包括以下步骤：

首先，对样本集进行标准化处理，得到X＝[x₁，x₂，…，x_n]∈R^m×n，利用公式X^*＝[X(1)，X(2)，…X(n-l)]得到扩展动态矩阵X^*∈R^{m(l+1)×(n-l)}；求解下式的广义特征值求解问题：

其中，n为样本数，α为投影向量；D为一个n×n的对角阵，其对角线元素为

W_ij为x_i和x_j的近邻关系，通过k近邻法求得；如果x_ix_j为k近邻，则

如果x_ix_j非k近邻，则W_ij＝0，L是Laplacian矩阵，L＝D-W；

取最小的d个特征值构成投影矩阵A，从而得到投影后的低维矩阵Y^*＝A^TX^*；求解Y^*的协方差矩阵∑：

其中，l为动态步数；

对求得的协方差矩阵进行特征值分解：

∑p_i＝λ^*p_i (3)

上式中，Pi表示矩阵∑的一个特征向量；

取最大的k个特征值对应的特征向量得到矩阵P，通过

Y＝P^TY* (4)

上式中，P^T表示矩阵P的转置；

得到经过DLPPCA算法特征提取后的低维矩阵Y，该矩阵又称得分矩阵；

对于新检测样本，先进行标准化，再应用DLPPCA算法，对得到的得分矩阵Y求解统计量；

T²统计量为：

T²＝y1^TPΛ^-1P^Ty1 (5)

其中，Λ是由最大的k个λ^*所组成的对角矩阵；

T²统计量服从F分布，T²所对应的控制限为：

其中，l为动态步数，1-α代表置信度；

SPE统计量为：

SPE＝y1^T(I-PP^T)y1 (7)

上式中，y表示矩阵Y^*的列向量，PP^T表示前文中的P矩阵与P矩阵的转置相乘；

SPE对应的控制限为：

其中：

上式中，各符号表示什么请补充完整：c_α是标准正态分布的置信极限，满足公式

此处α＝0.01；λ^*为公式(3)所得到的特征值。

3.根据权利要求2所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述动态步数l的取值为：1或2。

4.根据权利要求1所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述基于分层分块DLPPCA-SVM的过程监测和故障诊断方法包括：

假设该工业过程划分为S个子块，m个子块使用PCA方法，n个子块使用DLPPCA方法；则m个子块得分矩阵为Y₁，Y₂，…，Y_m，n个子块得分矩阵表示为Y_m+1，Y_m+2，…，Y_m+n；

将各子系统的得分矩阵组合到一起，作为顶层监测数据：

最后根据顶层建模数据各个维度间的相关关系，选择基于PCA或DLPPCA的过程监测方法对顶层进行监测，并利用历史故障数据训练各子块的SVM分类器；

在在线监测过程中，当底层统计量和顶层统计量超限时，通过SVM算法进行诊断，得到故障类型。

5.根据权利要求4所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述SVM算法包括：离线建模阶段和在线监测部分。

6.根据权利要求6所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述SVM算法包括以下步骤：

步骤(1)：收集系统历史数据，计算阈值并结合系统机理，对各子块进行分析，决定各子块使用的方法；动态性强的、呈非线性的子块使用DLPPCA方法，动态性弱的、呈线性的子块使用PCA方法；

步骤(2)：对正常工况数据进行标准化处理，得到X＝[x₁，x₂，…，x_n]∈R^m×n分别使用PCA和DLPPCA对其进行处理，保存各子块的得分矩阵Y₁，Y₂，…，Y_m和Y_m+1，Y_m+2，…，Y_m+n，以及各子块对应的T²和SPE控制限；

步骤(3)：收集各子块的历史故障数据，进行标准化处理，并使用该子块对应的方法进行特征提取，保存得到的得分矩阵；

步骤(4)：将步骤(2)中得到的各子块得分矩阵进行组合得到顶层监测数据

并对顶层监控数据进行分析，选择合适的监测方法，计算顶层数据的

和

统计量；其中，

表示组合得到的顶层监测数据，Y₁，Y₂，…，Y_m+n表示步骤(2)中所保存的各子块得分矩阵；

步骤(5)：利用步骤(3)中求得的故障数据得分矩阵，分别训练各子块的SVM分类器，通过交叉验证的方法实现多分类；

步骤(6)：获得在线监测数据，并对数据进行标准化处理，得到x_new；

其中，x_new表示标准化处理后得到的在线新样本数据；

采用各子块对应的方法进行特征提取，使用PCA方法计算得到得分矩阵y_new1，，y_new2，…，y_newm、

和SPE_P统计量；使用DLPPCA方法计算得到得分矩阵y_newm+1，y_newm+2，…，y_newm+n、

和SPE_D统计量；其中，y_new1，y_new2，…，y_newm表示m个使用PCA方法建模的子块最终计算得到的m个得分矩阵，同理，y_newm+1，y_newm+2，…，y_newm+n表示n个使用PCA方法建模的子块最终计算得到的n个得分矩阵，

SPE_P和

SPE_D分别表示使用PCA和DLPPCA方法的各个子块最终求得的统计量；

步骤(7)：将步骤(6)中求得的得分矩阵组合从而得到顶层监测数据

并使用步骤(4)中确定的方法计算在线顶层监测数据的

和

统计量；其中

表示组合得到的在线顶层数据，而y_new1，y_new2，…，y_newm+n表示步骤(6)中所求得的各子块得分矩阵，

和

代表顶层数据.

的统计量；

步骤(8)：在在线检测中，若顶层数据和底层子块均未出现超限，则系统正常；若底层子块超出控制限，则利用步骤(5)训练得到的SVM分类器对故障子块进行诊断，得到明确的故障类型；若仅顶层数据存在超限，而底层子块均在控制限以下，则为子块间出现故障或不匹配。

7.根据权利要求6所述的一种基于分层分块的发电机组过程监测与故障诊断方法，其特征是：所述故障类型包括：

(1)高压加热器系统的一段抽汽压力从第200个采样点开始逐渐增大的故障，标记为类别1；

(2)高压加热器系统的1号水位从第200个采样点开始逐渐下降的故障，标记为类别2；

(3)汽动给水泵系统的给小机转速从第200个采样点开始逐渐增大并在第400个采样点回落为正常值的故障，标记为类别3；

(4)汽动给水泵系统的给水压力从第200个采样点开始出现扰动故障，标记为类别4；

(5)过热蒸汽及其减温水系统的过热器左侧一级减温器前温度从第200个采样点开始逐渐增大并在第300个采样点时回落为正常值，标记为类别5；

(6)过热蒸汽及其减温水系统的省煤器左侧出口给水压力从第200个样点开始出现扰动故障，标记为类别6。

8.根据权利要求1所述的一种所述诊断装置，其特征是：包括：存储器，存储有计算机程序；处理器，执行所述计算机程序；

其中，所述处理器在执行所述计算机程序时，实现如权利要求1-7所述的诊断方法的步骤。

9.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7所述的一种基于分层分块的发电机组过程监测与故障诊断方法的步骤。

Images