CN113065228A - 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 - Google Patents
一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 Download PDFInfo
- Publication number
- CN113065228A CN113065228A CN202110258824.9A CN202110258824A CN113065228A CN 113065228 A CN113065228 A CN 113065228A CN 202110258824 A CN202110258824 A CN 202110258824A CN 113065228 A CN113065228 A CN 113065228A
- Authority
- CN
- China
- Prior art keywords
- closing time
- valve
- valve closing
- nodes
- naive bayes
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 7
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,具体按照以下步骤实施:1、获取阀门关闭时间报告;2、选取步骤1得到的阀门关闭时间报告中的特征词汇与阀门关闭时间组成训练集;3、通过数据分类定义节点,建立节点间的逻辑关系,构造贝叶斯网络;步骤4、根据训练集计算条件概率和先验概率,并将条件概率最大的三个节点作为特征因素;5、建立特征因素取值表,根据朴素贝叶斯定理,采用全概率公式和贝叶斯公式计算后验概率;6、使用朴素贝叶斯原理进行二分类,得到阀门评价对照表并显示阀门关闭时间不合格原因。本发明解决了现有技术中存在的汽轮机阀门关闭试验不合格评估原因工作效率低的问题。
Description
技术领域
本发明属于汽轮机发电技术领域,涉及一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法。
背景技术
汽轮机阀门关闭时间是评价大小汽轮机组的重要安全指标之一,对机组的调节系统特性有着重要影响。阀门总关闭时间主要有3部分构成:控制回路延时时间,机械延时时间及阀门纯关闭时间。阀门开始关闭的时刻与跳闸指令发出的时刻之间的时间段称作延迟时间,阀门全关的时刻和开始关闭的时刻之间的时间段称作动作时间,延迟时间和动作时间之和称作各阀门的总关闭时间。按照规定,对于200~600MW汽轮机组从跳闸指令发出到主汽门全关的时间须小于300ms,跳闸指令发出到调节汽门全关的时间须小于400ms,以及抽汽逆止门关闭时间(包括延迟)一般应小于1秒。
进行阀门关闭时间试验时,如果阀门关闭时间不合格,会受到多种因素的影响。发电企业一般委托其他单位进行测试,在测试报告,处理结果过程中要消耗大量的时间。面对可能造成阀门关闭时间不合格的多种原因,处理问题缓慢且棘手。为了保证机组启动计划不受影响,需尽快评估阀门关闭时间不合格的原因。
发明内容
本发明的目的是提供一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,解决了现有技术中存在的汽轮机阀门关闭试验不合格评估原因工作效率低的问题。
本发明所采用的技术方案是,一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,具体按照以下步骤实施:
步骤1、获取阀门关闭时间报告;
步骤2、选取步骤1得到的阀门关闭时间报告中的特征词汇与阀门关闭时间组成训练集;
步骤3、通过数据分类定义节点,建立节点间的逻辑关系,构造贝叶斯网络;
步骤4、根据训练集计算条件概率和先验概率,并将条件概率最大的三个节点作为特征因素;
步骤5、建立特征因素取值表,根据朴素贝叶斯定理,采用全概率公式和贝叶斯公式计算后验概率;
步骤6、使用朴素贝叶斯原理进行二分类,得到阀门评价对照表并显示阀门关闭时间不合格原因。
本发明的特点还在于:
步骤2中特征词汇包括:阀门卡涩、控制油油压低、控制油油温低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或过低,LVDT反馈杂波。
步骤3中通过数据分类定义节点具体为,将阀门关闭不合格数据进行分类,将引起异常的节点定为父节点,父节点包括阀门原因、控制原因和测点原因;将由父节点直接引起的异常因素定为中间节点,中间节点包括阀门卡涩、控制油油压低、控制油油温低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或高低和LVDT反馈杂波;将阀门关闭时间合格与阀门关闭时间不合格定为子节点。
步骤4中先验概率和条件概率的计算如下式:
其中,C为子节点,X为中间节点,P代表概率,j=1,2;i=1,2,3...n,∑I表示1,2,3...n的和。
步骤5中后验概率的计算如下式:
其中,
P(x1x2x3)=P(C1)*P(x1|C1)*P(x2|C1)*P(x3|C1)+P(C2)*P(x1|C2)*P(x2|C2)*P(x3|C2)
同理,
步骤6具体为,使用朴素贝叶斯原理进行二分类,比较P(C1|x1x2x3)和P(C2|x1x2x3)的大小,若P(C1|x1x2x3)大于P(C2|x1x2x3),则阀门不合格,若P(C1|x1x2x3)小于P(C2|x1x2x3),则阀门合格,确认阀门状态后,根据P(C1|x1x2x3)和P(C2|x1x2x3)的计算结果得到阀门评价对照表,然后根据对照表得到阀门关闭时间不合格的原因。
本发明的有益效果是:本发明通过朴素贝叶斯算法对影响阀门关闭时间不合格的原因进行分析,实现对汽轮机阀门状态的诊断,便于推广与应用,进而保证汽轮机组的安全运行,且分析结果可靠,分析效率高。
附图说明
图1是本发明一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法的流程图;
图2是本发明一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法中阀门关闭时间不合格原因分类图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,如图1所示,具体按照以下步骤实施:
步骤1:获取实际的阀门关闭时间报告
为确保机组稳定安全运行,防止超速事故的发生,根据《并网运行汽轮机调节系统技术监督导则》(DL/T 338-2010)要求,定期对汽轮发电机组阀门快关特性进行测试,在进行阀门关闭测试中,相关单位会产生大量的阀门关闭时间报告,于本实施例中,从某电科院收集五年内实际的阀门关闭报告;
步骤2:选取步骤1得到的阀门关闭时间报告中的特征词汇与阀门关闭时间组成训练集;
由于每种阀门关闭不合格的原因都不相同,通过对阀门关闭时间报告进行分析,可以找到对应的原因描述;
在本实施例中,发现某些描述对不合格原因的判定贡献很大,而其他词语的描述则没有贡献,特征词汇的选取过程是通过自然语言处理将某类原因的描述集中在一起,组成对该不合格现象描述能全覆盖的集合,之后对出现的特征词汇进行收集(特征词选取越多,对分类准确性的贡献越大),特征词汇的收集时主要选取高频词汇,也存在指向性强但出现频率低的词汇,特征词汇主要有:阀门卡涩、控制油油压低、控制油油温低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或过低,LVDT反馈杂波,将收集到的所有报告中的特征词汇与阀门关闭结果组成数据集;
步骤3:通过数据分类定义节点,建立节点间的逻辑关系,构造贝叶斯网络;
将阀门关闭不合格数据进行分类,将引起异常的节点定为父节点,如阀门原因、控制原因、测点原因;将由父节点直接引起的异常因素定为中间节点,如阀门卡涩、控制油油压低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或高低和LVDT反馈杂波;将阀门关闭时间合格与阀门关闭时间不合格定为子节点;
根据父节点、中间节点和子节点之间引起和被引起的逻辑关系,令中间节点因素分别为xi,可父节点U={X,C},其中包括一个训练集X={x1,x2,x3,x4,x5…xn},共含有n个条件因素,C={C1,C2}分别代表阀门关闭时间合格与不合格,建立贝叶斯网络;
步骤4:根据训练集计算条件概率和先验概率,并将条件概率最大的三个节点作为特征因素;
根据步骤2中的数据建立训练集,并根据训练集的训练结果条件概率与先验概率的特征因素编写特征因素取值表,条件概率公式如下:
结合已有的历史数据与先验概率公式和条件概率公式进行以下计算:
其中,P表示概率,j=1,2;i=1,2,3…n,∑I表示1,2,3…n的和;
计算后分别可得P(xi|Cj),可知在阀门关闭时间不合格的情况下,各因素发生异常的概率,选择概率最大的三者作为特征因素,考虑到易判断与相关性高两个特定,确定阀门卡涩,跨控制器网络变量传输,LVDT安装位置过高或过低作为特征因素;
步骤5:建立特征因素取值表,根据朴素贝叶斯定理,采用全概率公式和贝叶斯公式计算后验概率;
根据特征因素取值表筛选出与阀门关闭时间不合格相关度最高的特征因素,本实施例的特征因素取值表如表1所示:
表1
特征因素记为xi(i=1,2,3),特征因素发生时记为1,不发生时记为0,阀门关闭时间不合格时为C1记为1,合格时为C2记为0,可得表1,表1涵盖所有可能发生的情况,应用朴素贝叶斯公式假设各因素互相独立,可进行如下运算:
分母计算用全概率公式,即:
P(x1x2x3)=P(C1)*P(x1|C1)*P(x2|C1)*P(x3|C1)+P(C2)*P(x1|C2)*P(x2|C2)*P(x3|C2) (5)
同理,我们可以计算得到:
当三种特质因素按表1取值时,阀门不合格概率为P(C1|x1x2x3),阀门合格概率为P(C2|x1x2x3);
步骤6:使用朴素贝叶斯原理进行二分类,得到阀门评价对照表并显示阀门关闭时间不合格原因。
运用朴素贝叶斯原理进行二分类,比较阀门不合格概率P(C1|x1x2x3)与阀门合格概率P(C2|x1x2x3)的大小,如果P(C1|x1x2x3)大于P(C2|x1x2x3),则将阀门状态规划为不合格,则不合格概率越接近100%,不合格可能性越大。
根据阀门不合格概率P(C1|x1x2x3)的计算结果得到阀门评价对照表,结果如表2所示;
表2
通过以上步骤,得到阀门关闭不合格原因评估模型。
当完成阀门关闭试验后并且阀门关闭时间不合格时,将有可能造成不合格的原因输入阀门关闭不合格原因评估模型,得到不同不合格原因的阀门不合格概率,比较不同不合格原因的阀门不合格概率值,概率值越大说明该项原因即为阀门关闭时间不合格原因。
Claims (6)
1.一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,其特征在于,具体按照以下步骤实施:
步骤1、获取阀门关闭时间报告;
步骤2、选取步骤1得到的阀门关闭时间报告中的特征词汇与阀门关闭时间组成训练集;
步骤3、通过数据分类定义节点,建立节点间的逻辑关系,构造贝叶斯网络;
步骤4、根据训练集计算条件概率和先验概率,并将条件概率最大的三个节点作为特征因素;
步骤5、建立特征因素取值表,根据朴素贝叶斯定理,采用全概率公式和贝叶斯公式计算后验概率;
步骤6、使用朴素贝叶斯原理进行二分类,得到阀门评价对照表并显示阀门关闭时间不合格原因。
2.根据权利要求1所述的一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,其特征在于,所述步骤2中特征词汇包括:阀门卡涩、控制油油压低、控制油油温低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或过低,LVDT反馈杂波。
3.根据权利要求1所述的一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,其特征在于,所述步骤3中通过数据分类定义节点具体为,将阀门关闭不合格数据进行分类,将引起异常的节点定为父节点,父节点包括阀门原因、控制原因和测点原因;将由父节点直接引起的异常因素定为中间节点,中间节点包括阀门卡涩、控制油油压低、控制油油温低、卡件扫描周期长,跨控制器网络变量传输,LVDT安装位置过高或高低和LVDT反馈杂波;将阀门关闭时间合格与阀门关闭时间不合格定为子节点。
6.根据权利要求5所述的一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法,其特征在于,所述步骤6具体为,使用朴素贝叶斯原理进行二分类,比较P(C1|x1x2x3)和P(C2|x1x2x3)的大小,若P(C1|x1x2x3)大于P(C2|x1x2x3),则阀门不合格,若P(C1|x1x2x3)小于P(C2|x1x2x3),则阀门合格,确认阀门状态后,根据P(C1|x1x2x3)和P(C2|x1x2x3)的计算结果得到阀门评价对照表,然后根据对照表得到阀门关闭时间不合格的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258824.9A CN113065228B (zh) | 2021-03-10 | 2021-03-10 | 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258824.9A CN113065228B (zh) | 2021-03-10 | 2021-03-10 | 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065228A true CN113065228A (zh) | 2021-07-02 |
CN113065228B CN113065228B (zh) | 2024-02-20 |
Family
ID=76560025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110258824.9A Active CN113065228B (zh) | 2021-03-10 | 2021-03-10 | 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065228B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110057539A (ko) * | 2009-11-24 | 2011-06-01 | 한국수력원자력 주식회사 | 시스템 신뢰도 평가 장치 및 방법 |
WO2014107303A1 (en) * | 2013-01-04 | 2014-07-10 | Siemens Corporation | Probabilistic modeling and sizing of embedded flaws in nondestructive inspections for fatigue damage prognostics and structural integrity assessment |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
CN107918709A (zh) * | 2017-11-17 | 2018-04-17 | 浙江工业大学 | 一种多相混输泵用单向阀暂态开启高度的预测方法 |
US20180181111A1 (en) * | 2015-06-29 | 2018-06-28 | Suez Groupe | Method for detecting anomalies in a water distribution system |
US20180313224A1 (en) * | 2017-05-01 | 2018-11-01 | General Electric Company | Method and system for improved design and implementation of turbomachinery |
CN111426459A (zh) * | 2020-04-13 | 2020-07-17 | 天津大学 | 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法 |
CN111967192A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于朴素贝叶斯的电池安全度估算方法 |
US20200371490A1 (en) * | 2019-05-21 | 2020-11-26 | China University Of Petroleum (East China) | Method for assessing safety integrity level of offshore oil well control equipment |
-
2021
- 2021-03-10 CN CN202110258824.9A patent/CN113065228B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110057539A (ko) * | 2009-11-24 | 2011-06-01 | 한국수력원자력 주식회사 | 시스템 신뢰도 평가 장치 및 방법 |
WO2014107303A1 (en) * | 2013-01-04 | 2014-07-10 | Siemens Corporation | Probabilistic modeling and sizing of embedded flaws in nondestructive inspections for fatigue damage prognostics and structural integrity assessment |
US20180181111A1 (en) * | 2015-06-29 | 2018-06-28 | Suez Groupe | Method for detecting anomalies in a water distribution system |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
US20180313224A1 (en) * | 2017-05-01 | 2018-11-01 | General Electric Company | Method and system for improved design and implementation of turbomachinery |
CN107918709A (zh) * | 2017-11-17 | 2018-04-17 | 浙江工业大学 | 一种多相混输泵用单向阀暂态开启高度的预测方法 |
US20200371490A1 (en) * | 2019-05-21 | 2020-11-26 | China University Of Petroleum (East China) | Method for assessing safety integrity level of offshore oil well control equipment |
CN111426459A (zh) * | 2020-04-13 | 2020-07-17 | 天津大学 | 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法 |
CN111967192A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于朴素贝叶斯的电池安全度估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113065228B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093612A (zh) | 一种电力变压器故障诊断方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
Jin et al. | Anomaly detection in nuclear power plants via symbolic dynamic filtering | |
CN106371427A (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
Loboda et al. | Neural networks for gas turbine fault identification: Multilayer perceptron or radial basis network? | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN109000921A (zh) | 一种风电机组主轴故障的诊断方法 | |
CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
CN108241850A (zh) | 一种基于hht的控制阀气密性故障诊断方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN109388774A (zh) | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 | |
Galbally et al. | A pattern recognition approach based on DTW for automatic transient identification in nuclear power plants | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
Daniell et al. | Physics-informed multi-stage deep learning framework development for digital twin-centred state-based reactor power prediction | |
Mena et al. | Expanded analysis of machine learning models for nuclear transient identification using TPOT | |
Ayo-Imoru et al. | An enhanced fault diagnosis in nuclear power plants for a digital twin framework | |
CN112464565B (zh) | 一种融合智能建模及模糊规则的设备故障预警方法 | |
Butler et al. | An assessment methodology for data-driven and model-based techniques for engine health monitoring | |
CN113065228A (zh) | 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 | |
Tong et al. | Fault prediction of marine diesel engine based on time series and support vector machine | |
CN105205492B (zh) | 一种热力系统故障的模糊最近邻融合诊断方法 | |
Du Rand et al. | Fault diagnosis of generation IV nuclear HTGR components–Part I: The error enthalpy–entropy graph approach | |
CN116629409A (zh) | 一种基于朴素贝叶斯算法的sofc系统故障几率预测方法 | |
Wang et al. | Power plant data filtering based on Gaussian naive Bayesian classification and prediction error method | |
CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 |
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 |