CN113298133A - 超临界机组锅炉爆管故障诊断方法 - Google Patents

Abstract

本发明公开了一种超临界机组锅炉爆管故障诊断方法，在进行锅炉系统的故障诊断时，由于故障数据是从锅炉系统中直接采集获得的，各数据之间存在多种耦合关系，直接进行故障类型的识别会存在准确率低的问题，而本方法首先是将存在耦合关系的故障数据通过逆变器映射成随机数进行解耦处理，而后再进行故障子空间的重构，完成故障类型的识别，以提高故障诊断的准确性。

Description

超临界机组锅炉爆管故障诊断方法

技术领域

本发明公开涉及故障诊断的技术领域，尤其涉及一种超临界机组锅炉爆管故障诊断方法。

背景技术

超临界机组，为利用超临界水蒸气作为工质带动汽轮机产生动力并发电的电力机组。作为超临界水蒸气的产生装置，锅炉负责将热量发生装置产生的高温能量转化为超临界水蒸气。为了将水蒸气加热至超临界状态，锅炉要长期工作在高温高压状态下，一旦锅炉温度超过承受极限，将会产生爆管事故，导致机组被迫停机，给电力系统造成损害。

通常，锅炉在设计时一般会留有足够裕量，机组一般不会突然脱离正常运行状态，发生爆管故障。就是说在发生爆管故障前，一般会有早期的异常表现，如果提前发现这些早期的异常，可以计划性停机，并进入锅炉内部进行检修，避免计划外停机对电网造成的损害。

然而锅炉系统庞大，数据复杂，以我们分析的中国某火力发电厂为例，仅锅炉系统监测变量就多达83个。一方面并不是每一个变量对故障的发现都有用处，另一方面通过分析爆管事故前一小时内数据发现，大部分变量已经脱离正常运行值。并且，超临界机组数据中既包含控制量，又包含反馈量以及执行器变量，属于典型的动态系统，具有时变、数据样本多模式不平衡以及时间序列复杂时空耦合等特性，给故障的准确诊断带来挑战。

因此，如何研发一种适用于超临界机组锅炉爆管故障诊断方法，以避免计划外停机对电网的造成的损害，成为人们亟待解决的问题。

发明内容

鉴于此，本发明提供了一种超临界机组锅炉爆管故障诊断方法，以解决锅炉系统的动态、时变、数据样本多模式不平衡以及时间序列复杂时空耦合等特性带来的故障诊断难题，避免计划外停机，减少对电网造成损害。

本发明提供的技术方案，具体为，一种超临界机组锅炉爆管故障诊断方法，该方法包括如下步骤：

S1：采集锅炉系统的运行数据；

S2：依据所述锅炉系统的运行数据，判别所述锅炉系统是否存在故障，若存在故障，获取所述锅炉的故障数据；

S3：依据所述故障数据，进行所述锅炉系统的故障类型识别以及根因分析；

其中，步骤S3中依据所述故障数据，进行所述锅炉系统的故障类型识别，具体为：

将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，进行多类故障子空间提取；

采用训练后的逆变器I(X)将所述故障数据解耦，获得逆变换故障数据；

依据提取的多类故障子空间以及逆变换故障数据，进行故障类型识别；

所述逆变器I(X)＝G^-1(X)，其中，G(X)为生成器，用于将相互独立的高斯白噪声生成为多变量时间序列的伪数据，所述生成器G(X)是基于所述锅炉系统的历史正常运行数据，采用生成对抗网络建立后，训练获得。

优选，采集锅炉系统的运行数据，具体包括：水冷壁、过热器、冷凝器、循环泵、凝结水泵、除氧器以及给水泵的温度数据、压力数据以及流量数据。

进一步优选，所述过热器包括：折焰角、顶棚、包墙、一级过热器、屏式过热器、末级过热器、初级再热器、末级再热器以及入口集箱。

进一步优选，所述依据所述锅炉系统的运行数据，判别所述锅炉系统是否存在故障，具体为：

获取锅炉系统的历史正常运行数据，并进行标准化处理后，建立初始的监测模型；

采用生成对抗网络建立深度学习模型，且所述深度学习模型由生成器G(X)以及判别器D(X)构成；

基于锅炉系统的历史正常运行数据进行所述深度学习模型的训练直至结束；

采用训练后的判别器D(X)，判别所述锅炉系统的运行数据是否为故障数据，如果为故障数据，则判别所述锅炉系统存在故障。

进一步优选，所述根因分析，具体为：

1)将所述故障数据x进行中心化后，依据故障指示量θ(x)，获得中心化的故障指示量θ(x-s_end)，其中，所述故障指示量θ(x)＝-log(D(x))，s_end表示数据源；

2)在所述中心化的故障指示量θ(x-s_end)中引入虚拟尺度因子ε，获得带有虚拟尺度因子的中心化故障指示量θ((x-s_end)·ε)；

3)基于所述带有虚拟尺度因子的中心化故障指示量θ((x-s_end)·ε)，依据公式(a)计算获得中心化变量贡献值，所述中心化变量贡献值为在ε⁰＝(1,1,...,1)^T处的C_i值；

其中，m表示观测变量数；

4)基于所述中心化变量贡献值，依据公式(b)计算获得变量贡献率CR_i；

CR_i＝C_i/∑C_i,i＝1,2,...,m (b)

5)比较各变量的贡献率，获得贡献率最大变量，依据贡献率最大变量的物理意义，获得分析结果。

进一步优选，所述数据源s_end具体为：

使用龙格库塔公式进行微分方程(c)的求解：

其中，s代表流线方向的变量；

且所述微分方程求解的停止条件为：

其中，δ为人为设定的有理数，所述微分方程的初始种子为观测变量x，当求解停止时的s值即为数据源s_end。

进一步优选，将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，进行故障子空间提取，具体为：

将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，获得逆变换历史数据；

将所述逆变换历史数据进行线性判断分析，获得故障子空间。

进一步优选，所述逆变器I(X)的训练过程，具体为：

将高斯白噪声由生成器G(X)生成伪数据；

将所述伪数据由逆变器I(X)进行解耦，获得逆变换数据；

将所述逆变换数据与对应的高斯白噪声比较，直至满足阈值要求，训练结束。

进一步优选，依据提取的多类故障子空间以及逆变换故障数据，进行故障类型识别，具体为：

1)将所述逆变换故障数据在一类故障子空间的方向上，求取残差；

2)将所述逆变换故障数据减去残差后，通过生成器G(X)映射生成时间序列；

3)若此时故障指示量恢复正常，则判定所述锅炉系统为对应类故障；

4)否则，将所述逆变换故障数据在下一类故障子空间的方向上，求取残差，重复步骤2)、步骤3)；

5)若所述逆变换故障数据减去每个故障子空间方向上的残差后，均不能使故障指示量恢复正常，则表明出现新类型的故障，将新类型的故障记入历史数据库。

本发明提供的超临界机组锅炉爆管故障诊断方法，在进行锅炉系统的故障诊断时，由于故障数据是从锅炉系统中直接采集获得的，各数据之间存在多种耦合关系，直接进行故障类型的识别会存在准确率低的问题，而本方法首先是将存在耦合关系的故障数据通过逆变器映射成随机数进行解耦处理，而后再进行故障子空间的重构，完成故障类型的识别，以提高故障诊断的准确性。

本发明提供的超临界机组锅炉爆管故障诊断方法，主要解决了超临界机组的故障检测、类型辨识、根因分析三个主要问题。

本发明提供的超临界机组锅炉爆管故障诊断方法，具有如下优点：

(1)能够处理超临界机组中具有自相关、互相关以及非线性特性的复杂时空耦合数据，可以利用多模式不平衡的训练数据有效训练故障诊断模型，避免训练的过拟合或欠拟合，降低漏报率和误报率；

(2)能够实现时空耦合数据在独立潜空间中的解耦，进而利用少量故障数据实现故障类型的精确辨识；

(3)能够利用项目中构造的故障指示量实现变量贡献率的分析，提高故障消除率这一诊断性能衡量指标。

使用本发明所提出的方法能够在超临界机组爆管生前提前检测到异常，并定位故障发生的原因和位置以及故障类型的辨识。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种超临界机组锅炉爆管故障诊断方法中超临界机组锅炉系统结构图；

图2为本发明提供的一种超临界机组锅炉爆管故障诊断方法中判别器的网络结构；

图3为本发明提供的一种超临界机组锅炉爆管故障诊断方法中生成器的网络结构；

图4为本发明提供的一种超临界机组锅炉爆管故障诊断方法中基于生成对抗网络的故障检测流程图；

图5为本发明提供的一种超临界机组锅炉爆管故障诊断方法中故障检测指示量及其阈值；

图6为本发明提供的一种超临界机组锅炉爆管故障诊断方法中故障辨识流程图；

图7为本发明提供的一种超临界机组锅炉爆管故障诊断方法中故障辨识过程中独立子空间数据；

图8为本发明提供的一种超临界机组锅炉爆管故障诊断方法中根因分析结果中故障前后变量贡献率。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

为了解决以往锅炉系统存在故障诊断难的问题，本实施方案提供了一种超临界机组锅炉爆管故障诊断方法，其具体的研发过程如下:

研究人员通过前期省内外电厂的调研发现，新建成的电厂设备一般更先进，考虑了超临界机组的健康监测问题，但一般属于被动监测，即监测已发生的故障。而前些年建成的电厂面对爆管故障只能选择紧急停机，甚至称该故障为“幽灵故障”，不知何时出现。因此，调研中收集了爆管前后的数据，经过已有算法分析发现：在爆管发生前一天已经出现异常，该异常并非由传感器数据引起，而是由某些控制量的异常引起。进一步分析表明控制系统为了维持超临界机组稳定运行，主动调节控制量维持锅炉被控量稳定，因此通过监测被控量传感器数据来提前发现故障，这给爆管故障的事前检测提供了重要依据。

基于上述基础，本实施方案研发提供了一种超临界机组锅炉爆管故障诊断方法，其具体的步骤如下：

步骤1：采集锅炉系统正常状态下的运行数据。其中，锅炉系统包括：水冷壁、过热器、冷凝器、循环泵、凝结水泵、除氧器、给水泵。上述过热器又包含：折焰角、顶棚、包墙、一级过热器、屏式过热器、末级过热器、初级再热器、末级再热器以及入口集箱。上述采集的运行数据，为上述设备的温度、压力、流量数据。

步骤2：故障检测。将上述锅炉系统正常状态下的运行数据，进行标准化，以标准化后的多个采样样本，建立初始的监测模型，采用生成对抗式网络实现故障检测，设定参与博弈双方分别为一个生成器G(X)和一个判别器D(X)，其中，生成器G(X)的目的是尽量去学习真实的数据分布，而判别器D(X)的目的是尽量正确判别输入数据是来自真实数据还是来自生成器G(X)。生成对抗网络的目标函数如公式(1)：

这里定义了一个高斯白噪声p_z(z)作为先验，用于学习生成模型G在数据空间上的概率分布p_g，G(z)表示将输入的噪声z映射成伪数据，D(X)代表X来自于真实数据分布p_data而不是p_g的概率，生成器的优化目标是p_g＝p_data。

生成器G(X)和判别器D(X)的结构采用门控神经单元构成，网络的具体结构及训练过程将在具体实施例中具体阐述。判别器D(X)的输出可以作为故障指示量用于超临界机组故障检测，当判别器D(X)的值较大时，数据来自p_g的概率较大，以较高的置信度认为样本是正常的，否则，认为有故障发生。为了符合故障检测的常规逻辑以及便于监控，定义了故障指示量为：

θ(X)＝-log(D(X)) (2)

其中，X是输入矩阵，代表超临界机组在t时刻及其前l个时刻的多变量时间序列X＝[x_t-l,...,x_t-2,x_t-1,x_t]。

步骤3：故障类型辨识。锅炉爆管事故属于重大生产事故，相对正常数据，故障数据一般较少，要获取充足且完备的故障样本代价是巨大的，这对故障辨识模型的建立是一种挑战。对于超临界机组，故障发生时数据偏离的方向或者叫角度是有规律的，随着故障幅值的变化，这种方向或角度是不变的，这为故障类型辨识提供了思路。本实施方案提出了基于独立潜空间重构的故障类型辨识方法。

独立潜空间中的各个变量是相互独立的高斯白噪声，生成器G(X)由相互独立的高斯白噪声映射到多变量时间序列，再现了这种复杂的时空耦合关系，而独立潜空间中则包含了支配系统的独立分量。因此本实施方案拟构造生成器G(X)的逆系统I(X)＝G^-1(X)，称其为逆变器，即时空数据空间到独立潜空间的映射，实现解耦z＝I(X)，并在独立潜空间中提取故障子方向，用于故障类型的子空间重构辨识。

逆变器I(X)的结构与判别器D(X)结构相似，将在具体实施例中详述。不同之处在于判别器D(X)的输出是标量，而逆变器I(X)的输出是与独立潜变量维度相同的向量。由于生成器G(X)的输入为已知分布的高斯白噪声，可以人工生成大量数据，因此逆变器I(X)的获取相对容易，另

表示随机生成的高斯白噪声，伪时间序列矩阵

可以通过最小化下面公式的目标函数来计算逆变器I，其中N表示生成数据个数。

利用正常数据和某类故障数据，在潜空间内提取故障子方向，采用判别分析法提取能够区分两类数据的投影向量，构成故障子空间g和子空间投影矩阵

其中，d代表独立潜空间维度，s表示子空间维度。另

表示重构的故障指示量：

s的选取依据为使

恢复正常的最小维度，这里E表示单位矩阵。另r＝(E-ΘΘ^T)I(X)表示残差向量，

则公式(3)可表达为

步骤4：根因分析。步骤1构造了检测超临界机组爆管故障的故障指示量，下面利用该故障指示量进一步实现故障根因诊断。故障根因的诊断实质上是度量一个指示量对其变量的敏感性。尺度因子法引入了虚拟尺度的概念，令每一个变量乘以一个虚拟尺度因子ε＝(ε₁,ε₂,...,ε_m)^T,

得到带有尺度因子的指示量θ(x·ε)，为表示方便，这里用x表示时间序列拉成的列向量，m代表该向量维度。并将指示量对此虚拟尺度因子的偏导数绝对值在ε⁰＝(1,1,...,1)^T处的值C_i定义为相应变量对此指示量的贡献。

在根因分析中，一方面，我们关注那些引起故障的变量中哪一个占得比重较大，于是定义了变量贡献率：

CR_i＝C_i/∑C_i,i＝1,2,...,m (6)

以二维平面为例，故障指示量的值对应二维平面的等值线，将故障指示量看作流动场的势函数，等值线看做流动场的等势线。流动场上任意一点都可以沿流线方程找到其源头，将其源头看作是这一点的数据中心，定义该中心为数据源。将数据源与虚拟尺度因子法结合，得到二维变量对这一点的势(指示量的值)的贡献值。对于多元高斯分布数据来说，数据源就是原点，而超临界机组数据一般呈非高斯分布，因此其数据源未必在原点。不同于原始尺度因子法，衡量观测变量对偏离原点的贡献，本实施方案提出的改进方法认为变量对故障指示量的贡献是对变量偏离其数据源的度量。另s_end表示数据源，于是有变量贡献计算公式：

将C_i带入公式(6)和便可求得贡献率。贡献率的计算只需故障指示量对输入变量可导，因此可以与判别器结合实现故障检测和根因诊断。

综上，本实施方案提出了一种基于生成对抗网络的超临界机组故障诊断方法，主要解决了超临界机组的故障检测、类型辨识、根因分析三个主要问题。

具体实施例

下面结合具体的实施例对本发明进行更进一步的解释说明，但是并不用于限制本发明的保护范围。

超临界机组锅炉系统结构，如图1所示，本实施例基于生成对抗网络的故障诊断方法包括以下步骤：

步骤1：采集锅炉系统的运行数据，其中，锅炉系统包括水冷壁、过热器、冷凝器、循环泵、凝结水泵、除氧器、给水泵。上述过热器又包含有折焰角、顶棚、包墙、一级过热器、屏式过热器、末级过热器、初级再热器、末级再热器以及入口集箱。采集的运行数据为以上设备的温度、压力、流量数据，并对采集的数据进行标准化处理；该过程总计83个变量如表1所示，其中Signal代号参照图1：

表1：超临界机组变量表

步骤2：用步骤1标准化后的前2000个采样样本，建立初始的监测模型，构建生成对抗网络结构模型。基于门控神经单元设计的生成器和判别器的结构如图2、3所示，其中判别器的输入为包含l个采样时刻的时间序列，输出为概率密度估计，这里

是标量；生成器的输入是随机噪声向量z_t，输出为包含l个时刻的时间序列伪数据。u_*表示门控循环单元，所有单元的结构和参数相同。

构建好网络模型后进行模型训练，故障检测模型的训练过程如图4所示，将真实采样序列所在的空间称为变量序列空间，生成器输入噪声所在的空间称作独立潜空间，通过对抗学习的方式训练生成器和判别器，并利用判别器输出构造故障指示量及其控制线用于故障检测。由于独立潜空间产生的数据服从多元高斯分布，且变量间是相互独立的，而对抗学习中不断更新随机噪声，使得潜空间中的变量始终保持独立性。因此，可以得出结论：变量序列空间中的时间序列矩阵是由独立潜空间中的独立随机向量控制的。如图5所示，本实施例通过计算在4000个采样点后逐步开始发生故障，进而转入步骤3进行故障类型判断。

步骤3：故障类型辨识过程主要包括训练逆变器和子空间提取，训练过程如图6(a)所示，分为逆变器的训练和故障子空间提取两部分。测试过程如图6(b)所示。对于一个测试时间序列，首先通过逆变器映射到独立潜空间，求取残差r；再通过生成器映射回数据空间，生成时间序列；此时如果故障指示量恢复正常，则认为测试数据属于当前故障类型，否则不属于。若存在多个故障类型的历史数据便可得到多个故障子空间，分别执行上述训练和测试过程，判断故障类型，若所有子空间都不能使故障指示量恢复正常，则认为发现新类型的故障。在本实施例中，由于尚无故障子空间历史数据库，当故障发生时，通过子空间重构故障指示量不能回复正常，见图7，此时认为有新故障发生，将故障子空间记录如历史数据库。

步骤4：对爆管故障进行根因分析。

利用公式(6)计算各个变量的贡献率，如图8所示，通过对变量贡献率分析得出，第59和第60号变量贡献较大，结合变量物理意义分析得出，在爆管事故发生早期，温度程数据并未出现异常，这是由于锅炉控制系统是闭环系统，能够具有自我调节功能，通过对温度的监测并不能发现异常，而减温水，也就是59、60号变量已经出现上升，并且逐渐超过正常流量，此时已经出现早期故障预警信息，当减温水流量达到极限值后，爆管发生系统失去控制，温度等变量均出现异常，贡献率上升。

通过上面的工程实例分析，表明了本实施例中基于生成对抗网络的故障诊断方法的有效性，实现了对超临界机组的爆管故障诊断。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (9)

1.一种超临界机组锅炉爆管故障诊断方法，其特征在于，包括如下步骤：

S1：采集锅炉系统的运行数据；

S2：依据所述锅炉系统的运行数据，判别所述锅炉系统是否存在故障，若存在故障，获取所述锅炉的故障数据；

S3：依据所述故障数据，进行所述锅炉系统的故障类型识别以及根因分析；

其中，步骤S3中依据所述故障数据，进行所述锅炉系统的故障类型识别，具体为：

将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，进行多类故障子空间提取；

采用训练后的逆变器I(X)将所述故障数据解耦，获得逆变换故障数据；

依据提取的多类故障子空间以及逆变换故障数据，进行故障类型识别；

所述逆变器I(X)＝G^-1(X)，其中，G(X)为生成器，用于将相互独立的高斯白噪声生成为多变量时间序列的伪数据，所述生成器G(X)是基于所述锅炉系统的历史正常运行数据，采用生成对抗网络建立后，训练获得。

2.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，采集锅炉系统的运行数据，具体包括：水冷壁、过热器、冷凝器、循环泵、凝结水泵、除氧器以及给水泵的温度数据、压力数据以及流量数据。

3.根据权利要求2所述超临界机组锅炉爆管故障诊断方法，其特征在于，所述过热器包括：折焰角、顶棚、包墙、一级过热器、屏式过热器、末级过热器、初级再热器、末级再热器以及入口集箱。

4.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，所述依据所述锅炉系统的运行数据，判别所述锅炉系统是否存在故障，具体为：

获取锅炉系统的历史正常运行数据，并进行标准化处理后，建立初始的监测模型；

采用生成对抗网络建立深度学习模型，且所述深度学习模型由生成器G(X)以及判别器D(X)构成；

基于锅炉系统的历史正常运行数据进行所述深度学习模型的训练直至结束；

采用训练后的判别器D(X)，判别所述锅炉系统的运行数据是否为故障数据，如果为故障数据，则判别所述锅炉系统存在故障。

5.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，所述根因分析，具体为：

1)将所述故障数据x进行中心化后，依据故障指示量θ(x)，获得中心化的故障指示量θ(x-s_end)，其中，所述故障指示量θ(x)＝-log(D(x))，s_end表示数据源；

2)在所述中心化的故障指示量θ(x-s_end)中引入虚拟尺度因子ε，获得带有虚拟尺度因子的中心化故障指示量θ((x-s_end)·ε)；

3)基于所述带有虚拟尺度因子的中心化故障指示量θ((x-s_end)·ε)，依据公式(a)计算获得中心化变量贡献值，所述中心化变量贡献值为在ε⁰＝(1,1,...,1)^T处的C_i值；

其中，m表示观测变量数；

4)基于所述中心化变量贡献值，依据公式(b)计算获得变量贡献率CR_i；

CR_i＝C_i/∑C_i,i＝1,2,...,m (b)

5)比较各变量的贡献率，获得贡献率最大变量，依据贡献率最大变量的物理意义，获得分析结果。

6.根据权利要求5所述超临界机组锅炉爆管故障诊断方法，其特征在于，所述数据源s_end具体为：

使用龙格库塔公式进行微分方程(c)的求解：

其中，s代表流线方向的变量；

且所述微分方程求解的停止条件为：

其中，δ为人为设定的有理数，所述微分方程的初始种子为观测变量x，当求解停止时的s值即为数据源s_end。

7.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，进行故障子空间提取，具体为：

将所述锅炉系统的历史正常运行数据以及多类历史故障运行数据通过训练后的逆变器I(X)解耦后，获得逆变换历史数据；

将所述逆变换历史数据进行线性判断分析，获得故障子空间。

8.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，所述逆变器I(X)的训练过程，具体为：

将高斯白噪声由生成器G(X)生成伪数据；

将所述伪数据由逆变器I(X)进行解耦，获得逆变换数据；

将所述逆变换数据与对应的高斯白噪声比较，直至满足阈值要求，训练结束。

9.根据权利要求1所述超临界机组锅炉爆管故障诊断方法，其特征在于，依据提取的多类故障子空间以及逆变换故障数据，进行故障类型识别，具体为：

1)将所述逆变换故障数据在一类故障子空间的方向上，求取残差；

2)将所述逆变换故障数据减去残差后，通过生成器G(X)映射生成时间序列；

3)若此时故障指示量恢复正常，则判定所述锅炉系统为对应类故障；

4)否则，将所述逆变换故障数据在下一类故障子空间的方向上，求取残差，重复步骤2)、步骤3)；

5)若所述逆变换故障数据减去每个故障子空间方向上的残差后，均不能使故障指示量恢复正常，则表明出现新类型的故障，将新类型的故障记入历史数据库。

Images