CN113987205A - 一种燃气轮机故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种燃气轮机故障诊断方法及系统，基于复杂的故障因素，获取典型故障模式及多源征兆信息数据，完成故障诊断本体知识库模型的构建；实现本体查询和基于本体的数据访问的功能需求；对燃气轮机的历史数据进行自动化清洗，获取符合训练参数基准数据；对符合训练参数基准数据进行处理，构建机组多元基准模型；对多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型。基于诊断决策模型，对比所有候选故障，得出故障原因并提供维护策略。本发明能够在复杂的机械中获取故障原因，节约人力和物力，提高工作效率。

Description

一种燃气轮机故障诊断方法及系统

技术领域

本发明属于机械故障诊断领域，涉及一种燃气轮机故障诊断方法及系统。

背景技术

燃气轮机联合循环机组作为一个典型的涉及气、水、汽、油等多媒介以及热、冷、机、电等多种能量形态相互转化的复杂系统，机组各组成部分之间通过物质流和能量流以及伴随而产生的信息流保持密切的联系，状态参数呈现出高维和非线性的特点，机组在运行过程中可能涌现出气路和机械振动等多种故障，出现运行调整不当和工况变化引发的运行效率降低等能效异常模式，故障在不同时空尺度上呈现出多样性、层次性和传递性，形成了复杂的因果传递链。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种燃气轮机故障诊断方法及系统，基于复杂的故障中原因，建立故障诊断模型，并对故障诊断模型进行评价，能够获取的所有候选故障，得出故障原因并提供维护策略。

为达到上述目的，本发明采用以下技术方案予以实现：

一种燃气轮机故障诊断方法，包括：

基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据；

对所获取的信息数据进行处理，构建故障诊断本体知识库模型；

基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；

依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据；

对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型；

对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；

基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；

将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

本发明的进一步改进在于：

获取各结构功能层次上的典型故障模式及多源征兆信息，具体为:依据FMEA和FTA理论，分析燃气轮机的多源异构故障数据，获取各结构功能层次上的典型故障模式及其多源征兆信息数据。

对所获取的信息数据进行处理，构建故障诊断本体知识库模型，包括：

根据本体理论、语义网技术和数据的语义性建模方法，基于所获取的故障模式和信息，构建故障诊断本体知识库模型。

基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；包括：基于OWL公理和SWRL对本体进行推理，通过SPARQL语言实现本体查询和基于本体的数据访问的功能需求。

自动化清洗包括：稳态判别、工况划分、基准样本筛选；

工况划分为基于K-均值聚类算法进行工况的划分。

对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型，包括：确定基准值，基于条件变自编码器建立机组多元基准模型。

对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息，包括：以重构概率作为异常检测特征指标，判断燃气轮机的工况是否处于异常状态，如若所测试工况属于异常状态，通过计算重构输出与原始输入参数间的差值向量，获取工况的异常参数。

基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；包括：以获得的燃气轮机的早期检测信息为导向，利用本体的语义性搜索，获得异常状态的故障、原因及征兆信息，利用异常状态的故障和征兆间的属性关系构建因果图网络，结合引入的隐变量节点和概率赋值，构建基于结构性因果模型的诊断决策模型。

将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因；包括：根据结构性因果模型的拓扑结构进行反事实推理，以故障备选集的充分性和必要性两个指标为依据，对所有候选故障进行排序，得出故障原因；在诊断推理结果的基础上，再次利用本体知识进行故障回溯，形成故障因果链，对最可能发生的故障及其演化过程做出诊断，根据故障原因提供维护策略。

一种燃气轮机故障诊断系统，包括：

信息数据获取模块，所述信息数据获取模块基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据；

第一构建模块，所述第一构建模块用于对所获取的信息数据进行处理，构建故障诊断本体知识库模型；

知识库模型处理模块，所述知识库模型处理模块基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；

数据清洗模块，所述数据清洗模块用于依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据；

数据处理模块，所述数据处理模块用于对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型；

多元基准模型处理模块，所述多元基准模型处理模块用于对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；

第二构建模块，所述第二构建模块基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；

对比模块，所述对比模块用于将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种燃气轮机故障诊断方法及系统，结合系统理论和燃气轮机组的故障特点，以FMEA和FTA技术为指导，从多源异构的故障数据中获得各结构功能层次上的典型故障模式及其多源征兆信息等非结构化知识。研究基于本体理论和语义网技术的领域知识和数据的语义性建模方法，以满足故障知识多粒度语义建模的要求。根据基于OWL公理和SWRL两种推理方式在本体推理中的优势，通过SPARQL语言实现本体查询和基于本体的数据访问的功能需求。依据燃气轮机的运行特性，研究历史数据自动化清洗流程，包括稳态判别、工况划分、基准样本筛选等步骤。针对燃气轮机运行工况多变的问题，基于改进的条件变自编码器建立机组的多元基准模型，并以重构概率作为特征指标，实现机组异常状态的早期检测。开展燃气轮机故障诊断与维护决策研究。考虑到故障知识间因果关系与不确定性，通过引入隐变量节点和与或门逻辑，研究基于结构性因果模型的诊断决策模型。以证据的最大因果解释作为诊断的语义，将反事实推理应用到诊断中，从充分性和必要性两个角度衡量故障原因对证据的因果解释强度。从灵敏度、可靠性和可解释性三方面评价模型，证实反事实推理相较于基于后验概率推理在诊断中的优势。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本发明的燃气轮机的故障诊断方法一种流程图；

图2为本发明的燃气轮机的故障诊断方法另一种流程图；

图3为获取故障模式及多源征兆信息数据的流程图；

图4为本发明的压气机喘振故障FTA分析图；

图5为本发明的故障知识本体类及属性关系图；

图6为本发明的数据处理流程图；

图7为CVAE的网络结构图；

图8为本发明的燃气轮机智能诊断流程图；

图9为本发明燃气轮机的故障诊断系统结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

参见图1和图2，图1和图2公布了一种燃气轮机故障诊断方法，包括：

S101，基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据。

燃气轮机发电机组是一个涉及到气、水、汽、油等多媒介以及热、冷、机、电等多种能量形态相互转化的复杂系统，在不同结构单元上故障呈现出多样性、涌现性、条件性、传递性和征兆复杂性等特点。根据燃气轮机故障发生和发展的特点和规律，采用FMEA和FTA科学地指导故障分析与获取。

参见图3和图4，将燃气轮机压气机设备为对象，以压气机喘振故障为例，说明FTA和FMEA分析过程，表1为压气机喘振FMEA分析表。

表1压气机喘振FMEA分析表

S102，对所获取的信息数据进行处理，构建故障诊断本体知识库模型。

根据本体理论、语义网技术和数据的语义性建模方法，基于所获取的故障模式和信息，构建故障诊断本体知识库模型。

故障知识本体是对故障演变因果链的知识进行语义性表示，分为：故障模式、故障征兆、故障原因、故障影响和维护措施五类。故障模式是故障树分析的顶事件，故障原因是故障树分析的底事件，故障影响和维护措施与故障原因有着必然联系，故障征兆是识别故障模式与原因发生的证据。故障知识本体类及属性的逻辑关系如图5所示。通过引入“原因是”(hasCause)、“影响是”(hasEffect)、“征兆是”(hasSymptom)、“措施是”(hasMaintenance)对象属性丰富故障间因果关系的表达，得到最终的本体知识库。

S103，基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求。

基于OWL公理和SWRL对本体进行推理，通过SPARQL语言实现本体查询和基于本体的数据访问的功能需求。

OWL(Ontology Web Language)用以描述语义网中概念、概念集合、以及概念间关系等丰富和复杂的知识。

根据语义性解释方式的不同，OWL可以分为OWL Full和OWL DL。本体语言的表达能力与推理能力之间存在着不可协调的矛盾。其中，OWL Full是最完整的OWL语言，以RDF图结构解释语义性，具有强有力的表达能力，但缺少推理的可判定性。OWL DL是以描述逻辑(Description Logics，DL)为基础的直接语义性解释。OWL DL相对于OWL Full牺牲了部分语义性，对OWL使用的构造函数进行了限制，但保证了推理的完备性和可判定性。

选用最大化兼顾二者且与人类自然语言较为接近的OWL DL作为健康维护领域的本体描述语言。

以某条压气机结垢期间的数据为例，验证基于SWRL(Semantic Web RuleLanguage)规则的本体推理在故障识别中的效果，其中压气机出口温度基准上限为420.5，数值类型为float，基准下限为415.3，数值类型为float；压力机效率基准上限为92.2，数值类型为float，基准下限为89.6，数值类型为float；压气机出口压力基准上限为1.45，数值类型为float，基准下限为1.35，数值类型为float。

压气机出口温度为418.9摄氏度、出口压力为1.31Mpa、压气机效率为89.1％以及燃气轮机功率为209.4MW。根据特征参数的数据与基准区间的赋值情况，可以得出压气机出口压力下降以及压气机效率下降两个征兆，并判断出燃气轮机处于带负荷工况。

为了在该案例中表示本体推理后的诊断报表，创建了诊断报表本体，分为：参数报表类、征兆报表类、故障报表类以及工况报表类。其中的SWRL规则具体为：规则1表示：若故障征兆对应的特征参数异常，则判定故障征兆出现；规则2和3表示：若特征参数的数值超出基准区间，则判定参数异常；规则4表示：若故障模式对应的征兆出现，且故障发生的条件符合当前工况，则判定故障模式出现；规则5表示：若燃气轮机功率超出5MW，则判定燃气轮机处于带负荷工况。

基于SWRL推理的故障识别具体为：利用SWRL规则1准确地检测出“压气机出口压力下降”与“压气机效率下降”两个故障征兆的出现；利用SWRL规则2准确地检测出“压气机出口压力”与“压气机效率”两个特征参数的异常；利用SWRL规则4，结合工况判别与征兆判别的结果，自动地推理出“压气机结垢”故障的发生。

此外，“压气机出口压力波动”征兆在推理过程中同样被检测出来，这是因为仅凭特征参数与基准区间的限值判别，无法排除压力波动，但是SWRL规则4利用工况作为补充信息，排除了压气机喘振故障的发生。

结果表明：通过由领域专家配置SWRL规则，开展基于SWRL的本体语义性推理，可以自动地执行故障识别工作，使基于本体表示的知识系统具备智能推理能力。同时降低了领域专家对知识分类的参与度，提高了知识管理效率。

此外，本体知识库支持基于SPARQL的查询规则。利用SPARQL语言定义信息的关联模式，可以在本体中检索出符合用户的目标信息。SPARQL的典型查询语句形式如公式1所示：

SELECT？x WHERE{？x rdfs:subClassOf:F01.} (1)

例如：

SELECT？fault？symptom

WHERE{？faultrdfs:label‘压气机结垢’. (2)

？fault fd:hasSymptom？symptom.}

SPARQL查询后的结果展示在Protégé中，通过两个三元组的多重模式匹配，查询到压气机结垢故障的征兆有：“压气机出口温度升高”、“压气机效率下降”“压气机出口压力下降”。

S104，依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据。

参见图6，图6公布了数据处理流程；其中，自动化清洗包括：稳态判别、工况划分、基准样本筛选；工况划分为基于K-均值聚类算法进行工况的划分。

S105，对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型。

确定基准值，基于条件变自编码器建立机组多元基准模型。

燃气轮机的运行状态模型是在工况变量C条件下，对特征指标X和Y的条件概率分布logp_θ(x,y|c)进行监测。因此在标准VAE(Variational Auto-Encoder)的结构基础上引入条件变量改进原有网络结构，建立条件变自编码器(Conditional Variational Auto-Encoder，CVAE)模型用于预测变工况。CVAE的网络结构如图7所示。

CVAE的目标是求解使条件对数似然logp_θ(x,y|c)最大化时参数的值。在变工况条件下，将式logp_θ(x)扩展为条件对数似然logp_θ(x,y|c)，写作：

logp_θ(x,y|c)＝D_KL(q_φ(z|x,y,c)||p_θ(z|x,y,c))+L_ELBO(θ,φ；x,y,c) (3)

根据VAE的基本原理，条件对数似然的变分下界L_ELBO(θ,φ；x,y,c)展开如公式(4)为：

L_ELBO(θ,φ；x,y,c)＝E_qφ(z|x,y,c)[log p_θ(x,y|z,c)]-D_KL(q_φ(z|x,y,c)||p_θ(z)) (4)

假设隐变量的先验分布服从各向同性多元高斯,则先验概率不涉及参数，如公式(5)所示。

p(z)＝N(0,I) (5)

观测变量的条件似然p_θ(x,y|z,c)服从多元高斯分布，如公式(6)所示。其中参数由编码器中的多层神经网络输出得到，σ_θ(z,c)假定是定值。

p_θ(x,y|z,c)＝N(μ_θ(z,c),σ_θ(z,c)²I) (6)

μ_θ(z,c)＝W_θ[z,c]+b_θ (7)

σ_θ(z,c)＝const (8)

由于真实的后验概率p_θ(z|x,y,c)的形式是具有斜对角方差的多元高斯模型，为了简化后验概率的估计，同样选用斜对角方差结构多元高斯分布表示编码器分布q_φ(z|x,y,c)，如公式(9)所示。

q_φ(z|x,y,c)＝N(μ_φ(x,y,c),σ_φ(x,y,c)²I) (9)

重参数化后的变分近似分布，如公式(10)所示。

z＝μ_φ(x,y,c)+σ_φ(x,y,c)⊙ε (10)

其中，ε～N(0,1)。

参数同样由神经网络计算得到，如公式(11)所示。

利用数据清洗模型筛选的基准样本训练CVAE模型，得到燃气轮机变工况条件下的基准模型。

S106，对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息。

以重构概率作为异常检测特征指标，判断燃气轮机的工况是否处于异常状态，如若所测试工况属于异常状态，通过计算重构输出与原始输入参数间的差值向量，获取工况的异常参数。

基于重构概率的异常检测

CVAE重构的是变量的概率分布而不是变量本身，包含了变量的更多信息，包括隐变量的后验分布和生成似然。重构概率是CVAE损失函数中的重构误差项，对于CVAE基准模型而言，测试数据的重构概率越小，表明数据与基准工况的差异性则越大，因此，选择以重构概率E_qφ(z|x,y,z)[logp_θ(x,y|z,c)]作为异常检测的特征指标。重构概率不仅考虑了重构与原始输入间的差异性，也考虑了由于隐变量方差的存在对重构结果的影响，具有检测数据波动异常的潜力。最重要的是，重构概率衡量的是当前整体状态与基准的偏离度，对于多参数耦合系统的异常检测更加敏感。重构概率的计算式如公式(12)所示。

重构概率的计算逻辑是：首先，输入测试样本X，通过CVAE的编码器得到隐变量的高斯分布中参数μ_φ和σ_φ，并对隐变量Z采样L个点；其次，由解码器计算每个隐变量Z对应的重构变量似然分布的参数μ_θ，σ_θ；最后，统计在隐变量条件下测试样本对数生成似然的平均值。采用KDE统计用于训练样本的重构概率分布，将置信度等于95％时对应的置信区间下限作为异常检测的阈值，如公式(13)所示。

在联合循环机组中，温度、压力等热力学参数间的相互耦合，局部参数的扰动会传递到系统内的其他参数上，并且在系统的控制调节作用下某些参数早期异常的微小偏离还会被拉至正常水平，影响参数异常的定位。基于重构概率的异常检测能够提前发现机组局部系统单元的异常变化。并在此基础上，计算重构输出与原始输入参数间的差值向量，利用二者的相对偏差进一步定位参数的异常，参数偏离度的计算如公式(14)所示。

式中，v_k表示标准化系数，由训练样本重构输出与输入信号间绝对偏差统计得到。x_k和

分别表示参数k实际值和重构值。一旦检测到重构概率异常，通过比较系统内各参数的偏离度，进一步定位参数异常。

S107，基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型。

燃气轮机智能诊断流程如图8所示，以获得的燃气轮机的早期检测信息为导向，利用本体的语义性搜索，获得异常状态的故障、原因及征兆信息，利用异常状态的故障和征兆间的属性关系构建因果图网络，结合引入的隐变量节点和概率赋值，构建基于结构性因果模型的诊断决策模型。

S108，将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

根据结构性因果模型的拓扑结构进行反事实推理，以故障备选集的充分性和必要性两个指标为依据，对所有候选故障进行排序，得出故障原因；在诊断推理结果的基础上，再次利用本体知识进行故障回溯，形成故障因果链，对最可能发生的故障及其演化过程做出诊断，并根据所得到的故障原因提供相应的维护策略。

参见图9，图9公布了一种燃气轮机的故障诊断系统，包括：

信息数据获取模块，所述信息数据获取模块基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据；

第一构建模块，所述第一构建模块用于对所获取的信息数据进行处理，构建故障诊断本体知识库模型；

知识库模型处理模块，所述知识库模型处理模块基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；

数据清洗模块，所述数据清洗模块用于依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据；

数据处理模块，所述数据处理模块用于对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型；

多元基准模型处理模块，所述多元基准模型处理模块用于对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；

第二构建模块，所述第二构建模块基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；

对比模块，所述对比模块用于将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种燃气轮机故障诊断方法，其特征在于，包括：

基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据；

对所获取的信息数据进行处理，构建故障诊断本体知识库模型；

基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；

依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据；

对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型；

对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；

基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；

将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

2.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述获取各结构功能层次上的典型故障模式及多源征兆信息，具体为:依据FMEA和FTA理论，分析燃气轮机的多源异构故障数据，获取各结构功能层次上的典型故障模式及其多源征兆信息数据。

3.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述对所获取的信息数据进行处理，构建故障诊断本体知识库模型，包括：

根据本体理论、语义网技术和数据的语义性建模方法，基于所获取的故障模式和信息，构建故障诊断本体知识库模型。

4.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；包括：基于OWL公理和SWRL对本体进行推理，通过SPARQL语言实现本体查询和基于本体的数据访问的功能需求。

5.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述自动化清洗包括：稳态判别、工况划分、基准样本筛选；

所述工况划分为基于K-均值聚类算法进行工况的划分。

6.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型，包括：确定基准值，基于条件变自编码器建立机组多元基准模型。

7.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息，包括：以重构概率作为异常检测特征指标，判断燃气轮机的工况是否处于异常状态，如若所测试工况属于异常状态，通过计算重构输出与原始输入参数间的差值向量，获取工况的异常参数。

8.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；包括：以获得的燃气轮机的早期检测信息为导向，利用本体的语义性搜索，获得异常状态的故障、原因及征兆信息，利用异常状态的故障和征兆间的属性关系构建因果图网络，结合引入的隐变量节点和概率赋值，构建基于结构性因果模型的诊断决策模型。

9.根据权利要求1所述的燃气轮机故障诊断方法，其特征在于，所述将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略；包括：根据结构性因果模型的拓扑结构进行反事实推理，以故障备选集的充分性和必要性两个指标为依据，对所有候选故障进行排序，得出故障原因；在诊断推理结果的基础上，再次利用本体知识进行故障回溯，形成故障因果链，对最可能发生的故障及其演化过程做出诊断，根据故障原因提供维护策略。

10.一种燃气轮机故障诊断系统，其特征在于，包括：

信息数据获取模块，所述信息数据获取模块基于故障系统理论分析和燃气轮机的故障特点，获取各结构功能层次上的典型故障模式及多源征兆信息数据；

第一构建模块，所述第一构建模块用于对所获取的信息数据进行处理，构建故障诊断本体知识库模型；

知识库模型处理模块，所述知识库模型处理模块基于所构建的故障诊断本体知识库模型，实现本体查询和基于本体的数据访问的功能需求；

数据清洗模块，所述数据清洗模块用于依据燃气轮机的运行特性，对历史数据进行自动化清洗，获取符合训练参数基准数据；

数据处理模块，所述数据处理模块用于对所获取的符合训练参数基准数据进行处理，构建机组多元基准模型；

多元基准模型处理模块，所述多元基准模型处理模块用于对构建的多元基准模型进行处理，获取燃气轮机异常状态的早期检测信息；

第二构建模块，所述第二构建模块基于燃气轮机异常状态的早期检测信息和故障知识间因果关系与不确定性，构建基于结构性因果模型的诊断决策模型；

对比模块，所述对比模块用于将反事实推理应用到所构建的决策模型中，对比获取的所有候选故障，得出故障原因并提供维护策略。

Images