CN114154266B - 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 - Google Patents
基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 Download PDFInfo
- Publication number
- CN114154266B CN114154266B CN202111474896.3A CN202111474896A CN114154266B CN 114154266 B CN114154266 B CN 114154266B CN 202111474896 A CN202111474896 A CN 202111474896A CN 114154266 B CN114154266 B CN 114154266B
- Authority
- CN
- China
- Prior art keywords
- monitoring node
- monitoring
- nodes
- node
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001364 causal effect Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 303
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 208000017132 congenital short bowel syndrome Diseases 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，包括：1、以流的方法逐个读入监测节点数据；2、对每个监测节点使用基于偏秩相关的流因果结构学习方法，在监测节点集合中选择一组候选邻居监测节点集；3、对选择的候选邻居监测节点进行冗余性分析；4、重复执行步骤1‑3，直至监测节点的数量超过极限值，从而得到监测节点集的因果骨架图，再使用贪婪爬山搜索方法进行因果定向，最终获得相应的监测系统因果结构图。并基于该因果结构图训练相应的故障预测模型，从而得到每个测点的故障预测模型，以实现对故障进行更加准确的预测。本发明能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。
Description
技术领域
本发明属于数据挖掘领域，具体地说是一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法。
背景技术
故障检测技术是由于构建大型设备的“监控系统”的需要而发展起来的。由于所建系统规模的不断扩大，复杂性的提高以及系统投资的巨大，人们迫切需要提高系统的可靠性和安全性。随着系统设备的精密度越来越高，对检查维护人员的专业水平要求也提出了更高的要求。但即便是具备一定的经验的专业检查人员，还是会因个人因素等原因导致错查、漏查。并且基于人工水平的限制，更是存在有些故障的发生难以预料和有些故障的机理难以分析等难题。因而有必要建立一个监控系统来监视整个系统的运行状态，不断检测系统的变化和故障，进而采取必要的措施，防止系统的损坏和事故的发生。该监控系统中常采用的故障预测方法包括：基于模型的方法，如时间序列预测、卡尔曼滤波、基于机理模型或经验模型的方法等；基于数据的方法，如统计分析、贝叶斯理论、隐马尔可夫模型等；基于人工智能的方法，如神经网络预测、专家系统、模糊逻辑预测等。
目前国内燃气轮机状态监测和故障诊断研究现状最近有很大进步,但是技术还相对比较落后,应用成果较少。随着人工智能时代的到来和大数据技术的兴起，如何将大数据相关技术应用于燃气轮机状态监测和故障诊断是一个值得研究的课题。燃气轮机机组在运行时不断地产生大量的监测数据，基于这些海量的运行监测数据，开展燃气轮机机组状态分析、性能监测和故障智能诊断预测研究，具有非常重要的现实意义。通过数据建模，可以对燃气轮机机组状态进行实时的健康评估，预测状态趋势，在没有发生重大故障前提前预警，可以早期发现燃气轮机故障，从而避免经济损失、提供维修建议、有助于燃机的安全可靠地运行。然而，这些数据的分布往往是任意的，彼此之间的关系往往具有非线性的特点，对于这种非线性数据的研究是具有一定的挑战。这些运行数据构成一个复杂的网络系统，辨识该复杂系统的网络节点间的联系，有助于燃气轮机的状态监测和故障预测。
而描述复杂网络间关系的杰出模型就是由美国加州大学的Judea Pearl提出的基于概率论和图论的贝叶斯网络模型，并凭杰出的贡献获得2011年度图灵奖。当前贝叶斯网络结构学习算法可以分为两大类：一是解决静态环境下多元线性或非线性数据的因果结构学习问题的全局因果发现算法(假定预先获得所有的特征数据)，如Schmidt等于提出了L1MB算法，Yang提出了基于偏相关的PCB算法以及改进后的PCS算法，Hoyer等提出了的附加噪声模型和用于处理多元非线性数据的基于HSIC独立性测试方法的因果结构学习；二是处理动态条件下多元离散或连续数据的因果结构学习问题的局部因果发现算法(假定特征数据以流动方式产生)，如Yu等人提出了基于流特征的在线局部因果结构学习算法，Guo和Yang通过在Yu的工作上进行深入研究，分别提出了准确度与时间性能更高的CSBS算法和CSSU算法。然而，上述算法都存在一定的局限性。例如L1MB算法、PCB算法和PCS算法只能处理服从线性分布的数据，HSIC独立性测试方法的时间复杂度大仅适用小样本数据，且静态环境下的因果算法需要等待所有数据全部载入完成才能执行，在考虑时间成本的情况下不适用于数据动态增长的应用系统；而CSBS算法和CSSU算法要求输入数据呈离散分布，对于连续性的数据，需要先进行离散化处理，这通常会引起失真问题，并且，现实世界的数据采集过程中不可避免地会掺加噪声，噪声数据的引入会导致因果发现算法失效。
燃气轮机机组的运行数据通常服从非高斯非线性分布，更具备高维特性。传统的高维数据的处理方法包括主成分分析法、独立成分分析等方法。而这些方法都要事先知道所有数据维的信息并一次载入内存，但有时燃气轮机机组数据维数巨大无法一次载入内存，并且可能不断出现新的测点数据，造成数据的特征空间是动态的、未知的。因此从实际应用角度，基于流特征下的动态因果发现算法更适用于处理动态高维且服从非高斯非线性分布的燃气轮机机组运行数据。近年来兴起的一种基于流特征的数据分析方法，目前是数据挖掘领域一个新兴的研究方向，可以有效的处理动态高维大数据。
目前这些方法的主要局限包括：
(1)由于燃气轮机机组数据维数巨大，无法一次载入内存，使得上述静态环境下的全局因果发现算法需要等待数据全部载入，不能实时地有效处理此种情形；
(2)上述多数流特征下的动态因果发现算法的计算复杂度比较大，且需先对原始数据进行离散化处理，不可避免引起数据的失真问题，满足不了燃气轮机机组运行数据的在线实时学习。
发明内容
本发明为克服现有技术存在的不足之处，提出了一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，以期能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。
本发明为解决技术问题采用如下技术方案：
本发明一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点X＝{X1,X2,...,Xi,...,Xn}的运行状态进行监测，从而得到燃气轮机的运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有 表示第i个监测点Xi的运行数据Di中第s个样本监测值；1≤i≤n，1≤s≤m，m表示运行数据的样本总数；其特点是，所述燃气轮机故障预测是按如下步骤进行：
步骤1、定义时刻t，并初始化t＝0；
步骤2、定义t时刻监测节点集合为TCNt，并初始化t时刻监测节点集合
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集D中读取具有m个取值的第j个监测节点Xj的运行数据Dj；并初始化第j个监测节点Xj的候选邻居监测节点集MB(Xj)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点Xj加入所述t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集集合TCNt+1；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个监测节点Xj进行相关性分析，从而在t时刻监测节点集TCNt中选取相关的监测节点加入候选邻居监测节点集MB(Xj)；
步骤7、判断所述第j个监测节点Xj的候选邻居监测节点集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点Xj加入t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集合TCNt+1；再将t+1赋值给t后，执行步骤8；
步骤8、定义变量k，并初始化k＝1；
步骤9、对候选邻居监测节点集合MB(Xj)中第k个监测节点在所述监测节点X中所对应的第k′个监测节点Xk′进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合MB(Xk′)；
步骤10、将k+1赋值给k，并判断k＞|MB(Xj)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|MB(Xj)|表示MB(Xj)中监测节点的数目；
步骤11、将j+1赋值给j，返回步骤4；
步骤12、使用贪婪爬山搜索算法对所述因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；
步骤13、任意选择一个监测节点的运行数据作为LSTM神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，并得到故障预测模型；
步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入所述故障预测模型中，得到实时监测的监测节点的预测值，再将所述预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
本发明所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法的特点是，所述步骤6的相关性分析是按如下步骤进行：
步骤6.1、设置相关性阈值为α；
步骤6.2、定义变量u；并初始化u＝1；定义变量θ；
步骤6.3、计算第j个监测节点Xj和t时刻监测节点集TCNt中第u个监测节点在给定候选邻居节点集/>条件下的偏秩相关系数/>
步骤6.4、利用式(1)对偏秩相关系数的真值进行假设检验；
式(1)中，H0表示检验假设，表示偏秩相关系数/>的均值，H1表示备择假设；
步骤6.5、利用式(2)得到统计量
式(2)中，表示第j个监测节点Xj和第u个监测节点/>的真实数据所计算的偏秩相关系数；/>为估计值，表示偏秩相关系数/>的期望值；偏秩相关系数/>是取值为0的假设值；/>是估计值/>的标准差估计；
步骤6.6、利用式(3)计算显著性水平值表示第j个监测节点Xj和第u个监测节点/>的相关程度：
式(3)中，Φ是标准正态分布的累积分布函数；
步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点Xj与第u个监测节点/>相关，并执行步骤6.8；否则，表示第j个监测节点Xj与第u个监测节点/>独立，并执行步骤6.9；
步骤6.8、将第j个监测节点Xj加入第u个监测节点的候选邻居监测节点集/>中；同时，将第u个监测节点/>加入第j个监测节点Xj的候选邻居监测节点集MB(Xj)中，从而更新第u个监测节点/>的候选邻居监测节点集/>和第j个监测节点Xj的候选邻居监测节点集MB(Xj)；再执行步骤6.9；
步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。
所述步骤9的冗余性校验是按如下步骤进行：
步骤9.1、设置冗余度阈值β；计算第k′个监测节点Xk′的候选邻居节点集合MB(Xk′)中的监测节点个数，记为|MB(Xk′)|；
步骤9.2、定义变量w；并初始化w＝1；定义变量δ；
步骤9.3、获取所述候选邻居节点集合MB(Xk′)中第w个监测节点在所述监测节点X中所对应的第w′个监测节点Xw′；
步骤9.4、计算第k′个监测节点Xk′和第w′个监测节点Xw′在给定条件集S＝MB(Xk′)-Xw′条件下的偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)；
步骤9.5、利用式(1)对偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)的真值进行假设检验；
步骤9.6、利用式(2)得到统计量
步骤9.7、利用式(3)计算显著性水平值p-value(Xk′,Xw′|S)，表示第k′个监测节点Xk′和第w′个监测节点Xw′在MB(Xk′)中加入第j个监测节点Xj后的冗余程度；
步骤9.8、将冗余程度p-value(Xk′,Xw′|S)赋值给δ，并判断δ≥β是否成立，若成立，表示第w′个监测节点Xw′与第k′个监测节点Xk′在MB(Xk′)中加入第j个监测节点Xj后变为不相关，即第w′个监测节点Xw′为冗余监测节点，并执行步骤9.9；否则，表明第w′个监测节点Xw′与第k′个监测节点Xk′仍然相关，并执行步骤9.10；
步骤9.9、从所述第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)中删除所述第w′个监测节点Xw′；同时从所述第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)中删除所述第k′个监测节点Xk′，从而更新第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)和第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)，以去除冗余节点；再执行步骤9.10；
步骤9.10、将w+1赋值给w，并判断w＞|MB(Xk′)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
与已有技术相比，本发明的有益效果体现在：
1、针对燃气轮机机组运行监测数据分布往往是任意的，彼此之间的关系往往具有非线性的特点，本发明基于偏秩相关系数对监测节点的相关性进行研究，并结合局部学习策略实现为监测节点选取相关邻居监测节点的学习，显著的降低了学习的复杂度，通过对输入数据是否服从线性或非线性、离散或连续性分布不作要求，在有效去除噪声数据的影响下最大程度保证了数据的信息完整性，从而满足了燃气轮机状态实时监测的需要。
2、本发明针对燃气轮机机组运行数据的动态、高维性，以流的方式进行处理，可以处理高维、动态的燃气轮机机组运行监测数据。基于相关性分析和冗余校验从而实现了监测节点的候选邻居监测节点集的在线更新，实现了局部因果网络骨架的快速在线调整，流的处理方式可以降低学习的时间复杂度，从而满足了在线学习的时效性要求，适用于高维动态的燃气轮机机组运行数据。
3、本发明针对燃气轮机机组监测节点构建贝叶斯网络结构因果图然后通过LSTM神经网络进行预测。不仅能够表露燃气轮机各监测节点之间的显性信息，还能得到监控节点间内存在的关系和决策信息，最后结合神经网络方法进行故障预测，大大提高了故障预测的准确性。
具体实施方式
本实施例中，一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对燃气轮机系统中n个监测节点X＝{X1,X2,...,Xi,...,Xn}的运行状态进行监测，从而得到燃气轮机的运行数据集D＝{D1,D2,...,Di,…,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有 表示第i个监测点Xi的运行数据Di中第s个样本监测值；1≤i≤n，1≤s≤m，m表示运行数据的样本总数；该燃气轮机故障预测方法目的是为了找出监测节点间的关系，找到与任意监测节点相关性较强的监测节点，并在该方法的基础上，使用神经网络的方法对于监测节点的未来趋势进行预测，从而对为燃气轮机的运行状态进行监测和故障预警。具体的说，该燃气轮机故障预测是按如下步骤进行：
步骤1、定义时刻t，并初始化t＝0；
步骤2、定义t时刻监测节点集合为TCNt，并初始化t时刻监测节点集合
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集D中读取具有m个取值的第j个监测节点Xj的运行数据Dj；并初始化第j个监测节点Xj的候选邻居监测节点集MB(Xj)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
步骤5、判断j＝1是否成立，若成立，则将第j个监测节点Xj加入t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集集合TCNt+1；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
步骤6、使用基于偏秩相关的流因果结构学习算法对第j个监测节点Xj进行相关性分析，从而在t时刻监测节点集TCNt中选取相关的监测节点加入候选邻居监测节点集MB(Xj)；
步骤6.1、设置相关性阈值为α；
步骤6.2、定义变量u；并初始化u＝1；定义变量θ；
步骤6.3、利用式(1)计算第j个监测节点Xj和t时刻监测节点集TCNt中第u个监测节点在给定候选邻居节点集/>条件下的偏秩相关系数/>
式(1)中，、X′j和Z′表示将/>Xj和Z中的监测节点运行数据转化为对应的秩次排列序值数据后得到的相应监测节点；/>表示/>和X′j在给定条件集Z′的偏相关系数；/>表示/>和Z′中的运行数据进行线性回归得到的残差；/>表示X′j和Z′中的运行数据线性回归得到的残差；/>表示/>和/>之间的相关系数。
步骤6.4、利用式(2)对偏秩相关系数的真值进行假设检验；
式(2)中，H0表示检验假设，表示偏秩相关系数/>的均值，H1表示备择假设；
步骤6.5、利用式(3)得到统计量
式(3)中，表示第j个监测节点Xj和第u个监测节点/>的真实数据所计算的偏秩相关系数；/>为估计值，表示偏秩相关系数/>的期望值；偏秩相关系数/>是取值为0的假设值；/>是估计值/>的标准差估计；
步骤6.6、利用式(4)计算显著性水平值表示第j个监测节点Xj和第u个监测节点/>的相关程度：
式(3)中，Φ是标准正态分布的累积分布函数；
步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点Xj与第u个监测节点/>相关，并执行步骤6.8；否则，表示第j个监测节点Xj与第u个监测节点/>独立，并执行步骤6.9；
步骤6.8、将第j个监测节点Xj加入第u个监测节点的候选邻居监测节点集/>中，即/>同时，将第u个监测节点/>加入第j个监测节点Xj的候选邻居监测节点集MB(Xj)中，即/>从而更新第u个监测节点/>的候选邻居监测节点集/>和第j个监测节点Xj的候选邻居监测节点集MB(Xj)；再执行步骤6.9；
步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。
步骤7、判断第j个监测节点Xj的候选邻居监测节点集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点Xj加入t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集合TCNt+1；再将t+1赋值给t后，执行步骤8；
步骤8、定义变量k，并初始化k＝1；
步骤9、对候选邻居监测节点集合MB(Xj)中第k个监测节点在监测节点X中所对应的第k′个监测节点Xk′进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合MB(Xk′)；
步骤9.1、设置冗余度阈值β；计算第k′个监测节点Xk′的候选邻居节点集合MB(Xk′)中的监测节点个数，记为|MB(Xk′)|；
步骤9.2、定义变量w；并初始化w＝1；定义变量δ；
步骤9.3、获取候选邻居节点集合MB(Xk′)中第w个监测节点在监测节点X中所对应的第w′个监测节点Xw′；
步骤9.4、利用式(1)计算第k′个监测节点Xk′和第w′个监测节点Xw′在给定条件集S＝MB(Xk′)-Xw′条件下的偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)；
步骤9.5、利用式(2)对偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)的真值进行假设检验；
步骤9.6、利用式(3)得到统计量
步骤9.7、利用式(4)计算显著性水平值p-value(Xk′,Xw′|S)，表示第k′个监测节点Xk′和第w′个监测节点Xw′在MB(Xk′)中加入第j个监测节点Xj后的冗余程度；
步骤9.8、将冗余程度p-value(Xk′,Xw′|S)赋值给δ，并判断δ≥β是否成立，若成立，表示第w′个监测节点Xw′与第k′个监测节点Xk′在MB(Xk′)中加入第j个监测节点Xj后变为不相关，即第w′个监测节点Xw′为冗余监测节点，并执行步骤9.9；否则，表明第w′个监测节点Xw′与第k′个监测节点Xk′仍然相关，并执行步骤9.10；
步骤9.9、从第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)中删除第w′个监测节点Xw′；同时从第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)中删除第k′个监测节点Xk′，从而更新第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)和第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)，以去除冗余节点；再执行步骤9.10；
步骤9.10、将w+1赋值给w，并判断w＞|MB(Xk′)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
步骤10、将k+1赋值给k，并判断k＞|MB(Xj)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|MB(Xj)|表示MB(Xj)中监测节点的数目；
步骤11、将j+1赋值给j，返回步骤4；
步骤12、使用贪婪爬山搜索算法对因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；
步骤12.1、定义监测节点评分次数为INum；初始化INum＝1；定义最大评分次数为MaxIter；
步骤12.2、利用式(5)构建评分函数MDL：
式(5)中，MDL评分由数据的拟合优度和网络复杂度共同决定；MB(Xj)表示第j个监测节点Xj的相关监测节点集；/>表示第j个监测节点Xj的自由变量个数，/>表示第j个变量θj在表示/>取最小值的最大似然估计，并有：
式(6)中，NLL(Xj,MB(Xj),θj)表示第j个监测节点Xj在给定相关监测节点集MB(Xj)和第j个变量θj时的评分；
步骤12.3、利用式(7)计算第j个监测节点Xj在给定相关监测节点集MB(Xj)和参数时的评分/>
式(7)中，xjk表示第j个监测节点Xj在第k个样本的实际取值；mb(xjk)表示第j个监测节点Xj在其相关监测节点集MB(Xj)在第k个样本的实际取值；是第j个监测节点Xj在其相关监测节点集MB(Xj)取值为mb(xjk)和权值为/>时，计算得出的预测值；
步骤12.4、定义变量RSearch表示重新搜索，并初始化Rsearch＝1；定义G minScore和G min Graph分别表示最小MDL评分及其对应的网络，并初始化G min Score为无穷大，定义Iter表示迭代的次数，并初始化为0；
步骤12.5、将Iter+1赋值给Iter，若Rsearch＝1，则表示执行重新搜索；并执行步骤12.6；若Rsearch＝0时表示不执行重新搜索；
步骤12.6、在每个监测点的候选节点集中随机添加边，当出现环，则停止添加边，并去除形成环所对应的边后得到第Iter次迭代的初选网络；计算第Iter次迭代的初选网络的得分GraphScoreIter，并更新评分次数INum为INum+n；
步骤12.7、将GraphScoreIter赋值给第Iter次迭代的局部最优得分L min Score，并令RSearch＝0；
步骤12.8、判断L min Score＞G min Score是否成立，若成立，则执行步骤12.9，否则，执行步骤12.12；
步骤12.9、对第Iter次迭代的初选网络分别进行所有可能的添加边、删除边、逆置边的操作，并计算每一次操作后的网络的评分函数MDL的下降幅度，从而对第Iter次迭代的初选网络进行下降幅度最大的操作，得到第Iter次迭代操作后的网络；并得到所有可能的添加边、删除边、逆置边操作的评分次数记为AddINum、DelINum、RevINum；
步骤12.10、计算第Iter次迭代操作后的网络的得分GraphScoreIter，并将EINum+AddINum+DelINum+RevINum后赋值给INum，从而更新评分次数；
步骤12.11、判断GraphScoreIter＜L min Score是否成立，若成立，则将GraphScoreIter赋值给L min Score，并令RSearch＝1后，返回步骤12.5执行；否则，执行步骤12.12；
步骤12.12、判断L min Score＜G min Score是否成立，若成立，将L min Score赋值给G min Score，则第Iter次迭代操作后的赋给G min Graph；
步骤12.13、判断INum＜MaxIter是否成立，若成立，返回步骤12.5执行，否则输出Gmin Score和G min Graph，其中G min Graph即为最终获得的第t时刻监测节点的因果结构图。
步骤13、任意选择一个监测节点的运行数据作为LSTM神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，并得到故障预测模型；
步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入故障预测模型中，得到实时监测的监测节点的预测值，再将预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
Claims (3)
1.一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点X＝{X1,X2,...,Xi,...,Xn}的运行状态进行监测，从而得到燃气轮机的运行数据集D＝{D1,D2,...,Di,...,Dn}，其中，Xi表示第i个监测点；Di表示第i个监测点Xi的运行数据；并有 表示第i个监测点Xi的运行数据Di中第s个样本监测值；1≤i≤n，1≤s≤m，m表示运行数据的样本总数；其特征是，所述燃气轮机故障预测是按如下步骤进行：
步骤1、定义时刻t，并初始化t＝0；
步骤2、定义t时刻监测节点集合为TCNt，并初始化t时刻监测节点集合
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集D中读取具有m个取值的第j个监测节点Xj的运行数据Dj；并初始化第j个监测节点Xj的候选邻居监测节点集MB(Xj)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点Xj加入所述t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集集合TCNt+1；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个监测节点Xj进行相关性分析，从而在t时刻监测节点集TCNt中选取相关的监测节点加入候选邻居监测节点集MB(Xj)；
步骤7、判断所述第j个监测节点Xj的候选邻居监测节点集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点Xj加入t时刻监测节点集合TCNt中，从而获得t+1时刻监测节点集合TCNt+1；再将t+1赋值给t后，执行步骤8；
步骤8、定义变量k，并初始化k＝1；
步骤9、对候选邻居监测节点集合MB(Xj)中第k个监测节点在所述监测节点X中所对应的第k′个监测节点Xk′进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合MB(Xk′)；
步骤10、将k+1赋值给k，并判断k＞|MB(Xj)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|MB(Xj)|表示MB(Xj)中监测节点的数目；
步骤11、将j+1赋值给j，返回步骤4；
步骤12、使用贪婪爬山搜索算法对所述因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；
步骤13、任意选择一个监测节点的运行数据作为LSTM神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，并得到故障预测模型；
步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入所述故障预测模型中，得到实时监测的监测节点的预测值，再将所述预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
2.根据权利要求1所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，其特征是，所述步骤6的相关性分析是按如下步骤进行：
步骤6.1、设置相关性阈值为α；
步骤6.2、定义变量u；并初始化u＝1；定义变量θ；
步骤6.3、计算第j个监测节点Xj和t时刻监测节点集TCNt中第u个监测节点在给定候选邻居节点集/>条件下的偏秩相关系数/>
步骤6.4、利用式(1)对偏秩相关系数的真值进行假设检验；
式(1)中，H0表示检验假设，表示偏秩相关系数/>的均值，H1表示备择假设；
步骤6.5、利用式(2)得到统计量
式(2)中，表示第j个监测节点Xj和第u个监测节点/>的真实数据所计算的偏秩相关系数；/>为估计值，表示偏秩相关系数/>的期望值；偏秩相关系数/>是取值为0的假设值；/>是估计值/>的标准差估计；
步骤6.6、利用式(3)计算显著性水平值表示第j个监测节点Xj和第u个监测节点/>的相关程度：
式(3)中，Φ是标准正态分布的累积分布函数；
步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点Xj与第u个监测节点/>相关，并执行步骤6.8；否则，表示第j个监测节点Xj与第u个监测节点/>独立，并执行步骤6.9；
步骤6.8、将第j个监测节点Xj加入第u个监测节点的候选邻居监测节点集/>中；同时，将第u个监测节点/>加入第j个监测节点Xj的候选邻居监测节点集MB(Xj)中，从而更新第u个监测节点/>的候选邻居监测节点集/>和第j个监测节点Xj的候选邻居监测节点集MB(Xj)；再执行步骤6.9；
步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。
3.根据权利要求1、2所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，其特征是，所述步骤9的冗余性校验是按如下步骤进行：
步骤9.1、设置冗余度阈值β；计算第k′个监测节点Xk′的候选邻居节点集合MB(Xk′)中的监测节点个数，记为|MB(Xk′)|；
步骤9.2、定义变量w；并初始化w＝1；定义变量δ；
步骤9.3、获取所述候选邻居节点集合MB(Xk′)中第w个监测节点在所述监测节点X中所对应的第w′个监测节点Xw′；
步骤9.4、计算第k′个监测节点Xk′和第w′个监测节点Xw′在给定条件集S＝MB(Xk′)-Xw′条件下的偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)；
步骤9.5、利用式(1)对偏秩相关系数ρk′w′＝ρ(Xk′,Xw′|S)的真值进行假设检验；
步骤9.6、利用式(2)得到统计量
步骤9.7、利用式(3)计算显著性水平值p-value(Xk′,Xw′|S)，表示第k′个监测节点Xk′和第w′个监测节点Xw′在MB(Xk′)中加入第j个监测节点Xj后的冗余程度；
步骤9.8、将冗余程度p-value(Xk′,Xw′|S)赋值给δ，并判断δ≥β是否成立，若成立，表示第w′个监测节点Xw′与第k′个监测节点Xk′在MB(Xk′)中加入第j个监测节点Xj后变为不相关，即第w′个监测节点Xw′为冗余监测节点，并执行步骤9.9；否则，表明第w′个监测节点Xw′与第k′个监测节点Xk′仍然相关，并执行步骤9.10；
步骤9.9、从所述第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)中删除所述第w′个监测节点Xw′；同时从所述第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)中删除所述第k′个监测节点Xk′，从而更新第k′个监测节点Xk′的候选邻居监测节点集合MB(Xk′)和第w′个监测节点Xw′的候选邻居监测节点集合MB(Xw′)，以去除冗余节点；再执行步骤9.10；
步骤9.10、将w+1赋值给w，并判断w＞|MB(Xk′)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474896.3A CN114154266B (zh) | 2021-12-03 | 2021-12-03 | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474896.3A CN114154266B (zh) | 2021-12-03 | 2021-12-03 | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154266A CN114154266A (zh) | 2022-03-08 |
| CN114154266B true CN114154266B (zh) | 2024-02-20 |
Family
ID=80452542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111474896.3A Active CN114154266B (zh) | 2021-12-03 | 2021-12-03 | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154266B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882273B (zh) * | 2022-04-24 | 2023-04-18 | 电子科技大学 | 应用于狭小空间的视觉识别方法、装置、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| 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 |
| CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
| CN111931420A (zh) * | 2020-08-07 | 2020-11-13 | 合肥工业大学 | 基于核再生希尔伯特空间的燃气轮机故障预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
-
2021
- 2021-12-03 CN CN202111474896.3A patent/CN114154266B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| 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 |
| CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
| CN111931420A (zh) * | 2020-08-07 | 2020-11-13 | 合肥工业大学 | 基于核再生希尔伯特空间的燃气轮机故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于自适应动态无偏LSSVM的故障在线监测;蔡艳宁;胡昌华;汪洪桥;张琪;;系统仿真学报;20090705(第13期);全文 * |
| 热力参数的KPCA-RBF网络建模及传感器故障诊断方法;李鸿坤;陈坚红;盛德仁;李蔚;;振动.测试与诊断;20161215(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154266A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Che et al. | Combining multiple deep learning algorithms for prognostic and health management of aircraft | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
| CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN114943179A (zh) | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 | |
| Yiwei et al. | A model-based prognostics method for fatigue crack growth in fuselage panels | |
| CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
| Pan et al. | A meta network pruning framework for remaining useful life prediction of rocket engine bearings with temporal distribution discrepancy | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
| Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
| US20240085274A1 (en) | Hybrid bearing fault prognosis with fault detection and multiple model fusion | |
| Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
| Wang et al. | Joint learning of failure mode recognition and prognostics for degradation processes | |
| CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
| CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
| Wang et al. | Sensor-data-driven fusion prognostic framework for complex engineered systems | |
| Basak et al. | Universal adversarial attack on deep learning based prognostics | |
| Robinson et al. | Model-based prognosis using an explicit degradation model and Inverse FORM for uncertainty propagation | |
| CN111931421B (zh) | 基于秩次相关的因果结构图的燃气轮机故障预测方法 | |
| CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 | |
| Huang et al. | A prediction method for aero-engine health management based on nonlinear time series analysis | |
| Khan et al. | Prognostics of crack propagation in structures using time delay neural network | |
| Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm |
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 |