CN114239708A - 一种基于质量控制图理论的燃机异常检测方法 - Google Patents

一种基于质量控制图理论的燃机异常检测方法 Download PDF

Info

Publication number
CN114239708A
CN114239708A CN202111518169.2A CN202111518169A CN114239708A CN 114239708 A CN114239708 A CN 114239708A CN 202111518169 A CN202111518169 A CN 202111518169A CN 114239708 A CN114239708 A CN 114239708A
Authority
CN
China
Prior art keywords
data
detection
model
abnormal
time
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
Application number
CN202111518169.2A
Other languages
English (en)
Other versions
CN114239708B (zh
Inventor
林枫
王伟影
孙鹏
胡汀
栾永军
杜玉锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
703th Research Institute of CSIC
Original Assignee
703th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 703th Research Institute of CSIC filed Critical 703th Research Institute of CSIC
Priority to CN202111518169.2A priority Critical patent/CN114239708B/zh
Publication of CN114239708A publication Critical patent/CN114239708A/zh
Application granted granted Critical
Publication of CN114239708B publication Critical patent/CN114239708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Abstract

本发明的目的在于提供一种基于质量控制图理论的燃机异常检测方法，包括以下步骤：实时获取燃机待检测测点t时间的时序运行数据并将其按时间顺序分为模型构建数据列a和异常检测数据列b两部分；通过给定模型构建数据列a标准差倍数m的方法构建异常检测模型的上边界及下边界，计算模型构建数据列a的均值作为异常检测模型的控制中心线；根据燃机运行经验及待测数据点特征，基于质量控制图理论选取相应的一条或多条检测规则；使用该模型检测异常检测数据列b数据，若其符合检测模型描述则表明该数据点数据异常，否则t/3时间以后重复上述过程以实现实时的迭代异常检测。本发明能有效对燃气轮机海量的高度复杂的系统信息数据进行健康监测和故障预判。

Description

一种基于质量控制图理论的燃机异常检测方法
技术领域
本发明涉及的是一种燃气轮机控制方法，具体地说是燃气轮机检测方法。
背景技术
燃气轮机作为一种重要的动力机械，具有结构紧凑、运行平稳、热效率较高等特点，应用范围越发广泛。燃气轮机的安全可靠的工作要求很高，在燃气轮机日常的工作情况下，对机组的健康情况进行监测，对可能出现的各种异常情况进行分析检测，可避免或以便于及时处理燃机的大型故障。
传统的机组异常检测方法主要是基于机组保护系统的阈值报警及基于机组仿真模型的结果对比分析。基于机组保护系统的阈值报警的方法无法实现潜在数据异常(包括：数据趋势异常、数据小幅跳变、单点跳变等情况)的在线检测，基于气路模型的异常检测方法对传感器信息进行检测的计算量大，误判度很高。
发明内容
本发明的目的在于提供能有效对燃气轮机海量的高度复杂的系统信息数据进行健康监测和故障预判的一种基于质量控制图理论的燃机异常检测方法。
本发明的目的是这样实现的：
本发明一种基于质量控制图理论的燃机异常检测方法，其特征是：
(1)实时获取燃气轮机待检测测点过去一段时间t的时序运行数据，记为数列A；
(2)将步骤(1)构建的数列A按时间顺序分为模型构建数据列a和异常检测数据列b两部分；
(3)计算步骤(2)得到的模型构建数据列a的标准差D以及均值S；
(4)取步骤(3)计算得到的标准差D的倍数m·D及-m·D构建异常检测模型的上边界及下边界，m值人为给定；
(5)取步骤(3)计算得到的模型构建数据列a的均值S作为异常检测模型的控制中心线；
(6)根据燃气轮机运行经验及待测数据点特征，基于质量控制图理论选取相应的一条或一条以上检测规则；
(7)使用步骤(3)、(4)、(5)、(6)构建的异常检测模型，检测步骤(2)构建的异常检测数据列b；
(8)若步骤(7)的检测结果符合检测模型描述，则表明该数据点数据异常，跳转步骤(10)；
(9)若步骤(7)的检测结果不符合检测模型描述，t/3时间以后跳转步骤(1)；
(10)给出报警，检测完成。
本发明的优势在于：本发明能有效对燃气轮机海量的高度复杂的系统信息数据进行健康监测和故障预判，是一种简单、高效、准确、实时的燃气轮机异常检测的方法。
附图说明
图1为本发明的流程图；
图2为本发明的燃机数据异常检测实例曲线。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-2，基于质量控制图理论的燃机异常检测分成以下步骤：
数据准备：
实时获取燃气轮机待检测测点过去一段时间(记为t)的时序运行数据并将其按时间顺序分为模型构建数据列a和异常检测数据列b两部分；
(1)通过实时数据库或测控系统获取燃气轮机待检测测点(如转速n)过去一段时间(如30min记为t)的时序运行数据；
(2)将这些数据按时间顺序分为两部分，前一半记为模型构建数据列a；后一半记为异常检测数据列b；
其中，时间t的选取依据具体参数变化速率，如温度等缓变数据可选取分钟级数据，转速振动等快变数据可选取秒级；模型构建数据列a主要用于构建异常检测模型，异常检测数据列b是待检测数据。
构建异常检测模型：
SPC准则一般由上边界、下边界及控制中心三个参数作为模型的边界条件，其计算方法如下：
(1)计算模型构建数据列a的标准差D；计算模型构建数据列a的均值S；
(2)根据燃气轮机运行经验由给定标准差倍数m；则m·D为标异常检测模型的上边界，-m·D为下边界，S为控制中心线；
选取SPC准则需要待检测数据异常特征进行历史数据分析，得到待检测数据的异常变化形式，如：缓慢上升、快速跳变、大幅波动等，并据此选择一条或多条对应的SPC准则；
确定检测边界及对应的SPC准则后，完成异常检测模型构建；
在线异常检测：
使用步骤2获得的异常检测模型，对步骤1取得的待检测数据列b进行异常检测(规则匹配)，若满足其中任意一条，给出数据异常报警，检测流程结束。
若异常检测结果为不满足任何异常检测规则，则应在t/3时间后，回到步骤1起始位置再次进行本流程。
由于每次获取的数据时间长度是t，被检测数据列的时间长度是t/2，检测周期是t/3，则通过本方法进行连续在线异常检测，实现了被检测数据的时间重叠，可大大降低漏检率。
图2为燃机数据异常检测实例曲线，前15个点为本方法描述的模型构建数列a，使用数列a计算得到标准差D及均值S，选取SPC准则(连续5点中的4点超过中心线1个标准差以上)对后15个点构成的异常检测数列b进行异常检测，产生报警。

Claims (1)

1.一种基于质量控制图理论的燃机异常检测方法，其特征是：
(1)实时获取燃气轮机待检测测点过去一段时间t的时序运行数据，记为数列A；
(2)将步骤(1)构建的数列A按时间顺序分为模型构建数据列a和异常检测数据列b两部分；
(3)计算步骤(2)得到的模型构建数据列a的标准差D以及均值S；
(4)取步骤(3)计算得到的标准差D的倍数m·D及-m·D构建异常检测模型的上边界及下边界，m值人为给定；
(5)取步骤(3)计算得到的模型构建数据列a的均值S作为异常检测模型的控制中心线；
(6)根据燃气轮机运行经验及待测数据点特征，基于质量控制图理论选取相应的一条或一条以上检测规则；
(7)使用步骤(3)、(4)、(5)、(6)构建的异常检测模型，检测步骤(2)构建的异常检测数据列b；
(8)若步骤(7)的检测结果符合检测模型描述，则表明该数据点数据异常，跳转步骤(10)；
(9)若步骤(7)的检测结果不符合检测模型描述，t/3时间以后跳转步骤(1)；
(10)给出报警，检测完成。
CN202111518169.2A 2021-12-13 2021-12-13 一种基于质量控制图理论的燃机异常检测方法 Active CN114239708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111518169.2A CN114239708B (zh) 2021-12-13 2021-12-13 一种基于质量控制图理论的燃机异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111518169.2A CN114239708B (zh) 2021-12-13 2021-12-13 一种基于质量控制图理论的燃机异常检测方法

Publications (2)

Publication Number Publication Date
CN114239708A true CN114239708A (zh) 2022-03-25
CN114239708B CN114239708B (zh) 2023-04-07

Family

ID=80755254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111518169.2A Active CN114239708B (zh) 2021-12-13 2021-12-13 一种基于质量控制图理论的燃机异常检测方法

Country Status (1)

Country Link
CN (1) CN114239708B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252216A (zh) * 2021-12-13 2022-03-29 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油泄漏的检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522657A (zh) * 2018-11-20 2019-03-26 未必然数据科技(北京)有限公司 一种基于相关性网络和svdd的燃气轮机异常检测方法
CN110441065A (zh) * 2019-07-04 2019-11-12 杭州华电江东热电有限公司 基于lstm的燃气轮机在线检测方法与装置
WO2021056724A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 异常检测方法、装置、电子设备及存储介质
KR102274389B1 (ko) * 2020-09-18 2021-07-06 (주)위세아이텍 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법
CN113076975A (zh) * 2021-03-17 2021-07-06 长江水利委员会长江科学院 一种基于无监督学习的大坝安全监测数据异常检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522657A (zh) * 2018-11-20 2019-03-26 未必然数据科技(北京)有限公司 一种基于相关性网络和svdd的燃气轮机异常检测方法
CN110441065A (zh) * 2019-07-04 2019-11-12 杭州华电江东热电有限公司 基于lstm的燃气轮机在线检测方法与装置
WO2021056724A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 异常检测方法、装置、电子设备及存储介质
KR102274389B1 (ko) * 2020-09-18 2021-07-06 (주)위세아이텍 센서 데이터를 이용한 이상패턴 탐지 모델 구축 방법 및 이를 이용한 이상 탐지 장치 및 방법
CN113076975A (zh) * 2021-03-17 2021-07-06 长江水利委员会长江科学院 一种基于无监督学习的大坝安全监测数据异常检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252216A (zh) * 2021-12-13 2022-03-29 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油泄漏的检测方法
CN114252216B (zh) * 2021-12-13 2024-02-20 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油泄漏的检测方法

Also Published As

Publication number Publication date
CN114239708B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
EP3809220B1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN110900307B (zh) 一种数字孪生驱动的数控机床刀具监控系统
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN104808585B (zh) 一种机床健康状态快速检查方法
JP5538597B2 (ja) 異常検知方法及び異常検知システム
CN107016235B (zh) 基于多特征自适应融合的设备运行状态健康度评估方法
CN104390657A (zh) 一种发电机组运行参数测量传感器故障诊断方法及系统
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN110469496B (zh) 一种水泵智能预警方法及系统
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN114239708B (zh) 一种基于质量控制图理论的燃机异常检测方法
CN112685216A (zh) 基于趋势分析的设备异常监测系统及方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
CN116893643A (zh) 一种基于数据分析的智能机器人行驶轨迹安全管控系统
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN106596110B (zh) 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法
CN111340307A (zh) 预测风机风力发电功率的方法以及相关装置
CN112966400A (zh) 一种基于多源信息融合的离心风机趋势预测方法
CN112418306A (zh) 基于lstm-svm的燃气轮机压气机故障预警方法
CN109522657B (zh) 一种基于相关性网络和svdd的燃气轮机异常检测方法
CN116910128A (zh) 风电机组硬软故障数据分析系统及其分析方法
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Song et al. Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations

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