CN114936520A - 基于改进mset的汽轮机故障预警分析方法 - Google Patents
基于改进mset的汽轮机故障预警分析方法 Download PDFInfo
- Publication number
- CN114936520A CN114936520A CN202210528889.5A CN202210528889A CN114936520A CN 114936520 A CN114936520 A CN 114936520A CN 202210528889 A CN202210528889 A CN 202210528889A CN 114936520 A CN114936520 A CN 114936520A
- Authority
- CN
- China
- Prior art keywords
- vector
- value
- row
- representing
- steam turbine
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 191
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 2
- 230000010355 oscillation Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Turbines (AREA)
Abstract
基于改进MSET的汽轮机故障预警分析方法，包括以下步骤：步骤1：将汽轮机运行的历史数据进行标准化预处理，获得标准化处理后的历史数据；步骤2：构造MSET的历史矩阵，使用遗传算法优化MSET的历史矩阵；步骤3：采用滑动窗口残差统计方法，计算汽轮机参数的故障预警阈值，建立故障诊断模块，引入故障信息，使用改进的MSET对故障进行分析，获得诊断结果。本发明一种基于改进MSET的汽轮机故障预警分析方法，能够对汽轮机故障提前预警，给出明确清晰的异动提示。
Description
技术领域
本发明涉及汽轮机故障预警分析技术领域，具体涉及一种基于改进MSET的汽轮机故障预警分析方法。
背景技术
汽轮机广泛应用于能源领域，是发电厂的极为主要设备之一。据有较为复杂的结构，对其安全、稳定的运行要求十分之高，如果汽轮机发生故障，需要维修，会增加发电厂的运行成本，减少发电厂的经济效益，严重时也会危害到电厂人员的生命的安全。因此，为了使汽轮机安全稳定的运行，增加汽轮机的运行寿命，保证汽轮机健康运行，对发电厂中汽轮机进行状态的监测，获取汽轮机运行过程中前期的故障征兆，对于发电厂中汽轮机健康经济的运行具有重大的意义。
现有技术中的姚良等对内燃机的机器故障提出使用多元状态估计(MSET)结合序贯概率比(SPRT)的方法进行诊断。先获取残差，再使用SPRT对振动观测向量，通过均值和方差来检验残差，来确定系统的运行情况，发现可以有效的实现对内燃机气阀系统的早期异常工况的监测；孙建平等提出了基于MSET和相似性的方法来监测电站风机的状态情况。通过计算相似性,确定了风机运行情况。结果表明了该方法可以发现风机的异常运行情况，从而可以实现对风机的实时观测。
王皓等对导弹的机构故障使用多元状态估计(MSET)结合序贯概率比(SPRT)的方法进行诊断。先通过建立正常运行情况下导弹的传感器所收集的数据，即3处振动信号来得到关联模型，求得相似值后利用SPRT对非正常信号残差进行检验，发现多元状态估计(MSET)和SPRT的结合可以有效地获得导弹系统非正常工作的初期诊断。
Caesarendra W等使用MSET结合SPRT对低速回转轴承早期损伤进行检测。研究了回转轴承状态监测的适宜性和可靠性特征。研究发现，该方法能够很好监测低速回转轴承的状态，清晰地捕捉到轴承早期损伤的迹象。
周卫庆等对凝汽器进行了故障诊断，使用了模糊C均值聚类和多元状态估计(MSET)结合的方法，通过模糊C均值聚类改进了多元状态估计(MSET)的历史矩阵，计算得到相似度，通过相似度来获取凝汽器设备的运行状态，以国内600MW的凝汽器为例子，使用实际数据来分析，发现此方法对凝汽器的故障有较好的监测作用。
由上述例子可得，多元状态估计(MSET)被应用于多个方面，但在汽轮机方面的使用较少。现如今，随着治金、机械、化工等大型工业越来越向复杂、智能化发展，大数据的方法在产业和学术界中不仅有了越来越高的关注度，也有了更加广泛的应用前景。神经网络、多元状态估计理论MSET、粗糙集等是数据重构的常用方法，广泛应用于机械、化工等机器设备运行过程中的监测。
发明内容
本发明提出了一种基于改进MSET的汽轮机故障预警分析方法，能够对汽轮机故障提前预警，给出明确清晰的异动提示。
本发明采取的技术方案为：
基于改进MSET的汽轮机故障预警分析方法，包括以下步骤：
步骤1：将汽轮机运行的历史数据进行标准化预处理，获得标准化处理后的历史数据；
步骤2：构造MSET的历史矩阵，使用遗传算法优化MSET的历史矩阵；
步骤3：采用滑动窗口残差统计方法，计算汽轮机参数的故障预警阈值，建立故障诊断模块，引入故障信息，使用MSET对故障进行分析，获得诊断结果。
所述步骤1中，汽轮机运行的历史数据来自电厂在一段时间内的实际运行数据。电厂设备相关的各个观测参数的量纲许多不一致，并且不同参数的测量值之间存在量级上的差距。由于设备复杂度高，很难从机理分析方面评判各个参数对整个设备健康状态的影响，因此一般都是将这些参数作同等重要来考量。但是如果各参数在量级上存在大的差异的话，就会导致在计算权值向量时各参数对设备状态评判的影响因子不同，这样就会使得预测结果不可控。因此，在进行数据分析之后必须进行数据标准化处理，去除参数测量值量级上面的巨大差别，将全部参数数值统一到相同的值域范围内，使得各参数对分析结果的影响因子相等。本发明使用标准化对其进行处理。它可以将测量值均映射到一定的值域范围。此次仿真中将测量值映射到了[-3，3]以内的值域范围。
标准化预处理公式为：
式中，μ、x、σ分别为实时观测向量Xobs中的均值、变量、标准差。Xobs表示所获取的实际运行数据所选取的部分数；
使用标准化预处理获得的标准化处理后的历史数据，目的是降低变量中存在的极大极小值，减少误差，确保运算符
能正确的衡量欧氏距离。
所述步骤2包括如下步骤：
步骤2.1：构建观测向量，将n个变量用于多元状态估计的建模，第i时刻的观测向量Y(i)表示如下：
Y(i)＝[Y1(i) Y2(i) Y3(i) … Yn(i)]T；
式中：Yf(i)表示第i时刻的第f个变量，变量取值为f＝1,2,3,…,n；T表示转置；
步骤2.2：从标准化处理后的历史数据中选取合适n个观测向量，得到历史矩阵D。矩阵中的每一列代表设备或过程某个时刻的运行状态值,每一行代表某个监测变量在该段时期内的测量值。
选取的观测向量中的数据包括汽轮机机组在不同负荷下的运行工况，其中形成的历史矩阵D表示如下：
Y(1)代表第1个观测向量在一段时间的运行状态数列；Y(2)代表第2个观测向量在一段时间的运行状态数列；Y(n)代表第n个观测向量在一段时间的运行状态数列；
Y1(1)代表第1个观测向量在时间点1的运行状态的数值；Y1(2)代表第2个观测向量在时间点1的运行状态的数值；Y1(n)代表代表第n个观测向量在时间点1的运行状态的数值；
Y2(1)代表第1个观测向量在时间点2的运行状态的数值；Y2(2)代表第2个观测向量在时间点2的运行状态的数值；Y2(n)代表代表第n个观测向量在时间点2的运行状态的数值；
Ym(1)代表第1个观测向量在时间点m的运行状态的数值；Ym(2)代表第2个观测向量在时间点m的运行状态的数值；Ym(n)代表代表第n个观测向量在时间点m的运行状态的数值；
m表示历史运行状态个数；n表示观测向量个数。
步骤2.3：由实时观测向量Xobs，计算得到汽轮机的MSET关联模型的估计向量Xest：
Xest＝D·W＝D[w1 w2 w3 … wm]T＝
＝w1·Y(1)+w2·Y(2)+…+wm·Y(m)
式中：W是根据实时观测向量Xobs求得的权值向量，wm是第m维权值。D表示历史矩阵；w1是第1维权值；w2是第2维权值；w3是第3维权值；wm是第m维权值；
Y(1)代表第1个观测向量在一段时间的运行状态数列；Y(2)代表第2个观测向量在一段时间的运行状态数列；Y(m)代表第m个观测向量在一段时间的运行状态数列；
汽轮机的MSET关联模型包括MEST中的历史矩阵D、观测向量Xobs、估计向量Xest；以及由观测向量Xobs与估计向量Xest所得残差。
步骤2.4：由残差最小的原则，逆推得到权值向量W，公式如下：
式中，
-非线性运算符号；λ-权值向量的优化参数，0<λ<1；I-单位向量；DT表示历史向量的转置。
其中，
选用欧氏距离，其计算方法如下：
Xm×n、Ym×n分别表示向量X、向量Y；
x1表示向量X中第一行数列；x2表示向量X中第二行数列；xm表示向量X中第m行数列。
y1表示向量Y中第一列数列；y2表示向量Y中第二列数列；ym表示向量Y中第m列数列
P(x1,y1)表示向量X中第一行数列x1与向量Y中第一行数列y1的乘积的值；P(x1,y2)表示向量X中第一行数列x1与向量Y中第二行数列y2的乘积的值；P(x1,ym)表示向量X中第一行数列x1与向量Y中第m行数列ym的乘积的值。
P(x2,y1)表示向量X中第二行数列x2与向量Y中第一行数列y1的乘积的值；P(x2,y2)表示向量X中第二行数列x2与向量Y中第二行数列y2的乘积的值；P(x2，ym)表示向量X中第二行数列x2与向量Y中第m行数列ym的乘积的值。
P(xm,y1)表示向量X中第m行数列xm与向量Y中第一行数列y1的乘积的值；P(xm,y2)表示向量X中第m行数列xm与向量Y中第二行数列y2的乘积的值；P(xm,ym)表示向量X中第m行数列xm与向量Y中第m行数列ym的乘积的值。
P(xi,yj)表示向量X中第i行数列xi与向量Y中第j行数列yj的乘积的值；
xi，k表示向量X中第i行数列中的第k列；yk，j表示向量Y中第k行数列中的第j列；k＝1,2,3…m。
步骤2.5：使用遗传算法求得优化参数λ，优化参数λ的取值范围为[0,1]。计算过程如下表1所示：
表1遗传算法
①初始化：
选择一个群体，即选择一串或个体的集合bi，i＝1，2，...n。这个初始的群体也就是问题假设解的集合。通常以随机方法产生一串或个体的集合。
②个体评价：
根据适者生存原则选择下一代的个体。在选择时，以适应度为选择原则。适应度模拟的是自然界中生物对于环境的适应能力。用残差的绝对值作为适应度函数。下式给出了适应度的计算公式。
式中，Fi为个体的适应度，N为观测向量的维数；Xobs(i)为观测向量的第i个观测参数；Xest(i)为估计向量的第i个观测参数。
③.选择操作：
轮盘赌法:轮盘赌是一种传统的方法，它就是个体在种群中被选中的概率与其适应度Fi成比例，即：
式中，Pi为个体i被选择的概率；N为种群个体总数；j＝1,2,…,N。
④.交叉操作：
交叉操作模拟的是自然进化中两个同源染色体进行交配重组产生新染色体的过程，是遗传算法的重要特征之一。两条染色体之间是否进行交叉操作由交叉概率控制。交叉操作根据交叉概率Pc(0<Pc<1)进行。在交叉时俩个个体需要复制各自的内容，形成一个新的个体。
⑤变异操作：
变异概率用Pm表示，它是种群多样性的比较重要的参数。假如它的值过低，有一些有用的信息不容易被发现，使这些信息过快的遗失，新信息就无法生成，使种群的多样性降低，最终使结果产生局部最优的不良后果，经过不断的研究来看，Pm的值一般大于0.0001而小于0.2。
表1中的步骤③、步骤④、步骤⑤分别选取轮盘赌，实数交叉法，实值变异的方法。迭代的次数取100，种群规模20，交叉概率Pc＝0.4，变异概率Pm＝0.2，λ的取值范围为[0,1]。
所述步骤3包括如下步骤：
步骤3.1：计算汽轮机运行时的残差向量ε，残差向量ε计算如下：
ε＝Xobs-Xest；
其中：Xobs为观测向量；Xest为估计向量。
步骤3.2：为了消除部分干扰，增加可靠性，减少误预警率，选取滑动窗口法对计算所得的残差向量ε进行处理。其中，选择适当窗口宽度N，计算残差向量平均值
其公式如下：
εi为残差向量的第i个数值；N为窗口宽度，i＝1，2，3…N。
步骤3.3：根据残差向量平均值
计算得到故障预警阈值EAV。
汽轮机健康运行时，由平均残差图的偏离最大值为EMAX，k为预警阈值，则汽轮机故障预警阈值EAV计算公式如下：
EAV＝kEMAX；
式中，预警阈值k由运行经验确定，一般小于1。
步骤3.4：通过观察计算得到的平均残差曲线图，得到诊断结果；当其高于预警阈值时，汽轮机存在异常运行。当其没有超过预警阈值时，汽轮机正常运行。
本发明一种基于改进MSET的汽轮机故障预警分析方法，技术效果如下：
1)本发明采用标准化预处理获得的标准化处理后历史数据，可以降低变量中存在的极大极小值，减少计算当中的误差。
2)本发明使用遗传算法优化的多元状态估计MSET，可适用于各种对象且计算量小可满足工业实时性要求。
3)采用本发明预警分析方法，可以提前预警，给出明确清晰的异动提示，在报警和故障发生前，设备管理人员可以积极有效的参与，变被动为主动，从而尽可能将故障的发生消灭在萌芽状态。
附图说明
图1为多元状态估计流程图。
图2为构造历史矩阵流程图。
图3遗传算法流程图
图4为未使用遗传算法优化历史矩阵汽轮机的瓦振a观测向量和估计向量的对比图。
图5为未使用遗传算法优化历史矩阵汽轮机的瓦振a残差图。
图6为遗传算法优化历史矩阵汽轮机的瓦振a观测向量和估计向量对比图。
图7为遗传算法优化历史矩阵汽轮机的瓦振a残差图。
图8为未使用遗传算法优化历史矩阵汽轮机的瓦振a平均残差曲线图。
图9为遗传算法优化历史矩阵汽轮机的瓦振a平均残差曲线图。
图10为遗传算法优化历史矩阵汽轮机的瓦振a故障状态下观测向量和估计向量对比图。
图11为遗传算法优化历史矩阵汽轮机的瓦振a故障状态下向量之间的残差图。
图12为未使用遗传算法优化历史矩阵汽轮机的瓦振a故障状态下平均残差序列曲线图。
图13为遗传算法优化历史矩阵汽轮机的瓦振a故障状态下平均残差序列曲线图。
具体实施方式
原理分析：
多元状态估计技术：
多元状态估计技术是一种非参数、非线性建模方法，最早由美国阿尔贡国立实验室(Argonne National Laboratory)开发用于商业核电站设备、传感器以及运行参数的异常检测。目前已经在核电站传感器故障检测、各类工业设备状态监测、电子产品寿命预测、计算机软件老化现象检测等领域应用取得巨大成功。MSET是一种测量新状态与正常工作状态相似性实现状态估计的先进模式识别技术，本质是利用对象正常工作状态的历史数据,通过训练学习表征设备正常状态的各监测参数之间对应关系,从而建立正常状态模型,对于毎一个新状态,依据所获得模型估计对象的真实状态。MSET具有如下优点：对数据几乎无要求,只要各变量之间存在潜在对应关系；通用建模方法,可适用于各种对象；计算量小可满足工业实时性要求。
遗传算法：
遗传算法即通过模拟进化求得最优解，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解(称为个体)的抽象表示的种群向更好的解进化。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。其过程如表1所示。
本发明一种基于改进MSET的汽轮机故障预警分析方法，包括以下步骤：
步骤1：将汽轮机运行的历史数据进行标准化预处理，获得标准化处理后的历史数据；
步骤2：构造MSET的历史矩阵，使用遗传算法优化MSET的历史矩阵；
步骤3：采用滑动窗口残差统计方法，计算汽轮机参数的故障预警阈值，建立故障诊断模块，引入故障信息，使用改进的MSET(诊断模块)对故障进行分析，获得诊断结果。
步骤1采用标准化处理后的历史数据，来降低变量中存在的极大极小值，减少误差，确保运算符
能正确的衡量欧氏距离。标准化公式为：
式中，μ、x、σ分别为实时观测向量Xobs中的均值、变量、标准差。
步骤2是构建MSET的历史矩阵，后利用遗传算法将其优化。图1为多元状态的估计流程。构建MSET的历史矩阵，后利用遗传算法将其优化其具体步骤如下：
步骤2.2：构建观测向量，将n个变量用于多元状态估计的建模，第i时刻的观测向量Y(i)表示如下：
Y(i)＝[Y1(i) Y2(i) Y3(i) … Yn(i)]T
式中：Yf(i)表示第i时刻的第f个变量，变量取值为f＝1,2,3,…,n。
步骤2.2：从标准化处理后的历史数据中，选取合适n个观测向量，得到历史矩阵D。在选取的观测向量中数据包括汽轮机机组在不同负荷下的运行工况，其中，形成的历史矩阵D表示如下：
其中，选定合适参数后，从历史参考数据T中选取可以覆盖机器设备正常运行全工况的数据，来构建历史矩阵D。对每个变量X由小到大排序，按相同的间距进行划分，在每个变量不同分割点，选取最接近分割点的值作为变量值，构建历史矩阵D。流程见图2所示。图2中，N为间隔数，M为正常历史数据的总数，θ为N对应的步长，σ为较小正数，A,B用作计数。在发明的数据中，找出汽轮机各变量的最大、最小值，设定间隔数N，求取步长θ。构造历史参考矩阵步骤如下：
步骤2.2.1：将变量的间隔数选为N＝10。选取按照就近原则，选择距离分割点最近的数值构造监测向量，组成历史矩阵D；
步骤2.2.2：删除向量中多次出现的数值。方法为：在选取观测向量之前，对向量加上序号，对多次出现的序号只留1个，
步骤2.2.3：删除序号，获得历史矩阵D；
步骤2.3：由实时观测向量Xobs，计算得到汽轮机的MSET关联模型的估计向量Xest：
Xest＝D·W＝D[w1 w2 w3 … wm]T＝
＝w1·Y(1)+w2·Y(2)+…+wm·Y(m)
式中：W是根据实时观测向量Xobs求得的权值向量，wm是第m维权值。
步骤2.4：由残差最小的原则，逆推得到权值向量W，公式如下：
式中，
-非线性运算符号。λ-权值向量的优化参数，I-单位向量(0<λ<1)。
其中，
选用欧氏距离。其公式如下：
步骤2.5：使用遗传算法，求得优化参数λ，优化参数λ的取值范围为[0,1]。
步骤3的具体步骤如下：
步骤3.1：计算汽轮机运行时的残差向量ε，残差向量ε计算如下：
ε＝Xobs-Xest
步骤3.2：为了消除部分干扰，增加可靠性，减少误预警率，选取滑动窗口法对计算所得的残差向量ε进行处理。其中，选择适当窗口宽度N，计算残差向量平均值
其公式如下：
步骤3.3：根据残差向量平均值
计算得到故障预警阈值EAV。
汽轮机健康运行时，MSET关联模型的偏离最大值为EMAX，k为预警阈值，则汽轮机故障预警阈值EAV计算公式如下：
EAV＝kEMAX
式中，预警阈值k由运行经验确定，一般小于1。
步骤3.4：通过观察计算得到的平均残差曲线图，得到诊断结果。当其高于预警阈值时，汽轮机存在异常运行。当其没有超过预警阈值时，汽轮机正常运行。
以下结合本发明实施例的具体应用通过仿真分析做进一步说明：
测试系统介绍：
本发明以某电厂的汽轮机为研究对象。本发明使用有功功率、汽机进汽母管主汽温度、主蒸汽压力、高压缸左侧排汽温度、高中压转子前轴承振动X、高中压转子前轴承振动Y、瓦振、高压缸前轴承回油温度、高压缸前轴承前瓦温度、高压缸前轴承后瓦温度等16个元素组成观测向量，其中瓦振a为状态变量。从电厂获得某年7月份的2480多组健康运行数据。删除非正常点后，剩余2350组。选取前2000组作为训练样本，后350组作为观测样本。本发明中所用参数范围如表2所示：
表2运行参数
在某年7月的运行数据中选取350组正常运行的数据对MSET关联模型进行验证。在此时间段内，瓦振a振动的最大值为9.1617mm，最小值为3.2342mm。
图4显示了未使用遗传算法优化历史矩阵的汽轮机中瓦振a振动的观测和估计向量间的对比图；
图5显示了未使用遗传算法优化历史矩阵的汽轮机观测和估计两向量之间的残差图。
由图4中的未使用遗传算法优化历史矩阵的汽轮机中瓦振a振动的观测向量和估计向量通过残差的计算公式可得到图5中未使用遗传算法优化历史矩阵的汽轮机瓦振a的观测和估计两向量之间的残差图。
图6显示了使用遗传算法优化历史矩阵的汽轮机中的瓦振a振动的观测向量和估计向量的对比图，由图6中的使用遗传算法优化历史矩阵的汽轮机中瓦振a振动的观测向量和估计向量通过残差的计算公式，可得到图7中使用遗传算法优化历史矩阵的汽轮机瓦振a的观测和估计两向量之间的残差图。图7显示了使用遗传算法优化历史矩阵的汽轮机观测和估计两向量间的残差图。遗传算法优化计算得到的权值参数λ＝0.623。未带入前默认λ取1。
对未使用遗传算法优化历史矩阵汽轮机的瓦振a的残差使用滑动窗口法进行分析，在本文取滑动窗口的宽度N＝50，得到未使用遗传算法优化历史矩阵汽轮机的瓦振a的平均残差如图8所示。对使用遗传算法优化历史矩阵汽轮机的瓦振a的残差，使用了滑动窗口的统计方法进行分析，得到使用遗传算法优化历史矩阵汽轮机的瓦振a的平均残差如图9所示。
由图8、图9，可得到未使用遗传算法优化历史矩阵汽轮机的瓦振a的平均残差最大值为EMAX≈1.14，使用遗传算法优化历史矩阵汽轮机的瓦振a平均残差最大值为EMAX改进≈1.17，在文中k为预警阈值，取k＝1.2,则未使用遗传算法优化历史矩阵汽轮机瓦振a故障的预警阈值和使用遗传算法优化历史矩阵汽轮机瓦振a的预警阈值分别下所示：
EAV＝1.2×1.14＝1.36
EAV改进＝1.2×1.17＝1.40
为验证MSET关联模型对状态估计瓦振a振动的有效性，在仿真过程中，人为的对瓦振a振动值加入振动偏移，用来模拟当汽轮机异常运行导致瓦振a振动发生异常的情况。对个正常运行时的数据，从第100点开始对瓦振a的振动变量加入步距为0.005mm的累积偏移，从而模仿汽轮机发生故障导致瓦振a振动的异常的情况。
图10中展示了使用遗传算法优化历史矩阵汽轮机的瓦振a故障状态下观测、估计向量间的对比图。由图10中的使用遗传算法优化历史矩阵汽轮机的瓦振a故障状态下观测向量和估计向量通过残差的计算公式，可得到图11中使用遗传算法优化历史矩阵汽轮机的瓦振a故障状态下观测和估计两向量之间的残差图。图11中展示了使用遗传算法优化历史矩阵汽轮机的瓦振a故障状态下观测、估计向量间的残差图。
然后同样对未使用遗传算法优化历史矩阵汽轮机的瓦振a的残差使用了滑动窗口的统计方法进行处理后得到残差图如图12所示。通过滑动窗口法处理后,图12和图13中的瓦振a的残差随着样本点呈明显上升的变化，表明故障的情况越来越加重,与实际状况符合,由此可证明未使用遗传算法优化历史矩阵和使用遗传算法优化历史矩阵的方法均己捕捉到故障的发生。从上面算得未使用遗传算法优化历史矩阵汽轮机瓦振a故障的预警阈值和使用遗传算法优化历史矩阵汽轮机瓦振a的预警阈值分别1.36和1.40，并将预警阈值代入图12和图13。
图12所示,可得到改进前的平均残差序列在第196个点处超过了故障预警阈值，检测出瓦振振动产生偏差。在样本点的第196点处增涨偏差为0.005×(196-100),即0.48mm。说明了当瓦振振动偏差增长了0.48mm,该方法发现振动故障。图13所示，可得到改进后的平均残差序列在第192个点处超过了故障预警阈值，检测出瓦振振动产生偏差。在样本点的第196点处增涨偏差为为0.005×(192-100),即0.46mm。说明当振动偏差增长了0.46mm,该方法发现汽轮机的振动故障。结果表明：使用遗传算法优化历史矩阵的预警方法相较未使用遗传算法优化历史矩阵的方法监测的故障准确率更高。
Claims (4)
1.基于改进MSET的汽轮机故障预警分析方法，其特征在于包括以下步骤：
步骤1：将汽轮机运行的历史数据进行标准化预处理，获得标准化处理后的历史数据；
步骤2：构造MSET的历史矩阵，使用遗传算法优化MSET的历史矩阵；
步骤3：采用滑动窗口残差统计方法，计算汽轮机参数的故障预警阈值，建立故障诊断模块，引入故障信息，使用MSET对故障进行分析，获得诊断结果。
2.根据权利要求1所述基于改进MSET的汽轮机故障预警分析方法，其特征在于：所述步骤1中，标准化预处理公式为：
式中，μ、x、σ分别为实时观测向量Xobs中的均值、变量、标准差。
3.根据权利要求1所述基于改进MSET的汽轮机故障预警分析方法，其特征在于：所述步骤2包括如下步骤：
步骤2.1：构建观测向量，将n个变量用于多元状态估计的建模，第i时刻的观测向量Y(i)表示如下：
Y(i)＝[Y1(i) Y2(i) Y3(i) … Yn(i)]T；
式中：Yf(i)表示第i时刻的第f个变量，变量取值为f＝1，2，3，…，n；T表示转置；
步骤2.2：从标准化处理后的历史数据中选取合适n个观测向量，得到历史矩阵D；
选取的观测向量中的数据包括汽轮机机组在不同负荷下的运行工况，其中形成的历史矩阵D表示如下：
Y(1)代表第1个观测向量在一段时间的运行状态数列；Y(2)代表第2个观测向量在一段时间的运行状态数列；Y(n)代表第n个观测向量在一段时间的运行状态数列；
Y1(1)代表第1个观测向量在时间点1的运行状态的数值；Y1(2)代表第2个观测向量在时间点1的运行状态的数值；Y1(n)代表代表第n个观测向量在时间点1的运行状态的数值；
Y2(1)代表第1个观测向量在时间点2的运行状态的数值；Y2(2)代表第2个观测向量在时间点2的运行状态的数值；Y2(n)代表代表第n个观测向量在时间点2的运行状态的数值；
Ym(1)代表第1个观测向量在时间点m的运行状态的数值；Ym(2)代表第2个观测向量在时间点m的运行状态的数值；Ym(n)代表代表第n个观测向量在时间点m的运行状态的数值；
m表示历史运行状态个数；n表示观测向量个数；
步骤2.3：由实时观测向量Xobs，计算得到估计向量Xest：
Xest＝D·W＝D[w1 w2 w3 … wm]T＝＝w1·Y(1)+w2·Y(2)+…+wm·Y(m)
式中：W是根据实时观测向量Xobs求得的权值向量，wm是第m维权值；D表示历史矩阵；
w1是第1维权值；w2是第2维权值；w3是第3维权值；wm是第m维权值；
Y(1)代表第1个观测向量在一段时间的运行状态数列；Y(2)代表第2个观测向量在一段时间的运行状态数列；Y(m)代表第m个观测向量在一段时间的运行状态数列；
步骤2.4：由残差最小的原则，逆推得到权值向量W，公式如下：
式中，
-非线性运算符号；λ-权值向量的优化参数，0<λ<1；I-单位向量；DT表示历史向量的转置；
其中，
选用欧氏距离，其计算方法如下：
Xm×n、Ym×n分别表示向量X、向量Y；
x1表示向量X中第一行数列；x2表示向量X中第二行数列；xm表示向量X中第m行数列；
y1表示向量Y中第一列数列；y2表示向量Y中第二列数列；ym表示向量Y中第m列数列
P(x1，y1)表示向量X中第一行数列x1与向量Y中第一行数列y1的乘积的值；P(x1，y2)表示向量X中第一行数列x1与向量Y中第二行数列y2的乘积的值；P(x1，ym)表示向量X中第一行数列x1与向量Y中第m行数列ym的乘积的值；
P(x2，y1)表示向量X中第二行数列x2与向量Y中第一行数列y1的乘积的值；P(x2，y2)表示向量X中第二行数列x2与向量Y中第二行数列y2的乘积的值；P(x2，ym)表示向量X中第二行数列x2与向量Y中第m行数列ym的乘积的值；
P(xm，y1)表示向量X中第m行数列xm与向量Y中第一行数列y1的乘积的值；P(xm，y2)表示向量X中第m行数列xm与向量Y中第二行数列y2的乘积的值；P(xm，ym)表示向量X中第m行数列xm与向量Y中第m行数列ym的乘积的值；
P(xi，yj)表示向量X中第i行数列xi与向量Y中第j行数列yj的乘积的值；
xi，k表示向量X中第i行数列中的第k列；yk，j表示向量Y中第k行数列中的第j列；
k＝1，2，3…m；
步骤2.5：使用遗传算法求得优化参数λ。
4.根据权利要求1所述基于改进MSET的汽轮机故障预警分析方法，其特征在于：所述步骤3包括如下步骤：
步骤3.1：计算汽轮机运行时的残差向量ε，残差向量ε计算如下：
ε＝Xobs-Xest；
其中：Xobs为观测向量；Xest为估计向量；
步骤3.2：选取滑动窗口法对计算所得的残差向量ε进行处理；其中，选择适当窗口宽度N，计算残差向量平均值
其公式如下：
εi为残差向量的第i个数值；N为窗口宽度，i＝1，2，3…N；
步骤3.3：根据残差向量平均值
计算得到故障预警阈值EAV；
汽轮机健康运行时，通过残差向量图找其最大值为EMAX，k为预警阈值，则汽轮机故障预警阈值EAV计算公式如下：
EAV＝kEMAX；
步骤3.4：通过观察计算得到的平均残差曲线图，得到诊断结果；当其高于预警阈值时，汽轮机存在异常运行；当其没有超过预警阈值时，汽轮机正常运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528889.5A CN114936520B (zh) | 2022-05-16 | 基于改进mset的汽轮机故障预警分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528889.5A CN114936520B (zh) | 2022-05-16 | 基于改进mset的汽轮机故障预警分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114936520A true CN114936520A (zh) | 2022-08-23 |
| CN114936520B CN114936520B (zh) | 2024-07-09 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115478923A (zh) * | 2022-10-13 | 2022-12-16 | 华能秦煤瑞金发电有限责任公司 | 变频发电及回热一体化给水泵汽轮机系统 |
| CN115749990A (zh) * | 2022-12-09 | 2023-03-07 | 哈尔滨工业大学 | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
| CN112036089A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
| CN112036089A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邹红波等: "基于关联规则和多元状态估计的汽轮机故障预警算法", 吉林大学学报(工学版), 17 October 2023 (2023-10-17) * |
| 韩万里;茅大钧;印琪民;: "基于PCA和多元状态估计的引风机故障预警", 热能动力工程, vol. 35, no. 01, 31 January 2020 (2020-01-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115478923A (zh) * | 2022-10-13 | 2022-12-16 | 华能秦煤瑞金发电有限责任公司 | 变频发电及回热一体化给水泵汽轮机系统 |
| WO2024077655A1 (zh) * | 2022-10-13 | 2024-04-18 | 华能秦煤瑞金发电有限责任公司 | 变频发电及回热一体化给水泵汽轮机系统 |
| CN115749990A (zh) * | 2022-12-09 | 2023-03-07 | 哈尔滨工业大学 | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507049B2 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| Li et al. | A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines | |
| Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN110399986A (zh) | 一种泵站机组故障诊断系统的生成方法 | |
| CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| Wang et al. | Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern | |
| CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
| CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
| Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
| CN114936520B (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
| CN114936520A (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
| CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| CN114818116A (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 | |
| He et al. | An adaptive interval forecast CNN model for fault detection method | |
| Jing et al. | Two-layer PSDG based fault diagnosis for wind turbines | |
| CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
| Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis |
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 |