CN116735223A - 一种燃气轮机多参数异常检测的方法 - Google Patents
一种燃气轮机多参数异常检测的方法 Download PDFInfo
- Publication number
- CN116735223A CN116735223A CN202310654709.2A CN202310654709A CN116735223A CN 116735223 A CN116735223 A CN 116735223A CN 202310654709 A CN202310654709 A CN 202310654709A CN 116735223 A CN116735223 A CN 116735223A
- Authority
- CN
- China
- Prior art keywords
- data
- gas turbine
- parameter
- abnormal
- probability density
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 description 14
- 238000010248 power generation Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- 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
- G01M15/02—Details or accessories of testing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种燃气轮机多参数异常检测的方法,首先选取燃机关键测点进行测点预选,读取传感器所测数据;接着基于所选取的多参数间的关系进行特征指标的提取,同时去除机组工况变化带来的影响;采用核函数概率密度估计的算法,通过对历史数据进行挖掘,实现机组中正常数据和异常数据的概率密度分布特征,获取燃气轮机多参数的检测阈值;对上述所提取的特征指标进行阈值判断;最后基于异常检测结果进行设备的初诊断,给出设备是否处于异常状态结论。采用本发明方法能够在设备或者系统发生故障早期,通过数据分析及算法计算提前给出告警信息,帮助运行人员迅速锁定故障位置,及时采取干预措施,防止故障发生或缩小影响范围。
Description
技术领域
本发明涉及异常检测的技术领域,更具体地,涉及一种燃气轮机多参数的异常检测方法。
背景技术
燃气轮机作为重要电力生产设备之一有着极其广泛的应用。它不仅是国防装备中极其关键的设备,在国民经济的电力、能源开采和输送、分布式能源系统等领域中,燃气轮机也有着不可替代的战略地位和作用。电厂生产过程的任何故障不仅直接影响电能的产量和质量,而且还可能造成设备毁坏和人身事故,若要保证发电设备能够安全、可靠、有效的运行,使其充分发挥作用,发展设备在线监控和故障异常检测技术是必经之路。
随着燃气轮机在军、民领域越来越广泛的应用,燃气轮机故障异常检测也一直受到关注。由于燃气轮机结构复杂、内部工作环境恶劣导致各类故障频发,在燃机关键部件中,以燃机高温部件最具代表性。由于现代燃气轮机初温越来越高,以重型燃机为例,F级初温约1350℃,现有的热电偶测量技术无法进行燃烧温度测量,目前燃机制造商以测量透平段排气温度来间接判断燃烧情况。以美国GE公司研发的MARK VI燃烧监测系统为例,以允许排温分散度来判断温度偏差程度,当实际温差与允许排温分散度的偏差过大超过阈值时,认为系统可能发生故障。日本三菱公司的燃机控制系统,以燃机温控基准线来进行监测,通过透平后温度间接反映透平前温度。德国西门子燃机控制系统考虑压气机出口温度、透平旋转等因素的影响以透平排气温度作为控制对象,用计算得到的矫正排气温度进行控制。目前燃气轮机控制系统主要以保护定值保障机组不发生重大问题,对于异常检测缺少提前量。
发明内容
本发明的目的是能够在设备或者系统发生故障早期,通过数据分析及算法计算提前给出告警信息,帮助运行人员迅速锁定故障位置,及时采取干预措施,防止故障发生或缩小影响范围。
为了达到上述目的,本发明提供的技术方案如下:
一种燃气轮机多参数异常检测的方法,包括以下步骤:
S1.选取燃气轮机的关键测点进行测点预选,所述关键测点包括机组负荷、燃气轮机透平排气的各排温测点,读取同一时刻下的各排温测点处排温传感器温度及对应的机组负荷;
S2.以步骤S1中对应同一机组负荷下的各排温测点采样数据作为历史数据,并将历史数据根据运行情况分为正常数据样本集和异常数据样本集,基于所选取的多参数间的关系进行特征指标的提取,同时去除机组工况变化带来的影响;
S3.采用核函数概率密度估计的算法,通过对历史数据进行挖掘,实现机组中正常数据和异常数据的概率密度分布特征,获取燃气轮机多参数的检测阈值;
S4.对步骤S2中提取的特征指标进行阈值判断,是否在阈值带范围内;若是,则该参数正常;若否,则该参数异常;
S5.最后基于步骤S4参数异常检测结果进行设备的初诊断,给出设备是否处于异常状态结论。
进一步的,步骤S1各排温测点处排温传感器温度数据可以来源于DCS存储数据或者SIS系统数据。
步骤S2中历史数据采集时,需要进行数据清洗,具体操作包括:缺失数据的清洗操作、错误数据的清洗操作及重复记录数据的清洗操作;其中,缺失数据进行清洗操作时,从数据源手工录入数据缺失值;错误数据进行清洗操作时,根据数据最小值与最大值的限幅范围,剔除限幅范围之外的错误数据;重复记录数据进行清洗操作时,利用相对偏差法,合并或清除相等相近数据,仅保留一条记录。
步骤S2中基于多参数间的关系进行特征指标的提取时,通过燃机特性建立透平排温分布特征,由于燃气轮机结构的固定性,必然会在排温分布上体现出一些固有规律,而且工况的改变并不会对这种分布规律产生影响。异常排温分布特征包括排温分布整体上升、整体下降、局部上升、局部下降、局部不均匀这五种异常模式。
其中去除机组工况变化带来的影响,采用对所有排温测点进行减均值处理。
步骤S3中所述核函数概率密度估计的算法,在对样本进行概率密度估计时,核函数的选取需要满足以下特征:
a.非负性C(k)>=0,k∈R;
b.归一性:
c.对称性:C(k)=C(-k),k∈R。
本发明采用高斯核函数进行概率密度估计:
得到随机变量X的概率密度函数的估计为:
式中,
n——样本数;
h——窗口宽度;
xi——样本变量;
e——自然常数。
步骤S3中所述获取燃气轮机多参数的检测阈值,采用最小错误率贝叶斯决策理论,确定一个合理的异常检测阈值g使得正常状态误报率和异常状态的漏报率概率和P(g)最小,如下表达式:
式中,
P(g)——正常状态误报率和异常状态的漏报率概率和;
Pa——正常数据概率;
Pb——异常数据概率;
g——异常检测阈值;
x——样本变量。
本发明一种燃气轮机多参数异常检测的方法,技术效果如下:
本发明对燃气轮机采用多参数异常检测的方法,对异常的判断更加准确,且能够在设备或者系统发生故障早期,通过数据分析及算法计算提前给出告警信息,帮助运行人员迅速锁定故障位置,及时采取干预措施,防止故障发生或缩小影响范围。对设备劣化、流程参数劣化,采用本发明异常检测方法可以做出健康度诊断,以便及时采取运维措施,达到提高机组可靠性、保障设备运行安全、减少机组非停次数、延长设备使用寿命的效果。
附图说明
图1表示本发明实施例1中提出的燃气轮机多参数异常检测的方法的流程图;
图2表示本发明实施例1中提出的燃气轮机选取的排温正常历史数据曲线;
图3表示本发明实施例1中提出的燃气轮机选取的排温异常历史数据曲线;
图4表示本发明实施例1中提出的燃气轮机排温正常分布图;
图5表示本发明实施例1中提出的燃气轮机排温异常分布图;
图6表示本发明实施例1中提出的燃气轮机排温减均值处理后的数据曲线;
图7表示本发明实施例1中提出的燃气轮机正常排温数据的概率分布;
图8表示本发明实施例1中提出的燃气轮机异常排温数据的概率分布;
图9表示本发明实施例1中提出的燃气轮机异常检测阈值确定;
图10表示本发明实施例1中异常工况检测示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的燃气轮机多参数异常检测的方法的流程示意图,如图1所示,所述方法包括:
S1.首先选取燃机关键测点进行测点预选,包括燃机的透平排温,机组负荷等,读取传感器所测数据。
S2.接着基于所选取的多参数间的关系进行特征指标的提取,同时去除机组工况变化带来的影响。
S3.采用核函数概率密度估计的算法,通过对历史数据进行挖掘,实现机组中正常数据和异常数据的概率密度分布特征,获取燃气轮机多参数的检测阈值。
S4.对上述所提取的特征指标进行阈值判断,是否在阈值带范围内。若是,则该参数正常;若否,则该参数异常。
S5.最后基于异常检测结果进行设备的初诊断,给出设备是否处于异常状态结论。
在本实施例中,以某F级燃气轮机为例,步骤S1所述初步选定的测点变量包括:燃气轮机发电负荷,燃气轮机透平排气第1点排温测点T1,燃气轮机透平排气第2点排温测点T2,燃气轮机透平排气第3点排温测点T3等共计31支排温传感器温度。
在步骤S1所述抽取的历史运行数据的每组采样值中,各个测点变量的采样值是同一时刻的,抽取间隔为10min。历史数据样本(以对应同一燃气轮机发电负荷下的31支排温传感器温度数据作为历史数据样本)进行分组,分正常数据样本集和异常数据样本集,在本实施例中,对发电设备历史运行数据进行的数据清洗操作包括:缺失数据的清洗操作、错误数据的清洗操作及重复记录数据的清洗操作;其中,缺失数据进行清洗操作时,从数据源手工录入数据缺失值;错误数据进行清洗操作时,根据数据最小值与最大值的限幅范围,剔除限幅范围之外的错误数据;重复记录数据进行清洗操作时,利用相对偏差法,合并或清除相等相近数据,仅保留一条记录。
在步骤S2所选取的多参数间的关系进行特征指标的提取,同时去除机组工况变化带来的影响。对历史数据进行划分为正常数据和异常数据集,图2为所选取31个排温测点的正常历史数据趋势图,图3为所选取31个排温测点的异常历史数据趋势图。对两组历史数据进行工况特征提取,绘制成31支排温点的玫瑰图,如图4和图5所示,判断出所属异常特征为局部温度下降模式。为了去除变工况因素影响,对所有排温测点进行减均值处理,绘制得到减均值后历史数据趋势图,如图6所示。
在步骤S3所述中燃气轮机多参数的检测阈值,通过对两组历史数据进行概率密度统计,分布绘制得到正常工况数据的概率密度和异常数据组的概率统计,如图7和图8所示。然后采用最小错误率贝叶斯决策理论,确定一个合理的异常检测阈值g使得正常状态误报率和异常状态的漏报率概率和P(g)最小,如下表达式:
通过上述计算确定阈值g可以使得参数异常检测漏报率和正常数据的误报率和最小。以T23参数为例,如图9所示,当阈值g=-9时使得P(g)最小。
在步骤S4中对实际运行参数(T1、T2、T3…T31等排温参数)特征指标进行阈值判断,判断各参数的特征指标数据是否小于各参数阈值gi。如图10所示,以燃气轮机组负荷在350MW工况情况下数据进行检测,对T1、T2、T3…T31等31个排温参数进行数据雷达图绘制,同时将相应负荷下阈值gi进行雷达图绘制,得到运行数据与阈值的分布图,判断出T21点排温超过阈值。
在步骤S5中,基于S4异常检测结果进行设备的初诊断,给出该设备T21排温异常。
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种燃气轮机多参数异常检测的方法,其特征在于,包括以下步骤:
S1.选取燃气轮机的关键测点进行测点预选,所述关键测点包括机组负荷、燃气轮机透平排气的各排温测点,读取同一时刻下的各排温测点处排温传感器温度及对应的机组负荷;
S2.以步骤S1中对应同一机组负荷下的各排温测点采样数据作为历史数据,并将历史数据根据运行情况分为正常数据样本集和异常数据样本集,基于所选取的多参数间的关系进行特征指标的提取,同时去除机组工况变化带来的影响;
S3.采用核函数概率密度估计的算法,通过对历史数据进行挖掘,实现机组中正常数据和异常数据的概率密度分布特征,获取燃气轮机多参数的检测阈值;
S4.对步骤S2中提取的特征指标进行阈值判断,是否在阈值带范围内;若是,则该参数正常;若否,则该参数异常;
S5.最后基于步骤S4参数异常检测结果进行设备的初诊断,给出设备是否处于异常状态结论。
2.根据权利要求1所述的一种燃气轮机多参数异常检测的方法,其特征在于,所述步骤S2中历史数据来源于DCS存储数据或者SIS系统数据,并对历史数据进行数据清洗。
3.根据权利要求1所述的一种燃气轮机多参数异常检测的方法,其特征在于,步骤S2中基于多参数间的关系进行特征指标的提取时,通过燃机特性建立透平排温分布特征;异常排温分布特征包括排温分布整体上升、整体下降、局部上升、局部下降、局部不均匀这五种异常模式。
4.根据权利要求3所述的一种燃气轮机多参数异常检测的方法,其特征在于,步骤S3中所述核函数概率密度估计的算法中,采用高斯核函数进行概率密度估计:
得到随机变量X的概率密度函数的估计为:
式中,
n——样本数量;
h——窗口宽度;
xi——样本变量;
e——自然常数。
5.根据权利要求4所述的一种燃气轮机多参数异常检测的方法,其特征在于,步骤S3中所述获取燃气轮机多参数的检测阈值采用最小错误率贝叶斯决策理论,确定一个合理的异常检测阈值g使得正常状态误报率和异常状态的漏报率概率和P(g)最小,如下表达式:
式中,
P(g)——正常状态误报率和异常状态的漏报率概率和;
Pa——正常数据概率;
Pb——异常数据概率;
g——异常检测阈值;
x——样本变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310654709.2A CN116735223A (zh) | 2023-06-05 | 2023-06-05 | 一种燃气轮机多参数异常检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310654709.2A CN116735223A (zh) | 2023-06-05 | 2023-06-05 | 一种燃气轮机多参数异常检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116735223A true CN116735223A (zh) | 2023-09-12 |
Family
ID=87917960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310654709.2A Pending CN116735223A (zh) | 2023-06-05 | 2023-06-05 | 一种燃气轮机多参数异常检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116735223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171157A (zh) * | 2023-10-31 | 2023-12-05 | 青岛场外市场清算中心有限公司 | 基于数据分析的清算数据采集清洗方法 |
-
2023
- 2023-06-05 CN CN202310654709.2A patent/CN116735223A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171157A (zh) * | 2023-10-31 | 2023-12-05 | 青岛场外市场清算中心有限公司 | 基于数据分析的清算数据采集清洗方法 |
CN117171157B (zh) * | 2023-10-31 | 2024-01-16 | 青岛场外市场清算中心有限公司 | 基于数据分析的清算数据采集清洗方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
CN109933905B (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
CN115425764B (zh) | 一种电力系统智能网络风险实时监控方法、系统及存储介质 | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN112257943A (zh) | 一种基于mset和偏离度的电厂引风机故障预警方法 | |
CN111579121B (zh) | 在线诊断新能源汽车电池包内温度传感器故障的方法 | |
Liu et al. | Optimal multi-type inspection policy for systems with imperfect online monitoring | |
CN112304446B (zh) | 电力设备报警处理方法和装置 | |
CN116735223A (zh) | 一种燃气轮机多参数异常检测的方法 | |
CN108700491B (zh) | 涡轮机系统中的轴承碳化故障检测 | |
EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
CN114738132A (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN110516960B (zh) | 一种变电站继电保护设备的可靠性指标定量计算方法 | |
CN116660750A (zh) | 一种电池系统ntc异常故障诊断方法及系统 | |
CN116108366A (zh) | 一种面向航空发动机滑油系统的故障诊断方法 | |
EP3671175B1 (en) | Condition diagnosing device, condition diagnosing method, and condition diagnosing program | |
CN113172764B (zh) | 搅拌站监控方法及系统 | |
CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
JP2008267351A (ja) | 発電装置の監視方法及びシステム | |
CN118396215A (zh) | 一种变电站监控系统智能告警的评估系统 | |
CN117458399B (zh) | 基于多源数据监测的矿用防爆电机保护方法和系统 | |
CN118033414A (zh) | 一种基于运行数据的电机扭矩异常检测方法 | |
CN115220345A (zh) | 基于多元状态自回归及卡尔曼滤波的燃机状态监测方法 |
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 |