CN111598220B - 一种基于相关性分析的燃气轮机故障预测方法 - Google Patents

一种基于相关性分析的燃气轮机故障预测方法 Download PDF

Info

Publication number
CN111598220B
CN111598220B CN202010404291.6A CN202010404291A CN111598220B CN 111598220 B CN111598220 B CN 111598220B CN 202010404291 A CN202010404291 A CN 202010404291A CN 111598220 B CN111598220 B CN 111598220B
Authority
CN
China
Prior art keywords
monitoring node
monitoring
node vector
vector
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
Application number
CN202010404291.6A
Other languages
English (en)
Other versions
CN111598220A (zh
Inventor
杨静
方宝富
沈安波
樊高金
江刘峰
朱尤杰
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010404291.6A priority Critical patent/CN111598220B/zh
Publication of CN111598220A publication Critical patent/CN111598220A/zh
Application granted granted Critical
Publication of CN111598220B publication Critical patent/CN111598220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于相关性分析的燃气轮机故障预测方法，其步骤包括：1、以流的方式逐个读入待处理的监测节点向量；2、对每个当前读入的监测节点向量，与***已经进行读入的监测节点向量，进行相关性分析；3、对已经选择的相关监测节点进行冗余分析；4、对于新加入的监测节点进行定向，确定与其他监测节点间的因果关系，重复步骤1‑4，直至读入的监测节点向量的数量超过极限值，最终获得相应的监测***因果结构图，并用于训练故障预测模型；从而得到故障预测模型，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

一种基于相关性分析的燃气轮机故障预测方法
技术领域
本发明属于数据挖掘领域，具体地说是一种基于相关性分析的燃气轮机故障预测方法。
背景技术
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***，辨识该复杂***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。Hoyer等对于贝叶斯网络因果模型进行更进一步扩展，提出了加性噪声模型，该模型可以建模非高斯非线性的数据。而燃气轮机机组的运行数据恰恰也是非高斯非线性的。所以，基于加性噪声模型对燃气轮机机组的运行数据进行分析是非常有意义的研究方向。至于加性噪声模型的结构学习，Hoyer等基于非线性回归和基于HSIC标准提出了识别因果结构的方法，Mooij等提出了基于HSIC回归的算法，Zhang等提出了两阶段的算法，Tillman等人提出了kPC算法，Yamada等提出了最小二乘独立性回归的方法，Mooij等提出了基于最大后验的方法，Zhang等提出一个基于核的条件独立测试，Peters等提出了基于后续独立测试的回归方法，Zhang等提出一个基于回归的条件独立型测试的方法等，Nowzohour等基于惩罚性的似然的方法等等。
燃气轮机机组数据还具有高维特性，处理高维数据的一种方法就是降维，通常采用主成分分析法、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。处理动态高维的数据近年来兴起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，可以有效的处理高维大数据。
目前这些方法的主要局限包括：
(1)上述多数算法的计算复杂度比较大，满足不了燃气轮机机组运行数据的在线实时学习；
(2)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，现存的方法不能处理这种情形。
发明内容
本发明为克服现有技术存在的不足之处，提出了一种基于相关性分析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：
本发明一种基于相关性分析的燃气轮机故障预测方法，是应用于燃气轮机***中，并每隔一段时间对所述燃气轮机***中Z个监测节点的运行状态进行监测，从而得到m次监测值向量所组成的燃气轮机运行数据集D，记为D＝{sam1,sam2,...,samv,...,samm}，其中，samv表示第v次监测值向量，且
Figure BDA0002490695650000021
表示第v次监测值向量中第i个监测节点的监测值；1≤v≤m，1≤i≤Z；将m次监测下的第i个监测节点的监测值所组成的向量定义为Xi，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；
定义监测节点个数Z的极限值为max，即Z≤max；
步骤2、定义所选择的监测节点向量集为EF，并初始化第t时刻所选择的监测节点向量集为
Figure BDA0002490695650000022
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤Z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个监测节点向量Xj；并初始化第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空、初始化第j个监测节点向量Xj的新增监测节点向量集FA(Xj)为空、初始化第j个监测节点向量Xj的冗余监测节点向量集FD(Xj)为空；再执行步骤5；否则，表示获得最终的由监测节点构成的因果结构图，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16；
步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点向量Xj加入所述第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻所述选择的监测节点向量集EFt+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、对所述第j个监测节点向量Xj进行相关性分析；
步骤7、判断所述第j个监测节点向量Xj的相关监测节点向量集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点向量Xj加入第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻所选择的监测节点向量集EFt+1＝EFt∪Xj；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、对所述第t时刻所选择的监测节点向量集EFt的第k个监测节点向量Xk进行冗余校验分析；
步骤10、将k+1赋值给k，并判断k＞j是否成立，若成立，则执行步骤11；否则返回步骤9执行；
步骤11、定义变量count；并初始化count＝0；初始化k＝1；
步骤12、判断所述第k个监测节点向量Xk的相关监测节点向量集MB(Xk)是否为空集，若为空集，则从所述第t时刻所选择的监测节点向量集EFt中删除所述第k个监测节点向量Xk后，再将count+1赋值给count后，执行步骤13；否则直接执行步骤13；
步骤13、将k+1赋值给k后；判断k＞j是否成立，若成立，则将j-count赋值给j后，获得更新的第t时刻所选择的监测节点向量集EFt′，记为EFt′＝{X′1,X′2,...,X′i,...X′j-count}；X′i表示更新的第t时刻的监测节点向量集EFt′中第i个监测节点向量，并有，
Figure BDA0002490695650000031
表示第i个监测节点向量X′i中第v个监测值；1≤i≤j-count；再将j-count赋值给j后，执行步骤14；否则返回步骤12执行；
步骤14、对所述第t时刻所选择的监测节点向量集EFt′的第j个监测节点向量X′j进行在线的局部定向，从而得到第t时刻因果结构图；
步骤15、将j+1赋值给j，返回步骤4；
步骤16、任意选择一个监测节点的监测节点向量，并作为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向量作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到故障预测模型；
步骤17、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，并利用所述故障预测模型得到实时监测的监测节点的预测值，再将所述预测值与实时监测的监测节点的真实值进行比较，当超过所设定的阈值，则表示相应监测节点可能发生故障，并给出预警提示。
本发明所述的基于相关性分析的燃气轮机故障预测方法的特点也在于，所述步骤6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w；并初始化w＝1；定义变量θ；
步骤6.3、用希尔伯特-施密特独立性准则计算第j个监测节点向量Xj和第w个监测节点向量Xw的相关程度HSICjw；
步骤6.4、将相关程度HSICjw赋值给θ，并判断θ≥α是否成立，若成立，则表示第j个监测节点向量Xj与第w个监测节点向量Xw相关，并执行步骤6.5；否则，表示第j个监测节点向量Xj与第w个监测节点向量Xw独立，并执行步骤6.6；
步骤6.5、将第j个监测节点向量Xj加到第w个监测节点向量Xw的相关监测节点向量集MB(Xw)中，即MB(Xw)＝MB(Xw)∪Xj，将第j个监测节点向量Xj加入新增监测节点向量集FA(Xw)中，即FA(Xw)＝FA(Xw)∪{Xj}，从而更新第w个监测节点向量Xw的相关监测节点向量集MB(Xw)和新增监测节点向量集FA(Xw)；同时将第w个监测节点向量Xw加到第j个监测节点向量Xj的相关监测节点向量集MB(Xj)，即MB(Xj)＝MB(Xj)∪Xw，将第w个监测节点向量Xw加入新增监测节点向量集FA(Xj)中，即FA(Xj)＝FA(Xj)∪{Xw}，从而更新第j个监测节点向量Xj的相关监测节点向量集MB(Xj)和新增监测节点向量集FA(Xj)；再执行步骤6.6；
步骤6.6、将k+1赋值给k，并判断k＞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9在线的冗余校验分析是按如下步骤进行：
步骤9.1、设置冗余度阈值β；计算第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中的监测节点向量个数，记为Sk；
步骤9.2、定义变量s；并初始化s＝1；定义变量σ；
步骤9.3、获取所述相关监测节点向量集MB(Xk)中第s个监测节点向量的下标记为τs；
步骤9.4、用希尔伯特-施密特独立性准则计算第τs个监测节点向量
Figure BDA0002490695650000051
和第k个监测节点向量Xk的相关程度
Figure BDA0002490695650000052
步骤9.5、将所述相关程度
Figure BDA0002490695650000053
赋值给σ，判断σ≤β是否成立，若成立，则表示第τs个监测节点向量
Figure BDA0002490695650000054
和第k个监测节点向量Xk不相关，即为冗余监测节点，并执行步骤9.6；否则，表明第τs个监测节点向量
Figure BDA0002490695650000055
和第k个监测节点向量Xk相关，并执行步骤9.7；
步骤9.6、从所述第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中删除所述第τs个监测节点向量
Figure BDA0002490695650000056
即
Figure BDA0002490695650000057
并将第τs个监测节点向量
Figure BDA0002490695650000058
加入所述第k个监测节点向量Xk的冗余监测节点向量集FD(Xk)中，即
Figure BDA0002490695650000059
从所述第τs个监测节点向量
Figure BDA00024906956500000510
的相关监测节点向量集
Figure BDA00024906956500000511
中删除所述第k个监测节点向量Xk，即MB(Xτs)＝MB(Xτs)-Xk，并将第k个监测节点向量Xk加入所述第τs个监测节点向量
Figure BDA00024906956500000512
的冗余监测节点向量集
Figure BDA00024906956500000513
即
Figure BDA00024906956500000514
步骤9.7、将s+1赋值给s；并判断s＞Sk是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
所述步骤14是按如下步骤进行：
步骤14.1、设置方向支持度阈值为γ；
步骤14.2、从第j个监测节点向量Xj的相关监测节点向量集MB(Xj)任选一个监测节点向量Xg，并将第g个监测节点向量Xg从相关监测节点向量集MB(Xi)中删除；
步骤14.3、当第g个监测节点向量Xg作为第j个监测节点向量Xj的父监测节点向量，即Xg→Xj时，利用最小二乘互信息方法的p-value值计算Xg→Xj方向的支持度，并记为p-value(Xg,Xj)；
步骤14.4、当第j个监测节点向量Xj作为第g个监测节点向量Xg的父监测节点向量，即Xj→Xg时，利用最小二乘互信息方法的的p-value值计算Xj→Xg方向的支持度，并记为p-value(Xj,Xg)；
步骤14.5、如果p-value(Xg,Xj)＞γ或p-value(Xj,Xg)≤γ，则表示Xg→Xj方向的支持度较大，并定向为Xg→Xj；
如果p-value(Xj,Xg)＞γ或p-value(Xg,Xj)≤γ，则表示Xj→Xg方向的支持度较大，并定向为Xj→Xg；
如果p-value(Xj,Xg)≤γ或p-value(Xg,Xj)≤γ或p-value(Xg,Xj)＞γ或p-value(Xj,Xg)＞γ，则表示两监测节点向量间没有因果关系，不用定向；
步骤14.6、如果第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空，则执行步骤15，否则，则返回步骤14.2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，本发明基于希尔伯特-施密特独立性准则对监测节点的相关性进行研究，是一个新研究，结合局部学习策略实现监测节点相关监测节点的学习，显著的降低了学习的复杂度，从而满足了燃气轮机状态实时监测的需要。
2、针对燃气轮机机组运行监测数据，研究监测节点彼此之间的因果联系，通常的贪婪搜索的方法复杂度较大，满足不了在线学习的时效性，本发明采用最小二乘互信息的方式进行定向，计算复杂度显著的降低，满足了在线的燃气轮机状态实时监测。
3、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相关相关监测节点集的在线更新，融入实时定向，实现了局部因果结构的快速在线调整，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。
具体实施方式
本实施例中，一种基于相关性分析的燃气轮机故障预测方法，是应用于燃气轮机***中，并每隔一段时间对燃气轮机***中Z个监测节点的运行状态进行监测，持续记录一段时间，假设共监测m次，从而得到m次监测值向量所组成的燃气轮机运行数据集D，记为D＝{sam1,sam2,...,samv,...,samm}，其中，samv表示第v次监测值向量，且
Figure BDA0002490695650000071
表示第v次监测值向量中第i个监测节点的监测值；1≤v≤m，1≤i≤Z；将m次监测下的第i个监测节点的监测值所组成的向量定义为Xi，
Figure BDA0002490695650000072
表示第i个监测节点向量Xi具有m个取值，因为对第i个监测节点进行了m次监测，就有m个监测值。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；
定义监测节点个数Z的极限值为max，即Z≤max；
步骤2、定义所选择的监测节点向量集为EF，并初始化第t时刻所选择的监测节点向量集为
Figure BDA0002490695650000073
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤Z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个监测节点向量Xj；并初始化第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空、初始化第j个监测节点向量Xj的新增监测节点向量集FA(Xj)为空、初始化第j个监测节点向量Xj的冗余监测节点向量集FD(Xj)为空；再执行步骤5；否则，表示获得最终的由监测节点构成的因果结构图，且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16；
步骤5、判断j＝1是否成立，若成立，则将第j个监测节点向量Xj加入第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻选择的监测节点向量集EFt+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、对第j个监测节点向量Xj进行相关性分析；
步骤6.1、设置相关性阈值为α；
步骤6.2、定义变量w；并初始化w＝1；定义变量θ；
步骤6.3、用希尔伯特-施密特独立性准则计算第j个监测节点向量Xj和第w个监测节点向量Xw的相关程度HSICjw；
依据公式(1)计算独立性准则HSICjw的值：
Figure BDA0002490695650000081
n是向量的Xj和Xw维度数，H，K，L都是n行n列的矩阵，Kij＝k(xi,xj)，Lij＝l(xi,xj)，Kij和Lij是映射的核函数，H＝I-n-111T，1是n×1的全1向量，trace是矩阵的迹运算。
步骤6.4、将相关程度HSICjw赋值给θ，并判断θ≥α是否成立，若成立，则表示第j个监测节点向量Xj与第w个监测节点向量Xw相关，并执行步骤6.5；否则，表示第j个监测节点向量Xj与第w个监测节点向量Xw独立，并执行步骤6.6；
步骤6.5、将第j个监测节点向量Xj加到第w个监测节点向量Xw的相关监测节点向量集MB(Xw)中，即MB(Xw)＝MB(Xw)∪Xj，将第j个监测节点向量Xj加入新增监测节点向量集FA(Xw)中，即FA(Xw)＝FA(Xw)∪{Xj}，从而更新第w个监测节点向量Xw的相关监测节点向量集MB(Xw)和新增监测节点向量集FA(Xw)；同时将第w个监测节点向量Xw加到第j个监测节点向量Xj的相关监测节点向量集MB(Xj)，即MB(Xj)＝MB(Xj)∪Xw，将第w个监测节点向量Xw加入新增监测节点向量集FA(Xj)中，即FA(Xj)＝FA(Xj)∪{Xw}，从而更新第j个监测节点向量Xj的相关监测节点向量集MB(Xj)和新增监测节点向量集FA(Xj)；再执行步骤6.6；
步骤6.6、将k+1赋值给k，并判断k＞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个监测节点向量Xj的相关监测节点向量集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点向量Xj加入第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻所选择的监测节点向量集EFt+1＝EFt∪Xj；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、对第t时刻所选择的监测节点向量集EFt的第k个监测节点向量Xk进行冗余校验分析；
步骤9.1、设置冗余度阈值β；计算第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中的监测节点向量个数，记为Sk；
步骤9.2、定义变量s；并初始化s＝1；定义变量σ；
步骤9.3、获取相关监测节点向量集MB(Xk)中第s个监测节点向量的下标记为τs；
步骤9.4、用希尔伯特-施密特独立性准则计算第τs个监测节点向量
Figure BDA0002490695650000091
和第k个监测节点向量Xk的相关程度
Figure BDA0002490695650000092
步骤9.5、将相关程度
Figure BDA0002490695650000093
赋值给σ，判断σ≤β是否成立，若成立，则表示第τs个监测节点向量
Figure BDA0002490695650000094
和第k个监测节点向量Xk不相关，即为冗余监测节点，并执行步骤9.6；否则，表明第τs个监测节点向量
Figure BDA0002490695650000095
和第k个监测节点向量Xk相关，并执行步骤9.7；
步骤9.6、从第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中删除第τs个监测节点向量
Figure BDA0002490695650000096
即
Figure BDA0002490695650000097
并将第τs个监测节点向量
Figure BDA0002490695650000098
加入第k个监测节点向量Xk的冗余监测节点向量集FD(Xk)中，即
Figure BDA0002490695650000099
从第τs个监测节点向量
Figure BDA00024906956500000910
的相关监测节点向量集
Figure BDA00024906956500000911
中删除第k个监测节点向量Xk，即
Figure BDA00024906956500000912
并将第k个监测节点向量Xk加入第τs个监测节点向量
Figure BDA00024906956500000913
的冗余监测节点向量集
Figure BDA00024906956500000914
即
Figure BDA00024906956500000915
步骤9.7、将s+1赋值给s；并判断s＞Sk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＞j是否成立，若成立，则执行步骤11；否则返回步骤9执行；
步骤11、定义变量count；并初始化count＝0；初始化k＝1；
步骤12、判断第k个监测节点向量Xk的相关监测节点向量集MB(Xk)是否为空集，若为空集，则从第t时刻所选择的监测节点向量集EFt中删除第k个监测节点向量Xk后，再将count+1赋值给count后，执行步骤13；否则直接执行步骤13；
步骤13、将k+1赋值给k后；判断k＞j是否成立，若成立，则将j-count赋值给j后，获得更新的第t时刻所选择的监测节点向量集EFt′，记为EFt′＝{X′1,X′2,...,X′i,...X′j-count}；X′i表示更新的第t时刻的监测节点向量集EFt′中第i个监测节点向量，并有，
Figure BDA0002490695650000101
表示第i个监测节点向量X′i中第v个监测值；1≤i≤j-count；再将j-count赋值给j后，执行步骤14；否则返回步骤12执行；
步骤14、对第t时刻所选择的监测节点向量集EFt′的第j个监测节点向量X′j进行在线的局部定向，从而得到第t时刻因果结构图；
步骤14.1、设置方向支持度阈值为γ；
步骤14.2、从第j个监测节点向量Xj的相关监测节点向量集MB(Xj)任选一个监测节点向量Xg，并将第g个监测节点向量Xg从相关监测节点向量集MB(Xi)中删除；
步骤14.3、当第g个监测节点向量Xg作为第j个监测节点向量Xj的父监测节点向量，即Xg→Xj时，利用最小二乘互信息方法的p-value值计算Xg→Xj方向的支持度，并记为p-value(Xg,Xj)；采用最小二乘互信息方法的p-value表示方向的支持度原因在于，如MakotoYamada和Masashi Sugiyama所著的文献《Dependence Minimizing Regression withModel Selection forNon-Linear Causal Inference underNon-GaussianNoise》，对于非线性非高斯的数据，最小二乘互信息方法的p-value可以衡量方向的支持度，计算方法见上述论文。
步骤14.4、当第j个监测节点向量Xj作为第g个监测节点向量Xg的父监测节点向量，即Xj→Xg时，利用最小二乘互信息方法的的p-value值计算Xj→Xg方向的支持度，并记为p-value(Xj,Xg)；
步骤14.5、如果p-value(Xg,Xj)＞γ或p-value(Xj,Xg)≤γ，则表示Xg→Xj方向的支持度较大，并定向为Xg→Xj；
如果p-value(Xj,Xg)＞γ或p-value(Xg,Xj)≤γ，则表示Xj→Xg方向的支持度较大，并定向为Xj→Xg；
如果p-value(Xj,Xg)≤γ或p-value(Xg,Xj)≤γ或p-value(Xg,Xj)＞γ或p-value(Xj,Xg)＞γ，则表示两监测节点向量间没有因果关系，不用定向；
步骤14.6、如果第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空，则执行步骤15，否则，则返回步骤14.2执行。
步骤15、将j+1赋值给j，返回步骤4；
步骤16、任意选择一个监测节点的监测节点向量，并作为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向量作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到故障预测模型；
步骤17、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，并利用故障预测模型得到实时监测的监测节点的预测值，再将预测值与实时监测的监测节点的真实值进行比较，当超过所设定的阈值，则表示相应监测节点可能发生故障，并给出预警提示。

Claims (4)

1.一种基于相关性分析的燃气轮机故障预测方法，是应用于燃气轮机***中，并每隔一段时间对所述燃气轮机***中Z个监测节点的运行状态进行监测，从而得到m次监测值向量所组成的燃气轮机运行数据集D，记为D＝{sam1,sam2,...,samv,...,samm}，其中，samv表示第v次监测值向量，且
Figure FDA0002490695640000011
Figure FDA0002490695640000012
表示第v次监测值向量中第i个监测节点的监测值；1≤v≤m，1≤i≤Z；将m次监测下的第i个监测节点的监测值所组成的向量定义为Xi，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；
定义监测节点个数Z的极限值为max，即Z≤max；
步骤2、定义所选择的监测节点向量集为EF，并初始化第t时刻所选择的监测节点向量集为
Figure FDA0002490695640000013
步骤3、定义变量j，并初始化j＝1；
步骤4、判断j≤Z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个监测节点向量Xj；并初始化第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空、初始化第j个监测节点向量Xj的新增监测节点向量集FA(Xj)为空、初始化第j个监测节点向量Xj的冗余监测节点向量集FD(Xj)为空；再执行步骤5；否则，表示获得最终的由监测节点构成的因果结构图，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16；
步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点向量Xj加入所述第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻所述选择的监测节点向量集EFt+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、对所述第j个监测节点向量Xj进行相关性分析；
步骤7、判断所述第j个监测节点向量Xj的相关监测节点向量集MB(Xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点向量Xj加入第t时刻所选择的监测节点向量集EFt中，从而获得第t+1时刻所选择的监测节点向量集EFt+1＝EFt∪Xj；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、对所述第t时刻所选择的监测节点向量集EFt的第k个监测节点向量Xk进行冗余校验分析；
步骤10、将k+1赋值给k，并判断k＞j是否成立，若成立，则执行步骤11；否则返回步骤9执行；
步骤11、定义变量count；并初始化count＝0；初始化k＝1；
步骤12、判断所述第k个监测节点向量Xk的相关监测节点向量集MB(Xk)是否为空集，若为空集，则从所述第t时刻所选择的监测节点向量集EFt中删除所述第k个监测节点向量Xk后，再将count+1赋值给count后，执行步骤13；否则直接执行步骤13；
步骤13、将k+1赋值给k后；判断k＞j是否成立，若成立，则将j-count赋值给j后，获得更新的第t时刻所选择的监测节点向量集EFt′，记为EFt′＝{X′1,X′2,...,X′i,...X′j-count}；X′i表示更新的第t时刻的监测节点向量集EFt′中第i个监测节点向量，并有，
Figure FDA0002490695640000021
Figure FDA0002490695640000022
表示第i个监测节点向量X′i中第v个监测值；1≤i≤j-count；再将j-count赋值给j后，执行步骤14；否则返回步骤12执行；
步骤14、对所述第t时刻所选择的监测节点向量集EFt′的第j个监测节点向量X′j进行在线的局部定向，从而得到第t时刻因果结构图；
步骤15、将j+1赋值给j，返回步骤4；
步骤16、任意选择一个监测节点的监测节点向量，并作为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向量作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到故障预测模型；
步骤17、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，并利用所述故障预测模型得到实时监测的监测节点的预测值，再将所述预测值与实时监测的监测节点的真实值进行比较，当超过所设定的阈值，则表示相应监测节点可能发生故障，并给出预警提示。
2.根据权利要求1所述的基于相关性分析的燃气轮机故障预测方法，其特征是，所述步骤6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w；并初始化w＝1；定义变量θ；
步骤6.3、用希尔伯特-施密特独立性准则计算第j个监测节点向量Xj和第w个监测节点向量Xw的相关程度HSICjw；
步骤6.4、将相关程度HSICjw赋值给θ，并判断θ≥α是否成立，若成立，则表示第j个监测节点向量Xj与第w个监测节点向量Xw相关，并执行步骤6.5；否则，表示第j个监测节点向量Xj与第w个监测节点向量Xw独立，并执行步骤6.6；
步骤6.5、将第j个监测节点向量Xj加到第w个监测节点向量Xw的相关监测节点向量集MB(Xw)中，即MB(Xw)＝MB(Xw)∪Xj，将第j个监测节点向量Xj加入新增监测节点向量集FA(Xw)中，即FA(Xw)＝FA(Xw)∪{Xj}，从而更新第w个监测节点向量Xw的相关监测节点向量集MB(Xw)和新增监测节点向量集FA(Xw)；同时将第w个监测节点向量Xw加到第j个监测节点向量Xj的相关监测节点向量集MB(Xj)，即MB(Xj)＝MB(Xj)∪Xw，将第w个监测节点向量Xw加入新增监测节点向量集FA(Xj)中，即FA(Xj)＝FA(Xj)∪{Xw}，从而更新第j个监测节点向量Xj的相关监测节点向量集MB(Xj)和新增监测节点向量集FA(Xj)；再执行步骤6.6；
步骤6.6、将k+1赋值给k，并判断k＞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所述的基于相关性分析的燃气轮机故障预测方法，其特征是，步骤9在线的冗余校验分析是按如下步骤进行：
步骤9.1、设置冗余度阈值β；计算第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中的监测节点向量个数，记为Sk；
步骤9.2、定义变量s；并初始化s＝1；定义变量σ；
步骤9.3、获取所述相关监测节点向量集MB(Xk)中第s个监测节点向量的下标记为τs；
步骤9.4、用希尔伯特-施密特独立性准则计算第τs个监测节点向量
Figure FDA0002490695640000031
和第k个监测节点向量Xk的相关程度
Figure FDA0002490695640000041
步骤9.5、将所述相关程度
Figure FDA0002490695640000042
赋值给σ，判断σ≤β是否成立，若成立，则表示第τs个监测节点向量
Figure FDA0002490695640000043
和第k个监测节点向量Xk不相关，即为冗余监测节点，并执行步骤9.6；否则，表明第τs个监测节点向量
Figure FDA0002490695640000044
和第k个监测节点向量Xk相关，并执行步骤9.7；
步骤9.6、从所述第k个监测节点向量Xk的相关监测节点向量集MB(Xk)中删除所述第τs个监测节点向量
Figure FDA0002490695640000045
即
Figure FDA0002490695640000046
并将第τs个监测节点向量
Figure FDA0002490695640000047
加入所述第k个监测节点向量Xk的冗余监测节点向量集FD(Xk)中，即
Figure FDA0002490695640000048
从所述第τs个监测节点向量
Figure FDA0002490695640000049
的相关监测节点向量集
Figure FDA00024906956400000410
中删除所述第k个监测节点向量Xk，即
Figure FDA00024906956400000411
并将第k个监测节点向量Xk加入所述第τs个监测节点向量
Figure FDA00024906956400000412
的冗余监测节点向量集
Figure FDA00024906956400000413
即
Figure FDA00024906956400000414
步骤9.7、将s+1赋值给s；并判断s＞Sk是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
4.根据权利要求1所述的基于相关性分析的燃气轮机故障预测方法，其特征是，所述步骤14是按如下步骤进行：
步骤14.1、设置方向支持度阈值为γ；
步骤14.2、从第j个监测节点向量Xj的相关监测节点向量集MB(Xj)任选一个监测节点向量Xg，并将第g个监测节点向量Xg从相关监测节点向量集MB(Xi)中删除；
步骤14.3、当第g个监测节点向量Xg作为第j个监测节点向量Xj的父监测节点向量，即Xg→Xj时，利用最小二乘互信息方法的p-value值计算Xg→Xj方向的支持度，并记为p-value(Xg,Xj)；
步骤14.4、当第j个监测节点向量Xj作为第g个监测节点向量Xg的父监测节点向量，即Xj→Xg时，利用最小二乘互信息方法的的p-value值计算Xj→Xg方向的支持度，并记为p-value(Xj,Xg)；
步骤14.5、如果p-value(Xg,Xj)＞γ或p-value(Xj,Xg)≤γ，则表示Xg→Xj方向的支持度较大，并定向为Xg→Xj；
如果p-value(Xj,Xg)＞γ或p-value(Xg,Xj)≤γ，则表示Xj→Xg方向的支持度较大，并定向为Xj→Xg；
如果p-value(Xj,Xg)≤γ或p-value(Xg,Xj)≤γ或p-value(Xg,Xj)＞γ或p-value(Xj,Xg)＞γ，则表示两监测节点向量间没有因果关系，不用定向；
步骤14.6、如果第j个监测节点向量Xj的相关监测节点向量集MB(Xj)为空，则执行步骤15，否则，则返回步骤14.2执行。
CN202010404291.6A 2020-05-13 2020-05-13 一种基于相关性分析的燃气轮机故障预测方法 Active CN111598220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010404291.6A CN111598220B (zh) 2020-05-13 2020-05-13 一种基于相关性分析的燃气轮机故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010404291.6A CN111598220B (zh) 2020-05-13 2020-05-13 一种基于相关性分析的燃气轮机故障预测方法

Publications (2)

Publication Number Publication Date
CN111598220A CN111598220A (zh) 2020-08-28
CN111598220B true CN111598220B (zh) 2023-03-14

Family

ID=72185425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010404291.6A Active CN111598220B (zh) 2020-05-13 2020-05-13 一种基于相关性分析的燃气轮机故障预测方法

Country Status (1)

Country Link
CN (1) CN111598220B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011043108A1 (ja) * 2009-10-09 2011-04-14 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011043108A1 (ja) * 2009-10-09 2011-04-14 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
CN109061341A (zh) * 2018-07-10 2018-12-21 杭州安脉盛智能技术有限公司 基于神经网络的卡尔曼滤波变压器故障预测方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SVM-BN的天然气长输管道燃气轮机故障预警方法研究;王明达等;《天然气工业》;20171125(第11期);全文 *

Also Published As

Publication number Publication date
CN111598220A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
Peng et al. A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction
Zheng et al. A data-driven approach for remaining useful life prediction of aircraft engines
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及***
Caceres et al. A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及***
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
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
CN111400850B (zh) 设备故障分析方法、装置、设备和存储介质
Liu et al. Complex engineered system health indexes extraction using low frequency raw time-series data based on deep learning methods
CN111122811A (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
Xu et al. Global attention mechanism based deep learning for remaining useful life prediction of aero-engine
CN111931420B (zh) 基于核再生希尔伯特空间的燃气轮机故障预测方法
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
Chen et al. Reliability analysis using deep learning
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN111598220B (zh) 一种基于相关性分析的燃气轮机故障预测方法
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
CN114386603B (zh) 基于时序因果网络的火电厂发电机故障预警方法
Chen et al. Multi-granularity Cross-Domain Temporal Regression Network for Remaining Useful Life Estimation of Aero Engines
Song et al. Hydraulic Systems Fault Diagnosis Based on Random Forests Recursive Feature Elimination and XGBoost
CN117349770B (zh) 一种结构健康监测多应变传感器数据异常检测与修复方法
CN114580101B (zh) 一种旋转机械剩余使用寿命预测方法及***

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