CN111624985A - 燃气轮机控制***传感器故障诊断方法 - Google Patents
燃气轮机控制***传感器故障诊断方法 Download PDFInfo
- Publication number
- CN111624985A CN111624985A CN202010522916.9A CN202010522916A CN111624985A CN 111624985 A CN111624985 A CN 111624985A CN 202010522916 A CN202010522916 A CN 202010522916A CN 111624985 A CN111624985 A CN 111624985A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- fault diagnosis
- decision table
- gas 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 208000024891 symptom Diseases 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种燃气轮机控制***传感器故障诊断方法,利用大量燃气轮机控制***运行数据,建立传感器故障知识库,通过传感器故障知识库提取与传感器故障有关的故障征兆属性,建立故障诊断决策表;利用改进等频离散化方法先对燃气轮机控制***传感器的实时故障数据进行离散化处理,再结合建立故障诊断决策表,得到离散化后的故障数据对应的传感器故障诊断决策表,再用粗糙集对故障数据对应的传感器故障诊断决策表进行约简,利用约简后的传感器故障诊断决策表对RBF神经网络中进行训练,简化神经网络的网络结构对待测数据进行故障识别。能够快速的、准确的识别燃气轮机控制***传感器故障类型,及时进行维修和保护,使燃气轮机能够可靠安全的运行。
Description
技术领域
本发明涉及一种故障诊断方法,特别涉及一种基于RS-RBF(Rough Set-RadialBasis Function,粗糙集理论-径向基函数神经网络)的燃气轮机控制***传感器故障诊断方法。
背景技术
燃气轮机在国家发电体系中具有非常重要的作用,其控制***控制着燃机的安全稳定运行。传感器作为控制***中重要的测量元件,负责测量各种信号来监测燃气轮机的运行状态,并及时反馈给控制***,因此当发生故障时,就需要对其进行故障诊断以判断其故障类型,避免后续造成巨大损失。
由于各个故障诊断方法都具有自身的优点和局限性,因此需要综合运用各种故障诊断方法,并且将各种方法结合起来,组成一种复合的故障诊断***,从而使单个的故障诊断方法的不足得以弥补,使得故障诊断技术可以更加全面、高效的解决实际问题。
粗糙集RS的缺点在于其容错能力较低,这也就意味着单独的粗糙集理论无法满足故障诊断的实际需求。而神经网络作为一种广泛应用于各个领域的技术,与其他领域的技术具有很强的兼容性,因此可以神经网络技术与粗糙集理论相结合,从而形成复合的故障诊断***。然而,在实际的燃机运行过程中,不光产生离散数据,还存在着大量的连续数据。而粗糙集理论只适用于离散属性,因此,就需要选择一种合适的离散化方法。等频离散化方法是众多离散化方法中的一种较为常用的离散化方法。其优点是减少了异常点的影响,并在同一区间内收集到相似值。缺点是难以找到最佳区间数k,而且可能将相同大小的值置于两个或两个以上不同的相邻区间。
发明内容
本发明是针对上述复合故障诊断***存在的问题,提出了一种燃气轮机控制***传感器故障诊断方法,对等频离散化方法的缺点做出一些改进,利用改进的离散化方法对燃气轮机控制***传感器的故障条件属性进行离散化处理,而后利用粗糙集理论消除与故障类型关联度低的条件属性。最后,利用粗糙集神经网络完成对燃气轮机控制***传感器故障类型的诊断,为故障诊断工作提供了重要的决策支持。
本发明的技术方案为:一种燃气轮机控制***传感器故障诊断方法,利用大量燃气轮机控制***运行数据,建立传感器故障知识库,通过传感器故障知识库提取与传感器故障有关的故障征兆属性,建立故障诊断决策表,决策表中包括条件属性和决策属性,其中与传感器故障相关的征兆属性作为故障诊断决策表的条件属性,对应的故障类型作为决策属性;利用改进等频离散化方法先对燃气轮机控制***传感器的实时采集故障数据进行离散化处理,再结合建立故障诊断决策表,得到离散化后的故障数据对应的传感器故障诊断决策表,再用粗糙集对故障数据对应的传感器故障诊断决策表进行约简,寻找属性间关系,利用约简后的传感器故障诊断决策表输入到RBF神经网络中进行训练,从而简化神经网络的网络结构;最后利用训练好后的RBF神经网络对待测数据进行故障识别。
所述改进等频离散化方法具体步骤:针对某个条件属性采集的连续故障数据按升序或降序对值进行排序,然后将排序后连续故障数据划分为连续的k个临时箱,k值为该条件属性的非重复值个数的平方根的最接近整数;每个临时箱中存放数量相当的属性值,然后计算各个临时箱的算术平均值,而后将相邻临时箱的算术平均值再做算术平均值,以此作为离散区间的边界,得到k个离散区间;将k个离散区间依次赋予设置值为1,2,…,k,将已经建立的故障诊断决策表中的条件属性值与离散区间进行对应,用对应离散区间的设置值替代故障诊断决策表中的条件属性值,得到离散化后故障诊断决策表。
本发明的有益效果在于:本发明燃气轮机控制***传感器故障诊断方法,能够快速的、准确的识别燃气轮机控制***传感器故障类型,及时进行维修和保护,降低燃气轮机控制***传感器故障带来的经济损失,使燃气轮机能够可靠安全的运行。
附图说明
图1为本发明燃气轮机控制***传感器故障诊断方法实施示意图;
图2为本发明燃气轮机控制***传感器故障诊断流程图;
图3为本发明燃气轮机控制***传感器故障诊断结果和故障类型的对比曲线图。
具体实施方式
如图1所示燃气轮机控制***传感器故障诊断方法实施示意图,在线采集燃气轮机控制***运行数据,对数据进行分析处理,发现当燃气轮机控制***传感器发生故障时,控制***中的其它参数也会发生变化,因此,利用大量燃气轮机控制***运行数据,建立传感器故障知识库,可以使用历史数据通过传感器故障知识库提取与传感器故障有关的故障征兆属性,建立故障诊断决策表,决策表中包括条件属性和决策属性,其中与传感器故障相关的征兆属性作为故障诊断决策表的条件属性,对应的故障类型作为决策属性;利用改进等频离散化方法先对燃气轮机控制***传感器的实时采集故障数据进行处理,再结合建立的故障诊断决策表,得到离散化后的故障数据对应的传感器故障诊断决策表,再用粗糙集对故障数据对应的传感器故障诊断决策表进行约简,寻找属性间关系,利用约简后的传感器故障诊断决策表输入到RBF神经网络中进行训练,从而简化神经网络的网络结构;最后利用训练好后的RBF神经网络对待测数据进行故障识别。
具体流程图如图2所示,该故障诊断方法具体包括以下步骤:
S1、以某燃气轮机控制***传感器故障为例,选取12种与故障相关的征兆属性作为故障诊断决策表的条件属性,3种故障类型作为决策属性。表1列出3种故障类型与决策属性的对应关系。
表1
表2
如表2所示部分连续采集数据组成的故障诊断决策表,其中C1-C12为12种条件属性,D为决策属性,针对某个条件属性采集的连续故障数据按升序或降序对值进行排序,然后将排序后连续故障数据划分为连续的k个临时箱,k值为该条件属性的非重复值个数的平方根的最接近整数。每个临时箱中存放数量大致相当的属性值,然后计算各个临时箱的算术平均值,而后将相邻临时箱的算术平均值再做算术平均值,以此作为离散区间的边界,可以得到k个离散区间。将k个离散区间依次赋予设置值为1,2,…,k,将已经建立的故障诊断决策表中的条件属性值与离散区间进行对应,用对应离散区间的设置值替代故障诊断决策表中的条件属性值,得到离散化后故障诊断决策表。这里给出一个简单例子方便理解:以一组数据A={10,20,30,40,20,50,20,60,20}为例,用改进后的等频离散化方法对其处理,可以得到A’=[10,20,30,40,50,60],值的数目为6,可以得到区间数k为2。由此可以得到两个临时箱为[10,20,30],[40,50,60],两个临时箱的算数平均值分别为20和50,对这两个相邻临时箱的算术平均值再做平均值,得到35,将35作为离散区间的边界。最后可以得到2个离散区间分别为I1=[10,35),I2=[35,60]。
以条件属性C1为例,得到离散区间分别为I1=[89.4,94.8),I2=[94.8,97.8),I3=[97.8,100.9),I4=[100.9,101.8),I5=[101.8,109.3),I6=[109.3,114],并分别将上述离散区间的值分别设置为1,2,3,4,5,6,最后,将条件属性中的值分别对应其所属区间,即可得到离散化后的数据,如表3中C1所示。表3为部分离散化后的传感器故障诊断决策表。
表3
S2、利用粗糙集理论消除与故障类型关联度低的条件属性,对于诊断决策表的任意条件属性Cn,若去掉该条件属性,不会产生冲突的故障诊断规则,则表示该条件属性与故障类型关联度较低,可以删除此条件属性,由此可以得到简化的传感器故障诊断决策表。表4为属性约简后的传感器故障诊断决策表。
表4
S3、将约简后的故障诊断决策表输入到RBF神经网络中进行训练,并保存训练好的网络。将待诊断传感器故障数据经过离散化与属性约简后,输入到训练好的RBF神经网络中,得到燃气轮机控制***传感器故障诊断结果。其部分诊断结果如表5所示传感器故障诊断实验结果对照表。故障诊断结果和故障类型的对比曲线如图3所示。
表5
Claims (2)
1.一种燃气轮机控制***传感器故障诊断方法,其特征在于,利用大量燃气轮机控制***运行数据,建立传感器故障知识库,通过传感器故障知识库提取与传感器故障有关的故障征兆属性,建立故障诊断决策表,决策表中包括条件属性和决策属性,其中与传感器故障相关的征兆属性作为故障诊断决策表的条件属性,对应的故障类型作为决策属性;利用改进等频离散化方法先对燃气轮机控制***传感器的实时采集故障数据进行离散化处理,再结合建立故障诊断决策表,得到离散化后的故障数据对应的传感器故障诊断决策表;再用粗糙集对故障数据对应的传感器故障诊断决策表进行约简,寻找属性间关系,利用约简后的传感器故障诊断决策表输入到RBF神经网络中进行训练,从而简化神经网络的网络结构;最后利用训练好后的RBF神经网络对待测数据进行故障识别。
2.根据权利要求1所述燃气轮机控制***传感器故障诊断方法,其特征在于,所述离散化处理的具体步骤:针对某个条件属性采集的连续故障数据按升序或降序对值进行排序,然后将排序后连续故障数据划分为连续的k个临时箱,k值为该条件属性的非重复值个数的平方根的最接近整数;每个临时箱中存放数量相当的属性值,然后计算各个临时箱的算术平均值,而后将相邻临时箱的算术平均值再做算术平均值,以此作为离散区间的边界,得到k个离散区间;将k个离散区间依次赋予设置值为1,2,…,k,将已经建立的故障诊断决策表中的条件属性值与离散区间进行对应,用对应离散区间的设置值替代故障诊断决策表中的条件属性值,得到离散化后故障诊断决策表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522916.9A CN111624985B (zh) | 2020-06-10 | 2020-06-10 | 燃气轮机控制***传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522916.9A CN111624985B (zh) | 2020-06-10 | 2020-06-10 | 燃气轮机控制***传感器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624985A true CN111624985A (zh) | 2020-09-04 |
CN111624985B CN111624985B (zh) | 2022-12-06 |
Family
ID=72271341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010522916.9A Active CN111624985B (zh) | 2020-06-10 | 2020-06-10 | 燃气轮机控制***传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624985B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023184764A1 (zh) * | 2022-05-31 | 2023-10-05 | 广东海洋大学 | 一种基于粗糙集和证据理论的故障诊断方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1312781A2 (en) * | 2001-11-16 | 2003-05-21 | Goodrich Pump & Engine Control Systems, Inc. | Method of detecting in-range engine sensor faults |
US20030105614A1 (en) * | 2000-08-02 | 2003-06-05 | Lars Langemyr | Method for assembling the finite element discretization of arbitrary weak equations, involving local or non-local multiphysics couplings |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和*** |
CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
CN107909087A (zh) * | 2017-09-08 | 2018-04-13 | 第四范式(北京)技术有限公司 | 生成机器学习样本的组合特征的方法及*** |
CN107958266A (zh) * | 2017-11-21 | 2018-04-24 | 重庆邮电大学 | 一种基于mpi并行将连续属性进行离散化的方法 |
CN108537259A (zh) * | 2018-03-27 | 2018-09-14 | 北京交通大学 | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 |
JP2019066993A (ja) * | 2017-09-29 | 2019-04-25 | 株式会社Screenホールディングス | 教師データ作成支援装置、分類装置および教師データ作成支援方法 |
CN110162016A (zh) * | 2019-05-30 | 2019-08-23 | 华北电力大学 | 一种燃气轮机气动执行器的故障建模方法 |
CN110536216A (zh) * | 2019-09-05 | 2019-12-03 | 长沙市回音科技有限公司 | 一种基于插值处理的均衡参数匹配方法、装置、终端设备及存储介质 |
-
2020
- 2020-06-10 CN CN202010522916.9A patent/CN111624985B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030105614A1 (en) * | 2000-08-02 | 2003-06-05 | Lars Langemyr | Method for assembling the finite element discretization of arbitrary weak equations, involving local or non-local multiphysics couplings |
EP1312781A2 (en) * | 2001-11-16 | 2003-05-21 | Goodrich Pump & Engine Control Systems, Inc. | Method of detecting in-range engine sensor faults |
US20030139860A1 (en) * | 2001-11-16 | 2003-07-24 | Mcbrien Gary M. | Method of detecting in-range engine sensor faults |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和*** |
CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
CN107909087A (zh) * | 2017-09-08 | 2018-04-13 | 第四范式(北京)技术有限公司 | 生成机器学习样本的组合特征的方法及*** |
JP2019066993A (ja) * | 2017-09-29 | 2019-04-25 | 株式会社Screenホールディングス | 教師データ作成支援装置、分類装置および教師データ作成支援方法 |
CN107958266A (zh) * | 2017-11-21 | 2018-04-24 | 重庆邮电大学 | 一种基于mpi并行将连续属性进行离散化的方法 |
CN108537259A (zh) * | 2018-03-27 | 2018-09-14 | 北京交通大学 | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 |
CN110162016A (zh) * | 2019-05-30 | 2019-08-23 | 华北电力大学 | 一种燃气轮机气动执行器的故障建模方法 |
CN110536216A (zh) * | 2019-09-05 | 2019-12-03 | 长沙市回音科技有限公司 | 一种基于插值处理的均衡参数匹配方法、装置、终端设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
史月美 等: "《关联规则挖掘研究》", 31 December 2016, 兵器工业出版社 * |
国家电网公司武汉高压研究所: "《电力监测与故障诊断技术全书(二)变压器、电抗器、互感器卷(下)》", 30 September 2005 * |
尼加提·努尔买买提: "测量数据处理方法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张霄: "基于热力参数的燃气轮机故障建模及诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
徐含灵: "燃气轮机控制***传感器故障诊断与信号重构方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
李永德: "基于层次分析法的燃气轮机故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023184764A1 (zh) * | 2022-05-31 | 2023-10-05 | 广东海洋大学 | 一种基于粗糙集和证据理论的故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111624985B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及*** | |
CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
CN109185917B (zh) | 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及*** | |
CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
JP2010089760A (ja) | 車両の故障診断のための基準値の生成 | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
CN107291944A (zh) | 锅炉主要受热面超前诊断分析方法及*** | |
CN114323665B (zh) | 一种燃气轮机燃料供给***故障的检测方法 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
CN105139295A (zh) | 一种电力设备在线监测海量信息的数据挖掘方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
CN102445660B (zh) | 基于灰色Verhulst模型的发电机功角预测方法 | |
CN113173104A (zh) | 一种新能源车辆动力电池预警方法及*** | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN112801313A (zh) | 基于大数据技术综采工作面故障判定方法 | |
CN111624985B (zh) | 燃气轮机控制***传感器故障诊断方法 | |
CN114925860A (zh) | 一种空分设备的故障诊断方法和*** | |
CN109299080B (zh) | 一种电力生产运行数据的清洗方法及计算设备 | |
CN107103361A (zh) | 基于粗糙集与回答集的变压器故障诊断方法和*** | |
CN102136038A (zh) | 基于状态空间的多特征设备状态评价方法及应用 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测*** | |
CN117989472A (zh) | 一种燃气管道压力监测分析***及方法 | |
CN109469919A (zh) | 一种基于权重聚类的电站空预器堵灰监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |