基于异常搜索和组合预测的汽轮机组在线故障预警方法
【专利摘要】本发明公开了属于电力系统的预警【技术领域】的一种基于异常搜索和组合预测的汽轮机组在线故障预警方法。该发明包括：负责标准化分割输入参数时间序列并提取序列特征模式的输入初始化处理；通过训练正常状态参数获取异常搜索参考标准的异常特征边界训练；通过搜索超越特征边界而确定异常序列组的异动搜索；利用回归分析识别异常变化趋势，得到异动分布变化规律的异常分析；建立预测模型对异常变化进行趋势预测；根据预测结果，结合异动参数与故障征兆的对应关系预警输出。本发明能够解决传统监测分析仅利用限值理论无法全面识别异常的缺陷，提高了异常预警的精度和深度，为机组故障起因及责任归属问题提供有利证据。
【专利说明】基于异常搜索和组合预测的汽轮机组在线故障预警方法
【技术领域】
[0001]本发明涉及电力系统的预警【技术领域】，特别涉及一种基于异常搜索和组合预测的汽轮机组在线故障预警方法。具体说是火力发电厂、核能发电厂，需要对汽轮机组或者大型回转机械振动及过程信号进行识别、分析以及预警技术。
【背景技术】
[0002]在激烈的市场竞争中各发电企业谋求更好地发展，力求全面提升企业的综合竞争力，其中最重要的手段就是研发或引进具有国际先进化水平的运行设备。随着中大型企业运行设备结构和功能上的日趋复杂化，企业对设备正常、安全、稳定运行的要求越来越高，在保障设备安全运行方面，若出现故障再进行故障诊断往往为时已晚，因此如何保障大型旋转设备在负荷复杂多变的工况下的安全运行，避免严重的设备运行故障造成巨大经济损失成为企业研究的焦点。
[0003]当前，汽轮机组在运行及控制过程中振动及过程信号监测已实现在线采集，并通过简单比较监测参数的测量值与规范阈值来进行机组特性分析，并据此指导机组的运行控制。显然，与现代高精度数据采集技术相比，相对落后的监测分析技术已经严重滞后；传感器监测技术、振动分析诊断技术在相关领域内的应用基本实现了大型旋转机械的状态监测与故障诊断，但故障诊断及排除缺乏预见性，具有一定的功能滞后性，无法实现汽轮机组运行故障的早预警。同时，传统信号采集系统往往专注于对全局信号的采集分析，而缺乏对信号中隐藏的异动数据的二次搜索及挖掘分析。对汽轮机组这类大型高风险设备而言，搜索与异常及故障相关联的异动数据，并根据移动数据建立预测模型进行汽轮机故障预警显然更加具有研究价值。
【发明内容】
[0004]本发明的目的在于提供一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，对机组监测的异常信号进行专业化搜索，并通过异动分析处理对异常进行深入挖掘分析，从而还原异常信号演绎形成的过程，解析其变化的趋势分布，最后通过故障预测模型实现汽轮机组故障预警，其特征在于，包括以下步骤:
[0005]I)对输入机组异动数据的参数初始化处理，分割输入参数的时间序列为标准时间子序列模式，分析计算子序列模式中的；
[0006]2)所述特征模式包括序列模式高度、模式长度、模式斜率、模式均值和标准差五个特征，并进行标准化；
[0007]3)异常特征边界训练，在上述输入参数初始处理基础上，从机组正常运行历史参数数据中，通过训练得到较信任的特征模式值的极大值，作为异常特征边界；利用移动窗口的初始分割，采用一种匹配各个序列点的阀门编码来识别分割子序列的边界点，其中阀门编码采用二进制编码，具有对时间序列极值对位编码进行变异的功能；
[0008]4)异动搜索，根据上述异常特征边界训练的边界结果，通过搜索超越边界的序列实现异动序列搜索，形成对应的异动序列数组；
[0009]5)异常分析，对上述搜索得到的异动序列数组进行基于确定系数优选的回归分析，识别异常数据的变化趋势，得到异常时间序列演绎下的异动分布变化规律；
[0010]6)预警输出，综合上述机组异动数据的发展过程的分析结果，输出异动演绎分布曲线，并结合各类监测参数应用汽轮机组故障预测模型进行故障预测，得到最大可能性故障模式的预警。
[0011]所述输入初始化处理过程包括分割输入参数的时间序列为标准时间子序列和计算子序列特征模式并标准化两阶段；其中，前一阶段目的是以期望滑动窗口和设定的阀门编码将预定时间序列划分为不重叠的标准时间子序列；后一阶段目的提供上述划分子序列的模式特征，并进行标准化；故障预警先采用GM(1，I)模型预测和对随机项进行AR (η)预测，最后将两种预测方法进行加权组合，形成灰色加权-AR(η)预测模型。
[0012]所述步骤2)各模式特征计算方法如下:
[0013]设时间序列X=?x(t1), <x(t2), t2.，...，<x (tn), tn>),第 i 个子时间序列为Xi=?x(til), tn>, <x(ti2), ti2>,...，<x(tin), tin>),则其对应的特征模式定义如下:
[0014]模式高度sph sph=x (tin) _x (tn)
[0015]显然,当X (tin) >x (tn)时,sph的值为正；当X (tin) <x (tn)时，sph的值为负。
[0016]模式长度spl spl=in-1l+l
[0017]模式斜率
【权利要求】
1.一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，对机组监测的异常信号进行专业化搜索，并通过异动分析处理对异常进行深入挖掘分析，从而还原异常信号演绎形成的过程，解析其变化的趋势分布，最后通过故障预测模型实现汽轮机组故障预警，其特征在于，包括以下步骤: 1)对输入机组异动数据的参数初始化处理，分割输入参数的时间序列为标准时间子序列模式，分析计算子序列模式中的； 2)所述特征模式包括序列模式高度、模式长度、模式斜率、模式均值和标准差五个特征，并进行标准化； 3)异常特征边界训练，在上述输入参数初始处理基础上，从机组正常运行历史参数数据中，通过训练得到较信任的特征模式值的极大值，作为异常特征边界；利用移动窗口的初始分割，采用一种匹配各个序列点的阀门编码来识别分割子序列的边界点，其中阀门编码采用二进制编码，具有对时间序列极值对位编码进行变异的功能； 4)异动搜索，根据上述异常特征边界训练的边界结果，通过搜索超越边界的序列实现异动序列搜索，形成对应的异动序列数组； 5)异常分析，对上述搜索得到的异动序列数组进行基于确定系数优选的回归分析，识别异常数据的变化趋势，得到异常时间序列演绎下的异动分布变化规律； 6)预警输出，综合上述机组异动数据的发展过程的分析结果，输出异动演绎分布曲线，并结合各类监测参数应用汽轮机组故障预测模型进行故障预测，得到最大可能性故障模式的预警。
2.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述输入初始化处理过程包括分割输入参数的时间序列为标准时间子序列和计算子序列特征模式并标准化两阶段；其中，前一阶段目的是以期望滑动窗口和设定的阀门编码将预定时间序列划分为不重叠的标准时间子序列；后一阶段目的提供上述划分子序列的模式特征，并进行标准化；故障预警先采用GM(1，I)模型预测和对随机项进行AR (η)预测，最后将两种预测方法进行加权组合，形成灰色加权-AR(η)预测模型。
3.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述步骤2)各模式特征计算方法如下: 设时间序列 X= ?X (ti)，?!>,〈X (t2)，t2>,...，〈X (tn)，tn>),第 i 个子时间序列为Xi=?x(til), tn>, <x(ti2), ti2>,...，<x(tin), tin>),则其对应的特征模式定义如下: 模式高度 sph: sph=x (tin) -X (tn), 显然，当X (tin) >x (tn)时，sph的值为正；当X (tin) <x (tn)时，sph的值为负， 模式长度 spl: spl=in-1l+l, 模式斜率
4.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述步骤2)将特征模式标准化，尽管这些特征值本身的值域不同，但它们在衡量时间序列的异常情况时具有同等重要的地位，因此有必要将其规范化，设C=C1, C2,…，Cn为其中一组特征值，则规范化定义为:
5.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述步骤4)搜索的异动参数数据，按照异常演绎的可能规律进行回归分析拟合，有七种异常可能演绎趋势:持续陡升或陡降恒定型、跳跃型、线性增长或线性下降型、半岭形上升型、指数增长或下降型、浴盆曲线型、凸型或凹型抛物线型，利用最小二乘法估计出表达式的参数。
6.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述步骤4)中七种异常可能演绎趋势，首先假设?表示回归函数对应估计异常参数的拟合值，x(t)表示提取异常时间序列A λ中的数据，则异常演绎的七类回归模型描述如下: (1)持续恒定型: 机组的异动搜索数据序列持续高于正常水平，且比较恒定，其时间序列模型为:
7.根据权利要求1所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述步骤6)预警输出包括:在综合上述机组异动数据的发展过程的分析结果中，采用异动参数演绎分布形式，提供显示确定的异常分布趋势线图，触发给出异动等级作为预警输出技术方案；进行振动信号划分并分析振动参数的主要特征频率成分通过上述组合预测模型，预测得到特征频率各成分的变化趋势，由此预测特征频率进行故障预警。
8.根据权利要求7所述一种基于异常搜索和组合预测的汽轮机组在线故障预警方法，其特征在于，所述预测特征频率进行故障预警是将汽轮机组常见的几种故障分为基频故障、广谱频故障、高频故障和低频故障，其中基频故障包括原始质量不平衡、转子部件脱落、转子热弯曲和支撑松动；高频故障包括不对中故障和轴裂纹故障；低频故障包括油膜失稳和蒸汽激振；动静碰磨属于广谱频故障；通过预测的特征频率与故障类型的对应确定故障模式， 实现汽轮机组故障预警。
【文档编号】G06F19/00GK103793601SQ201410025897
【公开日】2014年5月14日 申请日期:2014年1月20日 优先权日:2014年1月20日
【发明者】邓小文, 顾煜炯, 宋磊, 周振宇, 房丽萍, 李鹏, 陈东超, 吴冠宇, 苏璐玮, 高芬芬, 韩延鹏, 任朝旭 申请人:广东电网公司电力科学研究院, 华北电力大学