[发明专利]基于异常搜索和组合预测的汽轮机组在线故障预警方法

说明书

技术领域

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

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。

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

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：

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。

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(1,1)模型预测和对随机项进行AR(n)预测，最后将两种预测方法进行加权组合，形成灰色加权-AR(n)预测模型。

所述步骤2）各模式特征计算方法如下：

设时间序列X=(<x(t₁),t₁>,<x(t₂),t₂.,…,<x(t_n),t_n>)，第i个子时间序列为X_i=(<x(t_i1),t_i1>,<x(t_i2),t_i2>,…,<x(t_in),t_in>)，则其对应的特征模式定义如下：

模式高度sph    sph=x(t_in)-x(t_i1)