[发明专利]基于典型变量分析与隐马尔可夫的送风机故障预测方法

权利要求书

1.一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法，其特征在于，该方法包括以下步骤：

(1)获取过程分析数据：设送风机的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)；

(2)提取能够反映送风机发生故障时其闭环控制系统动态调节过程的特征；使用以下子步骤来提取特征：

(2.1)当送风机发生故障时，在其闭环控制系统的动态调节过程中，其过程变量的值与过去一段时间的测量值有关；用CVA对送风机的闭环控制系统的故障数据进行分析，提取时序相关的特征Z；CVA的具体步骤如下：

(2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量x_p(t)和未来向量x_f(t)：

x_p(t)＝[x_t-1^T,x_t-2^T,...,x_t-h^T]^T∈R^Jh (1)

x_f(t)＝[x_t^T,x_t+1^T,...,x_t+l-1^T]^T∈R^Jl (2)

其中，h、l代表滞后数，x_t表示t时刻所采集的过程变量向量；

(2.1.2)对过去向量x_p(t)和未来向量x_f(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵X_p和未来矩阵X_f：

X_p＝[x_p(t)^T,x_p(t+1)^T,...,x_p(t+M)^T]∈R^Jh×N (3)

X_f＝[x_f(t)^T,x_f(t+1)^T,...,x_f(t+M)^T]∈R^Jl×N (4)

其中，N＝M-h-l+1；

(2.1.3)CVA的目标是找到过程变量的线性组合，以最大化过去矩阵X_p和未来矩阵X_f之间的相关性；此优化问题可以通过下面的奇异值分解得到解决：

其中，Σ_pp，Σ_ff和Σ_pf分别是矩阵X_p和X_f的协方差矩阵和互协方差矩阵；对角阵Λ＝diag(γ₁,γ₂,...,γ_r,0,...,0)，γ₁≥...≥γ_r，γ_i表示典型相关值；

(2.1.4)求出状态空间和残差空间的投影矩阵：

其中矩阵U_k由矩阵U的前k列组成，I为单位阵；

(2.1.5)将过去矩阵X_p投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：

Z＝JX_p∈R^k×N (8)

E＝LX_p∈R^Jh×N (9)

(2.2)使用SFA对时序相关的特征Z^T进行分析，提取稳态特征S和时变特征S，分别用来表征在闭环控制系统调节下，大型火力发电机组送风机的过程变量的时序相关性和变化速度；SFA的具体步骤如下：

(2.2.1)对输入Z^T的协方差矩阵进行奇异值分解：

Z^TZ_t＝OΓO^T (10)

其中·_t表示在时间上求均值；

(2.2.2)对输入Z^T进行白化处理，从而使Z^T中的变量不相关，同时为单位方差；白化后的数据为：

其中白化矩阵

(2.2.3)对A的一阶差分的协方差矩阵进行奇异值分解：

(2.2.4)求出慢特征S:

(2.2.5)将慢特征S划分成两个部分：

其中R代表主导慢特征的个数，S_d为主空间，反映了时序数据的主要变化，S_e为残差空间，是由公式(12)中酉矩阵P的第1～R列构成的矩阵，是由公式(12)中酉矩阵P的第R+1～Jh列构成的矩阵；由于送风机的闭环控制系统结构较为复杂，在采集数据的过程中受到大量噪声干扰，因此残差空间S_e中多为快速变化的噪声，包含的有用信息很少，只需关注主空间S_d即可；主空间S_d中包含的特征为稳态特征，其一阶差分为时变特征；

(3)根据送风机闭环控制系统的各个故障退化状态所经历的时间，对稳态特征S_d和时变特征进行划分，获得相应故障状态下的稳态特征和时变特征；

(4)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库；

(5)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的CHMM模型所对应的故障退化状态即为当前送风机闭环控制系统所处的故障退化状态。