[发明专利]基于闭环信息分析的电厂前置泵故障退化状态预测方法

摘要

本发明公开了一种基于闭环信息分析的大型燃煤发电机组前置泵故障退化状态预测方法。本发明针对智能电厂大型火力发电机组前置泵，采用典型变量分析(CVA)和慢特征分析(SFA)的方法提取特征，并使用所提取的特征来训练连续隐马尔可夫模型(CHMM)，从而预测闭环控制系统故障退化状态。该方法同时考虑了大型火力发电机组前置泵发生故障时，其闭环控制系统动态调节过程中变量的时序相关性和变化速度，能够更加准确地预测智能电厂大型火力发电机组前置泵的闭环控制系统故障退化状态，有助于现场工程师提前采取防范措施，从而保证了大型火力发电机组的安全可靠运行并提高了生产效益。

主权项

1.一种基于闭环信息分析的大型燃煤发电机组前置泵故障退化状态预测方法，其特征在于，该方法包括以下步骤：/n(1)获取过程分析数据：设前置泵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)；/n(2)提取能够反映前置泵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：/n(2.1)用CVA对前置泵的闭环控制系统的故障数据进行分析，具体步骤如下：/n(2.1.1)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)：/nx_p(t)＝[x_t-1^T,x_t-2^T,...,x_t-h^T]^T∈R^Jh (1)/nx_f(t)＝[x_t^T,x_t+1^T,...,x_t+l-1^T]^T∈R^Jl (2)/n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；/n(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：/nX_p＝[x_p(t)^T,x_p(t+1)^T,...,x_p(t+M)^T]∈R^Jh×N (3)/nX_f＝[x_f(t)^T,x_f(t+1)^T,...,x_f(t+M)^T]∈R^Jl×N (4)/n其中，N＝M-h-l+1；/n(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：/n /n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；/n(2.1.4)求出状态空间和残差空间的投影矩阵：/n /n /n其中矩阵U_k由矩阵U的前k列组成，I为单位阵；/n(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：/nZ＝JX_p∈R^k×N (8)/nE＝LX_p∈R^Jh×N (9)/n(2.2)使用SFA对状态矩阵Z^T和残差矩阵E^T进行分析，分别提取稳态特征S₁、S₂和时变特征SFA的具体步骤如下：/n(2.2.1)对输入Z^T的协方差矩阵进行奇异值分解：/n<Z^TZ>_t＝OΓO^T (10)/n其中表示在时间上求均值；/n(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：/n /n其中白化矩阵/n(2.2.3)对A的一阶差分的协方差矩阵进行奇异值分解：/n /n(2.2.4)求出投影矩阵W和慢特征S₁:/n /n /n慢特征S₁代表状态空间的稳态特征，其一阶差分代表状态空间的时变特征；使用相同的步骤对残差矩阵E^T进行分析，求出慢特征S₂和一阶差分/n(3)根据前置泵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S₁、S₂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；/n(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；/n(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闭环控制系统所处的故障退化状态。/n