[發明專利]一種燃氣輪機的聚類異常檢測方法

無效

• 申請號: 201110443587.X
• 申請日: 2011-12-27
• 公開（公告）號: CN102607641A
• 公開（公告）日: 2012-07-25
• 發明（設計）人: 賀惠新;林志榮;于達仁
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G01D21/02
• 分類號: G01D21/02
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 畢志銘

1.一種燃氣輪機的聚類異常檢測方法，其特征在于：所述方法的具體過程為：

步驟一、獲取監測數據和輸入參數：從燃氣輪機的監測軟件中獲取G個不同時刻的監測數據，以下用P_k表示第k個時刻的監測值，其中1≤k≤G；然后獲取人為設置的參數：權值向量迭代次數LT，更新參數λ，異常參考比例β；

步驟二、提取出表征各不同時刻特性的特征量：從所述監測數據選出特征量PF_k(l)，其中1≤l≤29，即對應包括以下29個測點的值：齒輪箱振動、發電機DEX振動、發電機DEY振動、發電機EEX振動、發電機EEY振動、燃氣發生器轉速、發電機總實際功率、3#軸承Y振動、3#軸承X振動、2#軸承Y振動、2#軸承X振動、1#軸承Y振動、1#軸承X振動、壓氣機空氣進口溫度、排氣平均溫度、0度方向的排氣溫度、30度方向的排氣溫度、60度方向的排氣溫度、90度方向的排氣溫度、120度方向的排氣溫度、150度方向的排氣溫度、180度方向的排氣溫度、210度方向的排氣溫度、240度方向的排氣溫度、270度方向的排氣溫度、300度方向的排氣溫度、330度方向的排氣溫度，潤滑油系統進口的油溫，潤滑油系統的出口的油溫；PF_k(l)為第k個時刻的第l個測點的監測數據；

步驟三、建立度量不同時刻的樣本點之間相似度的全局距離矩陣：用P范數距離來度量第b個時刻的數據與第g個時刻的數據之間的相似距離Dist(PFb,PFg)=(Σl=129al||PFb(l)-PFg(l)||p)1p,]]>b＝1，2…，G，g＝1，2…，G，并建立全局距離矩陣D_G×G，

DG×G=Dist(PF1,PF1)Dist(PF1,PF2)....Dist(PF1,PFG)Dist(PF2,PF1)Dist(PF2,PF2)....Dist(PF2,PFG)..............Dist(PFG,PF1)Dist(PFG,PF2)....Dist(PFG,PFG),]]>

其中，a_l為所述兩個時刻PF_b和PF_g的第l個特征量的距離計算權值，取a_l為的第l個維度量，為29維度的特征權向量；

在沒特定指明時，默認取P＝2，為所有數值都為1的列向量；

步驟四、從所述G個樣本中獲取每個樣本所歸屬的聚類中心樣本：將G個數據作為G個樣本，并從所述G個樣本中獲取每個樣本所歸屬的聚類中心樣本其中，a(k，f)為有效性矩陣A_G×G中的第k行元素，r(k，f)為反饋矩陣R_G×G中的第k行元素；

步驟五、將有相同聚類中心的樣本歸為同一類，得到各聚類的集合：將具有相同的聚類中心樣本(即fc_k)的數據歸為同一類，t為不同的聚類中心的總數目，對應即得出{C₁，C₂，...，C_t}，其中C_v{v＝1，2，...，t}表示第v個類別的樣本點的集合，||C_v||表示這個集合的樣本點的個數；

步驟六、對聚類結果的數目進行排序，得出異常樣本的集合，異常樣本如下：對||C_v||按從小到大的順序進行排序，則前個||C_v||值對應的C_v集合中的樣本點，即是異常數據。

2.根據權利要求1所述的一種燃氣輪機的聚類異常檢測方法，其特征在于：

在步驟四中，從所述G個樣本中獲取每個樣本所歸屬的聚類中心樣本的具體方法為：

步驟四一：獲取第b個樣本與第g個樣本之間的相似性Sim(b,g)=-Dist(PFb,PFg),b≠gmedian{Sim(i,j)},b=g,]]>并建立全局相似矩陣：

其中，Sim(i，j)為所述全局相似矩陣S_G×G中第i行第j列的元素；

步驟四二：建立反饋矩陣R_G×G，并令所述反饋矩陣R_G×G的所有元素r(i，j)的初始值均為0：

步驟四三：建立有效性矩陣A_G×G，并令所述有效性矩陣A_G×G的所有元素a(i，j)的初始值均為0；

步驟四四：對反饋矩陣R_G×G和有效性矩陣A_G×G進行LT次迭代，進而獲取LT次迭代更新后的反饋矩陣R_G×G和有效性矩陣A_G×G，所述每次迭代的具體過程為：

步驟四四一：將建立的反饋矩陣R_G×G中的所有元素r(i，j)更新為r(i.j)^*＝λr_tmp(i，j)+(1-λ)r_old(i，j)，其中，λ為更新系數，r_old(i，j)為上一次迭代更新獲得的r(i，j)，rtmp(i,j)=Sim(i,j)-maxj′≠j{atmp(i,j′)+Sim(i,j′)},i≠jSim(j,j)-maxj′≠j{Sim(i,j′)},i=j,]]>

a_tmp(i，j′)的初始值為0，然后執行步驟四四二；

步驟四四二：將建立的有效性矩陣A_G×G中的所有元素a(i，j)更新為a(i.j)^*＝λa_tmp(i，j)+(1-λ)a_old(i，j)，其中，a_old(i，j)為上一次迭代更新獲得的a(i，j)，atmp(i,j)=min{0,r(j,j)+Σi′≠i,jmax{0,r(i′,j)}},i≠jΣi′≠jmax{0,r(i′,j)},i=j;]]>

步驟四五：根據所述的進行LT次更新后的反饋矩陣R_G×G和有效性矩陣A_G×G獲得每個樣本所歸屬的聚類中心樣本