[發明專利]基于稀疏相對判別分析的百萬千瓦機組故障變量識別方法

有效

• 申請號: 201810236129.0
• 申請日: 2018-03-21
• 公開（公告）號: CN108508866B
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 趙春暉;王玥
• 申請（專利權）人: 浙江大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 33200 杭州求是專利事務所有限公司
• 代理人: 劉靜;邱啟旺

本發明公開了一種基于稀疏相對判別分析的百萬千瓦超超臨界機組故障變量識別方法。在百萬千瓦超超臨界機組中并非所有變量都受到異常擾動影響，而，因此需要識別出對故障過程影響較大的變量，克服未受影響的正常變量對分析故障特性的干擾，便于集中分析故障過程。本發明方法采用稀疏相對判別分析方法獲得稀疏的故障方向，在考慮變量間相關關系的前提下選擇關鍵故障變量，隨后迭代實現百萬千瓦超超臨界機組中所有關鍵故障變量的自動選擇和識別。本發明有助于提取關鍵故障信息并深入分析過程的故障特性，為后續定位故障原因和故障診斷提供更多幫助。

技術領域

本發明屬于化工過程故障變量識別領域，尤其涉及一種基于稀疏相對判別分析的百萬千瓦超超臨界機組故障變量識別方法。

背景技術

我國煤炭資源豐富，長期以來燃煤發電一直是我國主要的電力來源。由于小型火電機組能耗較高、不利于電力行業的可持續發展，于是在火電行業中逐漸被大容量、低能耗的超臨界機組和超超臨界機組所取代。百萬千瓦超超臨界機組設備眾多、規模龐大，生產環節環環相扣，其中可能發生的故障復雜多樣。為了有效地監測過程運行，需要深入分析故障過程的特性。而受故障過程影響較小的非關鍵信息可能會掩蓋關鍵故障特性，干擾對故障信息的提取與分析，于是需要識別并隔離出受故障過程影響較大的變量，集中分析故障特性。

故障變量識別方法中比較經典的就是基于變量貢獻度的故障變量識別方法，即計算每個變量對于故障的貢獻度，然后選取貢獻度較大的變量作為主要的故障變量。傳統的貢獻度計算方法不需要先驗知識，非常簡單易行，但是由于故障模糊效應，它會導致變量選擇錯誤的情況。針對以上問題，有學者提出了基于重構的貢獻度計算方法。在變量方向上對于監測指標的重構是指最小化這個變量對于監測統計量的影響。他們將變量方向上的重構量當做變量對重構的監測統計量的貢獻值，該方法可以去除幅值較大的故障模糊效應。此外，考慮到費舍爾判別分析方法以“類內緊縮，類間分散”為原則，在該方法得到的故障方向上各個類的數據可以盡量分開，因此有學者從區分故障類與正常類的角度提出基于費舍爾判別分析方法求取變量的貢獻值。然而基于貢獻度的方法需要對每個變量進行分析并計算貢獻值，在生產數據具有高維特性的現代工業中，巨大的計算量導致這類方法效率低下，甚至可能無法實現。

本發明提出了一種基于稀疏相對判別分析的百萬千瓦超超臨界機組故障變量識別方法。該方法根據稀疏相對判別分析方法得到的判別方向自動地識別并隔離故障變量，克服了正常信息對于分析故障特性的干擾，有助于提取關鍵故障信息并深入分析過程的故障特性。到目前為止，尚未見到與本發明相關的研究報道。

發明內容

本發明的目的在于根據百萬千瓦超超臨界機組中變量受故障過程影響程度的不同識別并隔離故障變量，提供了一種面向百萬千瓦超超臨界機組的故障變量隔離與故障診斷方法。

本發明的目的通過以下技術方案實現：一種基于稀疏相對判別分析的百萬千瓦超超臨界機組故障變量識別方法，該方法包括以下步驟：

(1)獲取數據：一個熱力系統生產過程具有P個變量；采樣K次后得到一個二維數據矩陣X(K×P)；分別獲取正常數據X_n(N_n×P)和故障數據X_f,m(N_f,m×P)，其中，下標n表示正常數據，下標f表示故障數據，m表示故障的類別；

(2)計算正常數據的類內離差矩陣S_n、故障數據的類內離差矩陣S_f、類間離差矩陣S_b以及權重因子tr(A)為矩陣A的對角線之和；

(3)構造稀疏相對判別分析方法的目標函數：