[發明專利]面向百萬千瓦超超臨界機組的非平穩分析與因果診斷方法

有效

• 申請號: 201810948342.4
• 申請日: 2018-08-20
• 公開（公告）號: CN109359662B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 趙春暉;高潔
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 黃歡娣;邱啟旺

1.一種面向百萬千瓦超超臨界機組非平穩特性的基于因果分析的多層貝葉斯網絡故障診斷方法，其特征在于，該方法包括以下步驟:

(1)獲取待分析數據：設一個熱力系統生產過程具有J個測量變量和操作變量；則針對正常流程，每一次采樣可以得到一個1×J的向量，采樣N次后得到的數據表述為一個二維矩陣X(N×J)，所述測量變量為運行過程中可被測量的狀態參數，包括流量、溫度、速率；所述操作變量包括進風量、給料量、閥門開度；建模過程選取一組正常數據，表示為X_i(N_i×J)，i表示第i組正常數據，測試過程選取某一種或幾種故障案例，故障案例表示為F_case(N_f×J),N_f表示故障案例casef的采樣總次數，其中casef∈{case1,...,casen}，n等于故障案例的總個數；

(2)識別非平穩變量：通過單位根檢驗方法ADF識別矩陣X_i(N_i×J)中的非平穩變量，得到非平穩變量數據矩陣V_ns(N_i×J_ns)，J_ns表示非平穩變量個數；

(3)針對非平穩變量建立局部的因果關系模型，該步驟通過以下子步驟實現：

(3.1)提取平穩特征：利用(2)中得到的非平穩變量數據矩陣V_ns(N_i×J_ns)建立稀疏協整模型；非平穩變量數據矩陣可以表示為其中v_T表示第T次采樣的采樣值；建立稀疏協整模型具體包括以下子步驟：

(3.1.1)對v_t建立向量自回歸模型，t＝1,2,…J_ns

v_t＝Π₁v_t-1+…+Π_pv_t-p+c+μ_t (1)

其中，Π_i(J_ns×N_i)為系數矩陣，i＝1,2,…p，μ_t(N_i×1)為高斯白噪聲，μ_t～N_i(0,Ξ)，Ξ表示方差；c(N_i×1)為常數向量，p為模型階次；

(3.1.2)在公式(1)中兩端減去v_t-1得到誤差修正模型

其中，為(J_ns×J_ns)的單位矩陣；

(3.1.3)將步驟(3.1.2)中的Γ分解為兩個列滿秩的矩陣Γ＝ΑΒ^T公式(2)變為

其中Α(N_i×R)，Β(N_i×R)；

(3.1.4)通過極大似然估計方法對公式(3)中的協整向量矩陣Β進行估計

其中，L(*)表示極大似然函數，tr(*)表示矩陣的跡；Ω＝(Ω₁,...,Ω_p-1)^T，Θ＝Ξ^-1；

(3.1.5)對公式(4)的極大似然估計轉化為特征方程求解過程

其中，參數矩陣Θ_i及Φ_i可以通過最小二乘算法求得；

(3.1.6)對公式(4)的目標函數加入懲罰函數得到稀疏協整向量

其中，P₁，P₂，P₃為參數B，Ω，Θ的懲罰函數，這里的懲罰函數采用1范數形式；調整參數λ₁和λ₂采用交叉檢驗來確定，調整參數λ₃采用貝葉斯信息準則確定；通過對公式(6)的求解可以得到稀疏的協整向量；

(3.2)協整向量分組：利用公式(6)中得到的稀疏協整向量可以根據平穩殘差序列的平穩程度將變量進行劃分，包括以下子步驟：

(3.2.1)利用ADF檢驗衡量每個稀疏協整向量的殘差序列的平穩程度，并記錄殘差序列的ADF檢驗統計量t_i；

(3.2.2)將t_i進行升序排序，最小的檢驗統計量值對應的稀疏協整向量被保留；稀疏協整向量中的非零元素對應的變量被分到子組中，并記為V_{sf_i}；

(3.2.3)將V_{sf_i}中的變量從原始數據集V_ns中移除；

(3.2.4)重復迭代步驟(3.2.1)-(3.2.3)直到所有變量都被分到不同的子組中；

(3.3)建立局部的非平穩變量間的因果關系，具體子步驟包括如下：

(3.3.1)利用EViews統計軟件中的格蘭杰因果分析功能，分別處理每一個得到的子組中的非平穩變量，得到每組V_{sf_i}中的兩兩非平穩變量的F統計量；m_i是子組中非平穩變量的個數；

(3.3.2)設定變量v_i不是v_j的格蘭杰原因(i,j∈{1,...,m_i})，若v_i和v_j的F統計量小于0.05，則拒絕該設定，即v_i是v_j的格蘭杰原因；如果F統計量大于等于0.05，則保留原設定不變；

(3.3.3)根據步驟(3.3.2)計算得到的格蘭杰原因關系，將每個子組V_{sf_i}中的非平穩變量以帶箭頭的直線連接，起點為格蘭杰原因，箭頭方向指向結果變量；

(3.4)建立全局的因果關系網絡，具體子步驟如下：

(3.4.1)把每個子組V_{sf_i}對應的稀疏協整向量記為平穩特征；

(3.4.2)將平穩特征和平穩變量一起進行格蘭杰因果分析；具體子步驟與步驟(3.3)中相同；

(3.5)構建基于因果關系結構的貝葉斯網絡診斷模型，包括以下子步驟：

(3.5.1)貝葉斯網絡的結構為上文所得到的因果關系結構，包括全局的因果關系和局部因果關系；

(3.5.2)計算條件概率表：對于數據X(N×J)，有N個觀測樣本和J個變量；x_j⁽ⁱ⁾表示第j個觀測樣本的第i個變量的值；條件概率和全概率的計算公式如下：

其中，x∈{1,...,k}，k表示狀態個數；

當x_j⁽ⁱ⁾＝x時，p(x_j⁽ⁱ⁾＝x)＝1，否則p(x_j⁽ⁱ⁾＝x)＝0；

當x_j⁽ⁱ⁾＝x，且y_j⁽ⁱ⁾＝y時，p(x_j⁽ⁱ⁾＝xy_j⁽ⁱ⁾＝y)＝1，否則p(x_j⁽ⁱ⁾＝xy_j⁽ⁱ⁾＝y)＝0；

當y_j⁽ⁱ⁾＝y時，p(y_j⁽ⁱ⁾＝y)＝1，否則p(y_j⁽ⁱ⁾＝y)＝0

(3.6)模型建好后，開始進入診斷策略，包括以下幾個步驟：

(3.6.1)提取故障變量：通過稀疏FDFDA從不同方向上選出受到故障影響的故障變量，記作V_F{V_{F_1},...,V_{F_l}}，l表示故障變量的數量；

(3.6.2)從(3.6.1)中提取的故障變量V_F{V_{F_1},...,V_{F_l}}中選擇故障根源變量追溯的輸入證據：如果在V_F中，存在V_{F_i}，i∈{1,...,l}，是一個沒有子節點的根節點，那么該變量作為輸入證據輸入到模型中，證據變量的故障概率被置為100％，更新網絡的條件概率表；如果在V_F中，不存在根節點的變量，則選擇具有子節點數最少的V_{F_i}，i∈{1,...,l}作為輸入證據輸入到模型中，證據變量的故障概率被置為100％，更新網絡的條件概率表；

(3.6.3)當追溯到平穩特征時，如果非平穩變量不在V_F中，則停止追溯；如果在V_F中存在非平穩變量，則選擇具有子節點數最少的非平穩變量作為輸入證據輸入到模型中，證據變量的故障概率被置為100％，更新網絡的條件概率表；

(3.7)當經過步驟(3.6)后，診斷網絡中每個變量節點的故障概率得到更新，得到一條完整的故障傳播路徑；從證據變量開始往回追溯，直到某個故障變量的故障概率小于50％時停止；故障傳播路徑的起點，即為故障根源變量。