[發明專利]基于典型相關分析與慢特征分析的智能電廠燃煤發電機組磨煤機的在線監測方法

有效

• 申請號: 201811056765.1
• 申請日: 2018-09-11
• 公開（公告）號: CN109238760B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 趙春暉;田暢;范海東;陳積明;孫優賢;李清毅;沙萬里
• 申請（專利權）人: 浙江大學
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 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

1.一種基于典型相關分析與慢特征分析的智能電廠燃煤發電機組磨煤機的在線監測方法，其特征在于，該方法包括以下步驟：

(1)獲取待分析數據：設一個磨煤機生產過程共具有J個測量變量和操作變量，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過程變量，所述測量變量和操作變量包括溫度、轉速、壓力、閥門開度；

(2)基于典型變量分析對磨煤機運行數據時序相關信息提取，該步驟由以下子步驟來實現：

(2.1)提取磨煤機運行數據的典型變量，分析時序相關關系：將每個時間點t處的測量值x_(t)(1×J)分別用l個過去測量值x_(t-1)，x_(t-2)，…，x_(t-l)，以及h個將來測量值x_(t)，x_(t+1)，…，x_(t+h)的展開；

其中，下標p代表過去，f代表將來；x_p(t)表示過去測量值的集合，x_f(t)表示將來測量值的集合；

其中，l和h根據與當前時刻t的相關程度確定，具體如下：

與當前時刻t間隔1+1個采樣間隔的過去時刻的測量值x_p(t+l+1)和當前時刻的測量值x_(t)的相關程度表示為：

其中α是一個閾值，0＜α＜0.5；autocorr(X_i，p)是第i個過程變量加p個時滯后的自相關系數；和當前時刻的相關程度，當A_l+1其小于α時，認為x_p(t+l+1)和x_(t)不存在相關關系，不參與構建矩陣x_p(t)；選擇能滿足上式的最小的值確定為l，同時，確定出h＝l，從而構建出x_p(t)和x_f(t)；

當某測量值與當前時刻t的時間間隔大于所確定的l和h時，忽略變量間的相關關系；

(2.2)將不同時刻展開的向量組成過去和將來的矩陣：

X_p＝[x_p(t+1)，x_p(t+2)，…，x_p(t+m)] (4)

X_f＝[x_f(t+1)，x_f(t+2)，…，x_f(t+m)] (5)

其中下標p代表過去，f代表將來，m＝N-l-h+1；

(2.3)求取不同時刻t的典型變量z_(t)以及殘差變量e_(t)：

其中，∑_pf表示過去矩陣X_p和將來矩陣X_f的協方差矩陣，∑_pp表示過去矩陣X_p的協方差矩陣，上標1/2表示對矩陣內元素進行開方操作，∑_ff表示將來矩陣X_f的協方差矩陣，上標1/2表示對矩陣內元素進行開方操作；式(6)表示等號左側進行SVD分解，得到正交矩陣U和V，以及對角矩陣Λ，其對角線上的系數是主成分相關系數γ₁≥…≥γ_r，下表r表示對角矩陣Λ對角線上元素個數；

其中J代表求取相關變量的轉換矩陣，L代表求取殘差標量的轉換矩陣，I表示單位矩陣，U_k包含了矩陣U的k列，k的選擇根據下式決定：

其中β是個閾值，0.5≤β≤1；

Z＝JX_P (10)

E＝LX_P (11)

其中矩陣Z和矩陣E分別表示主成分空間和殘差空間；Z和E的每列分別是典型變量z_(t)和殘差變量e_(t)；

(3)基于慢特征分析對磨煤機運行的協同監測，該步驟由以下子步驟來實現：

(3.1)分別對主成分空間Z和殘差空間E進行SFA建模

s_c＝W_cZ (12)

s_e＝W_eE (13)

其中s_c是提取出的主成分空間Z的慢特征，W_c是主成分空間Z的轉換矩陣；s_e是提取出的殘差空間E的慢特征，W_e是殘差空間E的轉換矩陣；

(3.2)選取主成分空間中慢特征s_c的主慢特征；

變化緩慢的特征能夠表示過程變化總體趨勢，而變化較快的那些特征看作是噪聲；將全部慢特征按照變化快慢進行排序，選擇R_m個變化慢的慢特征作為主慢特征s_c，d，剩余的慢特征可看作噪聲，其中R_m＜R_c，R_c為全部慢特征數；

主慢特征數R_m的選擇從重構的角度考慮，具體如下：

過程變量x_j可以通過慢特征s重構：

其中，是的第j列，是將的某幾個元素用0替代，元素個數為R_m，R_m的確定方法如下：降噪重構的過程變量的緩慢程度能夠代表重構的過程變量保留了多少重要的信息；應含有盡可能少的變化快的噪聲，因此Δ(x_j)表示過程變量x_j的緩慢程度，降噪重構后的過程變量的變化比x_j的變化慢；而Δ(x_j)和Δ(s_i)呈線性關系，慢特征s中Δ(s_i)＞Δ(x_j)部分使x_j變化加快，去除該部分，就能使能夠滿足綜合考慮所有變量的重構效果，應該去除的特征集合為：

劃分的主慢特征個數R_m＝R_c-cnt(F)，cnt(F)為全部慢特征數減去集合F中元素的數量；定義W_c的前R_m行為W_c，d(R_m×J)；

s_c，d＝W_c，dZ (18)

其中，s_c，d是提取出來的在主成分空間中能夠表示過程內部變化主要趨勢的慢特征；W_c，d表示轉換矩陣；

(3.3)在主成分空間中計算靜態監測的控制限：

其中，是s_c，d的T²監測統計量；利用核密度估計確定出的控制限Ctr_c，Td；

(3.4)在主成分空間中計算動態監測的控制限：

其中，是s_c，d的S²監測統計量；其中是s_c，d的一階差分；Ω_c，d是的經驗協方差矩陣；利用核密度估計求出的控制限Ctr_c，Sd；

(3.5)根據(3.2)中方法，選擇殘差空間中慢特征s_e的主慢特征數R_me：根據特征的緩慢程度，提取出s_e中的主慢特征：

(3.6)計算殘差空間中靜態監測的控制限：

其中，是s_e，d的T²監測統計量；利用核密度估計確定出的控制限Ctr_e，Td；

(3.7)計算殘差空間中動態監測的控制限：

其中，是s_e，d的S²監測統計量；其中是s_e，d的一階差分；Ω_e，d是的經驗協方差矩陣；利用核密度估計求出的控制限Ctr_e，sd；

(4)磨煤機的在線監測：基于上述步驟求得磨煤機運行過程數據的變量相關關系以及動靜協同的監測模型，通過主成分空間中的監測統計量和殘差空間中的監測統計量在線監測過程的運行狀態；該步驟由以下子步驟來實現：

(4.1)在磨煤機運行過程中采集新測量的數據并進行擴展：在線監測時，采集到新的過程測量數據x_new，t(J×1)，其中，下標new代表新樣本，下標t代表當前時刻，J為測量變量，與步驟(1)中的測量變量相同；用過去的l個時刻的數據將其進行擴展：

(4.2)求取當前時刻的典型變量和殘差變量：

z_new＝Jx_new (25)

e_new＝Lx_new (26)

(4.3)分別從當前時刻的典型變量和殘差變量中提取出各自的慢特征向量：

(4.4)分別計算主成分空間和殘差空間中的在線靜態監測統計量：

(4.5)分別計算主成分空間和殘差空間中的在線動態監測統計量：

(5)判斷磨煤機運行狀態：實時比較不同子空間中兩個監測指標與各自的統計控制限：

(a)在主成分空間中，如果兩個監測量均處于控制限制范圍內，則表明過程有一個不變的時序相關關系，典型變量的變化在正常范圍內；

(b)在主成分空間中，如果靜態監測量沒有超限，動態監測量超限，則說明監測到了一個過程動態的異常，可能導致主成分空間中變量自相關關系出現穩態偏差；

(c)在主成分空間中，如果靜態監測量超限，動態監測量沒有超限，則說明監測到了穩態偏差，但是對過程動態特性沒有影響，過程在良好的控制下發生了狀態切換；

(d)在主成分空間中，如果靜態監測量和動態監測量均超限，則說明過程既出現了穩態偏差又出現了動態異常，檢測到了過程發生故障且超出了控制系統調節能力，應及時處理；

(e)在殘差空間中，如果兩個監測量均處于控制限制范圍內，殘差變量的變化在正常范圍內；

(f)在殘差空間中，如果靜態監測量沒有超限，動態監測量超限，檢測到了過程動態行為的異常，可能導致殘差子空間中出現狀態偏差；

(g)在殘差子空間中，如果靜態監測量超限，動態監測量沒有超限，則說明在殘差空間中監測到了穩態偏差，但是對過程動態特性沒有影響，過程處于良好的控制下；

(h)在殘差子空間中，如果靜態監測量和動態監測量均超限，在殘差子空間中既檢測到了穩態偏差，又檢測到了動態異常，過程發生了故障，控制性能差，應及時處理。