[發明專利]一種基于FEKNN策略的燃煤電廠鍋爐故障診斷方法

有效

• 申請號: 202011524822.1
• 申請日: 2020-12-22
• 公開（公告）號: CN112598057B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 米大斌;王雙海;王劍峰;劉紅;姜文;龔思遠;丁立斌;王建輝;郭學強;商文霞
• 申請（專利權）人: 河北建設投資集團有限責任公司;河北建投能源投資股份有限公司
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/80
• 代理公司: 北京東方盛凡知識產權代理有限公司 11562
• 代理人: 王穎

1.一種基于FEKNN的燃煤電廠鍋爐故障診斷方法，其特征在于，包括以下步驟：

S1、對歷史數據進行預處理,得到處理后正常運行的歷史數據；

S2、數據降維：對經過數據預處理的正常運行的歷史數據進行降維處理；

S3、數據聚類：利用均值漂移聚類Mean Shift方法對所述正常運行的歷史數據進行聚類，形成燃燒系統正常運行狀態庫；

S4、故障診斷：采用FEKNN故障診斷方法得到燃燒系統運行狀態曲線，進行燃燒系統的故障診斷；

所述采用燃燒系統運行狀態曲線進行故障診斷的方法為：

S4.1、選取與鍋爐燃燒系統運行相關的關鍵變量作為初始數據，對所選取的初始數據進行預處理獲得正常的運行數據；

S4.2、將剔除異常點后的數據進行歸一化處理：

其中，x表示樣本值，x_min表示樣本中最小的值，x_max表示樣本中最大的值；

S4.3、將預處理后的數據利用MDS方法進行降維處理，使得數據變為二維數據；

S4.4、將降維后的二維數據利用均值漂移聚類方法聚類，得到正常運行數據的各個類別，用Ω＝(ω₁，ω₂，…，ω_c)表示；

S4.5、選擇一組新的待檢測數據，利用KNN算法在各個類別中找到k個最近鄰居，利用以下公式對每個鄰居的類別信息進行模糊化處理，得到每個鄰居屬于各個類別的隸屬度：

其中，c^j為x^j所屬的類別，k為x^j的鄰居個數，n_i為x^j屬于i類的鄰居個數；

S4.6、計算出每個鄰居為待檢測數據提供的分類證據：

對于待檢測的測試樣本x，首先利用KNN算法的原理采用歐式距離，找到距離其最近的k個鄰居組成集合Φ_S，集合Φ_S中的每個數據點(x_i,C_i)都可以為x的分類提供一條證據，C_i表示第i個數據所屬的類別，該證據信息可以表示為：

m_i(Ω|x)＝1-αφ(d_i)u_qi，i＝1,2,…,k (8)

m_i({ω_q}|x)＝αφ(d_i)u_qi,q＝1,2,…c，i＝1,2,…,k (9)

其中，d_i表示x和x_i之間的歐式距離，即x和x_i之間的相似性；ω_q為所屬的類別，α為結構函數，取值為0.95，φ為距離折扣函數：

式中的γ0，為待檢測樣本x與k個最近鄰居間距離的平均值的倒數，并且φ函數滿足：

S4.7、利用D-S理論改進Murphy融合規則對k個最近鄰居提供的證據進行融合，如果證據融合后，屬于未知狀態的概率最大，則表明鍋爐在異常運行，為工作人員提供故障報警。

2.根據權利要求1所述的基于FEKNN的燃煤電廠鍋爐故障診斷方法，其特征在于，所述步驟S1中對歷史數據進行預處理的過程為：利用肖維勒準則法進行異常值剔除，首先找到一個以樣本均值為中心的概率帶，所述概率帶包含所有的樣本數據，所述概率帶以外的數據為異常值，剔除出數據集，計算剩余數據的均值和標準差；采用Savitzky-Golay濾波方法通過時域內局域多項式最小二乘法擬合的方法對所述剩余數據進行濾波。

3.根據權利要求1所述的基于FEKNN的燃煤電廠鍋爐故障診斷方法，其特征在于，采用MDS算法對所述步驟S2中正常運行的歷史數據進行降維處理。