本发明涉及非平稳高端燃煤发电过程多元统计监测领域,尤其包括一种高斯特征与非高斯特性协同的细粒度监测方法,考虑到高斯信息是更易建模和表征的,利用提取出的高斯特征将一个非平稳过程步进有序自动划分为若干个负荷模态,进而小尺度地在模态划分结果上进行高斯空间、非高斯空间的过程监测。
背景技术:
近年来,随着工业生产安全和质量的要求,过程监控领域受到了高度重视。由于物联网技术的新型发展,海量过程数据得以被采集、存储,主元分析、偏最小二乘等多元统计过程监测方法在工业实践中得到了广泛应用。这些技术方法可以将高度相关的高维信息投影到一个低维的潜在空间,挖掘数据中包含的潜在信息。两个重要的基本假设是观测数据的分布是多元高斯分布,可以精确地估计出统计量的置信区间,设计有效的控制限;以及过程数据假设是平稳的,这样才能从样本泛化到整体,保证在线监测性能。但是,由于生产环境的变化、设备老化、产品生产与操作工况的频繁切换,绝大多数的工业生产过程是不平稳的,同时呈现着非高斯的分布特性。此时的过程工况是多模态的,且在不同模态之间实时跳变。此时,传统的多元统计过程监测方法已不再适用,单一的模态建模与其控制限容易引发频繁的误报。且由于潜在的高斯特性和非高斯特性的分布混杂,建模时很难精细地去评估分布的置信区间,进而降低了监测的灵敏性。因此,具有非高斯特性的非平稳过程监测是一项研究难题,现有的技术方法存在较大局限。
针对非平稳过程监测,最为广泛使用的是自适应、多模态的方法。自适应方法旨在捕获非平稳过程在时间方向上的变化,及时地更新模型。但早期故障数据也可能被错误地引入到模型更新的范畴,给模型的可靠性带来不利影响。多模态策略只考虑了观测数据的距离,忽略了它们的潜在信息。并且多模态策略的监测性能高度依赖于模型划分和在线匹配的精准性。协整分析作为研究非平稳变量的长期稳定关系的分析方法,可以挖掘出不变的长期均衡关系。尽管协整分析在工业领域中有一些成功的应用,然而算法本身要求非平稳变量是同阶单整的,这一假设很难在实际中成立。
近年来,步进有序时段划分方法由赵春晖等学者提出,适用于具有不同模态的批次过程建模。它提出了一种新颖的不平稳瞬变过程数据的分析策略,通过数据重构的方式来进行模态划分与在线匹配。然而,这种方法忽略了每种模态内部的数据分布特性,高斯信息和非高斯信息的混杂导致了控制限选取的精度降低。因而,应该对二者分别监测与分析,提高监测的准确性和灵敏性。
技术实现要素:
本发明的目的是克服现有技术中的不足,提供一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法。
这种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法,包括以下步骤:
步骤1、选取正常工况下的非平稳过程数据:采集n个样本,每个样本均包含j个测量变量,得到二维数据矩阵
步骤2、数据矩阵重构:将二维数据矩阵
步骤3、负荷片预处理:将每个负荷片
上式中,
将负荷片
步骤4、对负荷片
步骤4.1、对标准化后的负荷片数据矩阵xm(nm×j),m=1,2,,m建立ssa模型,其中ssa建模公式如下:
gm=xmwm(3)
上式中,gm为第m个负荷片的特征,wm(j×j)为ssa的系数矩阵;
步骤4.2、选取主高斯特征个数:根据高斯检验结果,将gm分为两个部分:
ssa所提第m个负荷片的特征gm的两部分分别为:
上式中,gm,d是从第m个负荷片提取出的高斯特征,gm,e为从第m个负荷片提取出的非高斯特征;wm,d和wm,e分别表示高斯特征和非高斯特征的变换矩阵,wm,d和wm,e共同组成ssa的系数矩阵wm(j×j);
步骤4.3、计算各负荷片的高斯特征监测统计量
上式中,gm,d是从第m个负荷片提取出的高斯特征;
步骤5、步进有序地将非平稳过程数据划分成多个负荷维度上平稳的负荷模态:
步骤5.1、从第一个负荷片开始,依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵
gv,k=xv,kwv,k(7)
gv,k,d=xv,kwv,k,d(8)
gv,k,e=xv,kwv,k,e(9)
上式(7)至式(9)中,gv,k为负荷段的ssa特征,wv,k(j×j)为负荷段的变换矩阵;gv,k,d和gv,k,e分别为负荷段内提取出的高斯特征和非高斯特征;wv,k,d(j×p)和wv,k,e(j×(j-p))分别表示负荷段ssa模型的高斯特征和非高斯特征的变换矩阵;
步骤5.2、计算当前负荷段内各个负荷片的高斯特征监测统计量
上式中,
步骤5.3、确定负荷段划分点k*:
针对负荷段内的所有负荷片,比较每个负荷片在独自建模时的控制限
步骤5.4、划分所有的负荷段,进行数据更新:根据步骤5.3中的k*,移除已划分好的负荷段,把余下的非平稳过程数据作为新的输入数据带入步骤5.1中;
步骤6、采用基于负荷模态划分的监测算法对每个负荷模态的高斯特征和非高斯特征协同进行细粒度的监测分析:
步骤6.1、根据步骤5得到划分好的o个负荷段,记为
go=xowo(11)
上式中,go代表从第o个负荷段中提取的特征;wo为第o个负荷段的变换矩阵;
步骤6.2、按步骤4.1中相应的负荷片数据矩阵xm进行ssa建模:
出现次数最多的高斯特征个数p作为负荷段ssa模型的高斯个数;按照高斯检验的置信度结果从大到小对特征重新排序,得到对应的变换矩阵;定义wo的前p列为wo,d(j×p),剩余部分为wo,e(j×(j-p)),go的两部分分别为:
go,d=xowo,d(12)
go,e=xowo,e(13)
上式(12)和式(13)中,go,d为第o个负荷段内部的高斯特征;go,e是第o个负荷段内部的非高斯特征;wo,d和wo,e分别表示第o个负荷段ssa模型高斯特征和非高斯特征的变换矩阵;
步骤6.3、针对负荷段的高斯特征,提取出监测统计量
步骤6.4、针对负荷段的非高斯特征,建立高斯混合模型gmm来进一步评估分布特性;使用em算法估计高斯混合模型gmm的参数,使用f-j算法确定高斯混合模型gmm中高斯元个数,提取出基于贝叶斯推断距离的监测统计量bido:
上式中,mo为第o个负荷段非高斯特征空间内的高斯元个数;
步骤7、在线过程监测:
步骤7.1、采集新测量数据并进行预处理:在线监测时,采集新的过程测量数据
步骤7.2、利用第o个负荷段的ssa模型计算当前新样本的高斯特征和非高斯特征:
gnew,d=xnewwo,d(16)
gnew,e=xnewwo,e(17)
上式中,gnew,d为新样本的高斯特征,gnew,e为新样本的非高斯特征;wo,d和wo,e分别高斯特征gnew,d和非高斯特征gnew,e所处负荷段的变换矩阵;
步骤7.3、计算监测统计量:
步骤7.4、在线判断过程运行状态:实时比较两个监测统计量
作为优选,所述步骤1中测量变量包括给煤量、环境温度、六处电机线圈温度、两处电机轴承温度、磨煤机电流、两处齿轮箱输入轴承温度、四处齿轮箱轴承温度、润滑油温度、旋转分离器电流、两处旋转分离器轴承温度、旋转分离器转速反馈值、油箱温度、进口一次风量、两处进口一次风温、三处出口温度、出口压力、进口一次风压、冷风调节门位置、密封风压力、密封风与冷一次风差压和热风调节门位置。
作为优选,所述步骤7.1中
作为优选,所述步骤7.4中:当监测统计量
本发明的有益效果是:
(1)本发明为针对高端燃煤发电非平稳运行过程数据的小尺度监测技术提供了新的研究思路;通过提出一种高斯特征和非高斯特性协同的监测思路,在通过工况指示变量进行数据重构的基础上,利用易于表征和建模的高斯特征将负荷片进行步进有序的模态自动划分,巧妙地将原先的不平稳数据转换成平稳的负荷模态;划分结果表明,尽管负荷随着时间波动,但潜在的高斯信息的分布特性在相同负荷模态下非常相似,而不同负荷模态下则存在显著差异。
(2)通过对每个负荷模态进行高斯空间、非高斯空间地协同监测,可以精细地评估出二者的分布变化,有助于提高监测性能;在线监测时通过工况指示变量来识别当前的负荷模态,调用该模态的模型即可;所提方法在实际工业过程中做了详细的实验研究,获得了成功应用;该方法通过对非平稳获得过程负荷模态的自动划分,考虑对于不同分布的精细建模,有助于提高过程监测的灵敏性和监测效率,最终可应用于工业现场,以保证生产过程的安全、可靠。
附图说明
图1为高斯非高斯协同监测的示意图;
图2为步进有序负荷模态自动划分结果图;
图3为正常数据的在线监测结果图;
图4为故障数据的在线监测结果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明所提出方法具体应用对象为高端燃煤发电装备中的磨煤机设备,深入考虑了非平稳过程数据的按工况指示变量维度重构得到平稳数据,以及结合高斯、非高斯特征空间分解去细粒度地监测过程,提出了一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法。
通过深入剖析高斯特征和非高斯特征的不同分布特性,利用高斯特征易于建模和表征的特性,将原先在时间维度上不平稳的火电过程可以步进有序地划分成若干个负荷维度上平稳的负荷模态;在此基础上,对每个负荷模态进行了细粒度的监测分析,利用贝叶斯推断统计量对非高斯分布进行进一步的建模,协同分析潜在的高斯分布、非高斯分布的信息。本发明为非平稳火电过程提出了一种新的分析思路,提升了监测的灵敏性与监测效率,及时发现早期故障,从而保障了工业过程的安全、高效运行。
本发明提出的面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法,包括以下步骤:
(1)获取待分析数据:在本实例中,采集了约17000个样本用于建模,测量变量为35个:给煤量、环境温度、电机线圈温度1、电机线圈温度2、电机线圈温度3、电机线圈温度4、电机线圈温度5、电机线圈温度6、电机轴承温度1、电机轴承温度2、磨煤机电流、齿轮箱输入轴承温度1、齿轮箱输入轴承温度2、齿轮箱轴承温度1、齿轮箱轴承温度2、齿轮箱轴承温度3、齿轮箱轴承温度4、润滑油温度、旋转分离器电流、旋转分离器轴承温度1、旋转分离器轴承温度2、旋转分离器转速反馈值、油箱温度、进口一次风量、进口一次风温1、进口一次风温2、出口温度1、出口温度2、出口温度3、出口压力、进口一次风压、冷风调节门位置、密封风压力、密封风与冷一次风差压、热风调节门位置。800个故障样本作为故障集,用于验证所建立的监测系统的在线故障检测性能,其中故障为磨煤机出口温度低。
(2)数据矩阵重构:将二维数据矩阵
(3)负荷片预处理:将每个负荷片
其中:
其中,
将负荷片
(4)负荷片ssa建模,该步骤由以下子步骤来实现:
(4.1)对标准化后的负荷片数据矩阵xm(nm×j),m=1,2,…,m建立ssa模型,其中ssa建模公式如下:
gm=xmwm(22)
其中,gm为第m个负荷片的特征,wm(j×j)为ssa的系数矩阵;
(4.2)选取主高斯特征个数:根据高斯检验结果,可以将gm分为两个部分:
则ssa所提特征的gm两部分分别为:
其中,gm,d是从第m个负荷片提取出的高斯特征,即通过了高斯检验,能够表征其过程运行状态且更易建模;gm,e是从第m个负荷片提取出的非高斯特征;wm,d、wm,e分别表示高斯特征和非高斯特征的变换矩阵;
(4.3)计算各负荷片的高斯特征监测统计量
其中,
(5)步进有序进行负荷模态自动划分,该步骤由以下子步骤来实现::
(5.1)从第一个负荷片开始,依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵
对新的负荷段矩阵进行ssa建模,将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段ssa模型的高斯特征个数:
gv,k=xv,kwv,k(26)
gv,k,d=xv,kwv,k,d(27)
gv,k,e=xv,kwv,k,e(28)
其中,gv,k为负荷段的ssa特征,wv,k(j×j)为负荷段的变换矩阵;gv,k,d、gv,k,e分别为负荷段内提取出的高斯特征、非高斯特征;wv,k,d(j×p)、wv,k,e(j×(j-p))分别表示负荷段ssa模型的高斯特征、非高斯特征的变换矩阵;
(5.2)计算当前负荷段内各个负荷片的高斯特征监测统计量
其中,
(5.3)确定负荷段划分点k*:针对负荷段内的所有负荷片,比较每个负荷片在独自建模时的控制限
(5.4)数据更新,自动划分所有的负荷段:根据步骤5.3中的k*,移除已划分好的负荷段,把余下的过程数据作为新的输入数据带入到第5.1步中;
(6)基于负荷模态划分的监测算法,该步骤由以下子步骤来实现:
(6.1)建立基于负荷段的ssa模型:根据步骤5得到划分好的o个负荷段,记为
go=xowo(30)
其中,go代表从第o个负荷段中提取的特征;wo为第o个负荷段的变换矩阵;
(6.2)选取高斯特征个数:以步骤4.1中相应的负荷片数据矩阵xm进行ssa建模时,出现次数最多的高斯特征个数p作为负荷段ssa模型的高斯个数,按照高斯检验的置信度结果从大到小对特征重新排序,以及得到对应的变换矩阵;定义wo的前p列为wo,d(j×p),剩余部分为wo,e(j×(j-p)),go的两部分分别为:
go,d=xowo,d(31)
go,e=xowo,e(32)
其中,go,d是提取出来的能够表示第o个负荷段内部的高斯特征;go,e是第o个负荷段内部的非高斯特征;wo,d、wo,e分别表示第o个负荷段ssa模型高斯特征和非高斯特征的变换矩阵;
(6.3)针对负荷段的高斯特征,提取出监测统计量
(6.4)针对负荷段的非高斯特征,建立高斯混合模型(gmm)来进一步评估分布特性;使用em算法估计gmm的参数,使用f-j算法确定gmm中高斯元个数,提取出基于贝叶斯推断距离的监测统计量bido:
其中,mo为第o个负荷段非高斯特征空间内的高斯元个数;
至此,在高斯和非高斯空间中各自建立了一个监测统计量,监测结果有四种,每种结果与其对应的物理含义如表1所示:
表1监测统计量对应的物理含义表
表1中,‘√’表示相关统计量在控制限之下,‘×’表示统计量超出控制限;
(7)在线过程监测,该步骤由以下子步骤来实现:基于步骤5划分的时段、步骤6建立的监测模型以及
(7.1)采集新测量数据及新测量数据预处理,具体为:在线监测时,采集新的过程测量数据
(7.2)利用第o个负荷段的模型计算当前新样本的高斯特征和非高斯特征:
gnew,d=xnewwo,d(16)
gnew,e=xnewwo,e(17)
其中,gnew,d是新样本的高斯特征;、gnew,e是新样本的非高斯特征;wo,d、wo,e分别表示所处负荷段的变换矩阵;
(7.3)计算监测统计量。
(7.4)在线判断过程运行状态:实时比较两个监测指标与其各自的统计控制限;当且仅当两个监测指标均在控制限之下,则认为过程正常运行;否则,当任何一个监测指标出现了连续报警,则认为过程出现异常,需要现场查看。具体情况如表1中所示。
首先利用本发明的监测方法选取一段正常数据用于离线建模,基于高斯特征提取进行步进有序负荷模态自动划分,在α=0.5取值下的划分结果如附图2所示。初始的负荷片有65个,根据相似的高斯特性进一步合并至10个负荷段,图2中的虚线即为负荷段划分情况。
紧接着对一段样本数为800的正常样本进行在线监测,结果如附图3所示。由附图3可见,两个监测统计量均在控制限内。控制限随着时间变化,表明了由于磨煤机的非平稳特性,负荷模态是实时跳变的。
再对一段样本数为800的故障样本进行在线监测,结果如附图4所示。期间出现了出口温度低的缓变故障,实际发生时间为第185个样本点。由附图4可见,非高斯特征的监测统计量bid在第190个样本点处开始超限,随后高斯特征的监测统计量s2开始超限,时延为60个样本。所提方法可以灵敏地监测到故障率先发生于非高斯空间,进而引发高斯空间也随之出现异常。
总体来说,基于本发明提出的基于高斯特征的负荷模态划分和监测策略考虑到高斯特征易于表征和建模的特点,可以将不平稳数据转换成负荷维度上的平稳负荷模态,并且协同高斯特征、非高斯特征的不同分布特性进行过程的精细监测,有助于及早地发现缓变故障,提高在线过程监测性能。