一种燃气轮机控制系统未知故障检测方法及系统

1.本发明涉及燃气轮机控制系统故障检测领域，尤其是涉及一种基于自监督特征学习和一元分类的燃气轮机控制系统未知故障检测方法及系统。


背景技术：

2.燃气轮机控制系统本身的系统和控制就已然非常复杂，在极端天气下更受到很大的挑战。及时、准确的诊断出燃气轮机控制系统的故障不仅能避免损失、提升效率，还有利于为人民生活在恶劣天气提供稳定的电力保障。全球变暖的自然环境要求我们尽早实现碳中和，减缓全球变暖的速度和幅度。因此能源系统需要发挥更高的效率，能源系统智能化有利于精准控制提高效率。智能化感知需要安装大量的状态感知传感器，在统计的能源系统故障中，传感器使用过程中出现故障的频率最高。故障检测是状态监测：异常检测、故障分类、故障隔离、故障消除四步中的第一步，还有助于实现智能化控制，预防攻击。及时、准确的故障诊断有利于实现能源系统的状态检测，保证能源系统安全运行。
3.燃气轮机控制系统传感器故障检测存在的问题如下：
4.1)用于燃气轮机控制系统故障检测的真实故障数据很少，原始采样数据是大量的正常数据。
5.2)原始数据来自燃气轮机控制系统中的多个传感器，数据量大。此外，故障数据和正常数据相互重叠，分类器算法无法区分原始分布。
6.3)简单的精度评价标准不能达到满意的检测目标。例如，如果只有1％的故障数据，最终的检测准确率至少为99％，显然不能胜任故障检测任务。
7.由于大数据的可用性，监督学习在分类方面取得了巨大的成功。如果采用有监督的神经网络分类算法，则在训练过程中需要使用已知分类标签的样本，对于未知的故障，即没有标签的样本无法处理。此外，使用少量的故障数据和大量的正常数据对应着一个不平衡的分类问题，对监督学习方法的故障检测有效性提出了挑战。


技术实现要素：

8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种燃气轮机控制系统未知故障检测方法及系统，在面对类别不平衡、不同的工况、不同的故障类型等方面，提高燃气轮机的多传感器故障信号检测结果的准确性和可靠性，使燃气轮机控制系统具有一定的智能诊断能力。
9.本发明的目的可以通过以下技术方案来实现：
10.一种燃气轮机控制系统未知故障检测方法，包括以下步骤：
11.s1、获取燃气轮机上的多种传感器的正常信号，构建由正常信号组成的正常数据集，为部分正常信号叠加故障信号并构建测试数据集；
12.s2、构建无监督学习模型和一元分类器，所述无监督学习模型用于特征提取，使用正常数据集训练无监督学习模型，得到训练好的特征提取器；
13.s3、将正常数据集输入特征提取器中，将提取到的特征组成正常数据特征集，使用正常数据特征集训练一元分类器，得到训练好的一元分类器；
14.s4、将测试数据集输入特征提取器中，将提取到的特征组成故障数据特征集，使用故障数据特征集对一元分类器进行测试，若测试结果满足预设置的评价指标，则完成特征提取器和一元分类器的训练，否则，重复步骤s1-s4；
15.s5、将燃气轮机上的传感器信号输入特征提取器中，将提取到的特征输入一元分类器中，得到故障检测结果。
16.进一步地，构建由正常信号组成的正常数据集具体为：
17.获取在同一时间段t内多种传感器的原始信号，所述原始信号的类型为正常信号和故障信号；
18.按照预设置的步长对每种传感器的原始信号进行划分得到n
·
m个信号序列，每个信号序列即一种传感器在一个时间间隔内的信号，m＝l/δl＝t/δt，其中， n为传感器的种类，l为原始信号的长度，δl为步长，δt为时间间隔；
19.将同一时间间隔内的信号序列组合得到一个样本，共得到m个样本，每个样本包括n个信号序列。
20.进一步地，所述无监督学习模型为循环神经网络，使用基于时间序列的无监督三元组损失函数，具体如下：
[0021][0022]
式中，σ是sigmoid函数，xa表示锚点，x
pos
表示正样本，表示第k个负样本，θ表示模型参数，f(*,θ)表示*输入无监督学习模型的结果，k表示预设置的负样本的数量。
[0023]
进一步地，无监督学习模型的训练过程中，锚点、正样本、负样本三元组的选择规则如下：
[0024]
设置锚点、正样本和负样本的长度la、l
pos
和l
neg
，以及负样本的数量k；
[0025]
将一个传感器的所有时间间隔内的正常信号组合得到一个子序列，共得到n个子序列，每个子序列的长度为l，包含m段正常信号；
[0026]
随机选择一个子序列，在该子序列中随机选择长度为la的一段信号作为锚点xa；
[0027]
在锚点xa中随机选择长度为l
pos
的一段正常信号作为正样本x
pos
；
[0028]
在其余n-1个子序列中随机选择k个子序列，并在每个选中的子序列中随机选择长度为l
neg
的一段正常信号作为负样本x
neg
，其中，任一负样本的时间区间与正样本x
pos
的时间区间之间存在重叠。
[0029]
进一步地，所述负样本的时间区间与正样本x
pos
的时间区间之间的重叠范围为λ1·
δl～λ2·
δl，λ1和λ2为预设置的比例系数。
[0030]
进一步地，所述锚点、正样本和负样本的长度la、l
pos
和l
neg
均为δl的整数倍，所述比例系数为整数；
[0031]
选取锚点具体为：以la为窗口宽度，在m段正常信号中随机选择一段信号作为起点，使用窗口截取一段长度等于la的正常信号作为xa；
[0032]
选取正样本具体为：以l
pos
为窗口宽度，在xa中随机选择一段信号作为起点，使用窗口截取一段长度等于l
pos
且属于xa的正常信号作为x
pos
；
[0033]
选取负样本具体为：以l
neg
为窗口宽度，在选中的k个子序列中分别选取其中，选取为：确定对应的子序列，在该子序列的m段正常信号中随机选择一段长度等于l
neg
且时间区间与xa的时间区间存在λ1·
δl～λ2·
δl的重叠的正常信号作为
[0034]
进一步地，所述一元分类器基于局部异常因子，局部异常因子的定义为：
[0035][0036][0037]
rdk(x,o)＝max{k-distance(o),d(x,o)}
[0038]
其中，lofkx)表示特征x的局部异常因子，lrdkx)表示特征x的局部可达密度，rdk(x,o)表示特征x的局部可达距离，k-distance(o)表示o和特征x的k最近邻中最远的点的距离，nk(x)表示样本x的k最近邻的集合，o代表k最近邻中的某一样本点， d(x,o)表示特征x与o之间的欧几里得距离。
[0039]
进一步地，构建测试数据集具体为：
[0040]
获取正常数据集，在正常数据集中选择多个样本，每个样本中选择多个信号序列，在这些信号序列上叠加故障信号，得到测试数据集，所述测试数据集中包括多个样本，每个样本中包括至少一种故障，每种故障的数量至少为一个。
[0041]
进一步地，步骤s4中，所述评价指标包括但不限于召回率、准确率、f分数和误警率。
[0042]
一种燃气轮机控制系统未知故障检测系统，包括：
[0043]
数据集构建模块，用于获取燃气轮机上的多种传感器的正常信号，构建由正常信号组成的正常数据集，为部分正常信号叠加故障信号并构建测试数据集；
[0044]
第一模型模块，用于构建无监督学习模型，并使用正常数据集训练无监督学习模型，得到训练好的特征提取器，所述无监督学习模型用于特征提取；
[0045]
第二模型模块，用于构建一元分类器，并使用正常数据特征集训练一元分类器，得到训练好的一元分类器，所述正常数据特征集是由正常数据集输入特征提取器中提取到的特征组成的；
[0046]
测试评估模块，用于使用故障数据特征集对一元分类器进行测试，并判断测试结果满足预设置的评价指标，所述故障数据特征集是由测试数据集输入特征提取器中，将提取到的特征组成的；
[0047]
检测模块，用于将燃气轮机上的传感器信号输入特征提取器中，将提取到的特征输入一元分类器中，得到故障检测结果。
[0048]
与现有技术相比，本发明具有以下有益效果：
[0049]
(1)因为现实世界的数据集中有大量的正常数据可用，而在实际工作条件下异常
数据是未知的，所以本发明使用一元分类方法进行故障检测，只对大量的正常数据进行训练，然后对各种类型的故障信号进行测试。而且简单的分类方法需要较少的计算资源和时间。
[0050]
(2)本发明通过使用自监督的特征提取器来处理各种复杂的故障信号，自监督特征提取器可以有效利用各种工作条件下的大量正常数据，无需人工标注，该特征提取器可以方便有效地提取传感器数据的特征以进行一元分类，并提升故障检测的准确性和鲁棒性。
[0051]
(3)无监督学习模型为循环神经网络，使用基于时间序列的无监督三元组损失函数，可以带来灵活运用大量正常数据学习到特征明显的故障的优点。
[0052]
(4)一元分类器基于局部异常因子，可以带来灵活处理各种故障、提升故障特征分类准确率的优点。
附图说明
[0053]
图1为本发明的流程图。
具体实施方式
[0054]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例，本发明的保护范围不限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0055]
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0056]
本说明书提供了如实施例或流程示意图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。
[0057]
实施例1：
[0058]
本技术提供一种燃气轮机控制系统未知故障检测方法，如图1所示，包括以下步骤：
[0059]
s1、获取燃气轮机上的多种传感器的正常信号，构建由正常信号组成的正常数据集，为部分正常信号叠加故障信号并构建测试数据集；
[0060]
s2、构建无监督学习模型和一元分类器，无监督学习模型用于特征提取，使用正常数据集训练无监督学习模型，得到训练好的特征提取器；
[0061]
s3、将正常数据集输入特征提取器中，将提取到的特征组成正常数据特征集，使用
正常数据特征集训练一元分类器，得到训练好的一元分类器；
[0062]
s4、将测试数据集输入特征提取器中，将提取到的特征组成故障数据特征集，使用故障数据特征集对一元分类器进行测试，若测试结果满足预设置的评价指标，则完成特征提取器和一元分类器的训练，否则，重复步骤s1-s4；
[0063]
s5、将燃气轮机上的传感器信号输入特征提取器中，将提取到的特征输入一元分类器中，得到故障检测结果。
[0064]
一元分类器的即一元分类，通过仅包含该类的对象的训练数据中学习，试图能够在所有对象中识别该特定类的对象。本技术中，使用正常信号进行一元分类器的训练，得到能够识别正常信号的一元分类器，这样，由于各类故障都不属于正常信号，从而可以通过一元分类器识别出各类故障信号，也完成了未知故障的检测，后续，可以再进一步使用其他方案确认故障的具体类型。而训练无监督学习模型得到的特征提取器用于从数据中提取有效的特征，从而加强后续一元分类的准确性。
[0065]
步骤s1中，构建由正常信号组成的正常数据集具体为：
[0066]
s101、获取在同一时间段t内多种传感器的原始信号，原始信号的类型为正常信号和故障信号；
[0067]
燃气轮机上的多种传感器可以包括设有硬件冗余的传感器，和同一部件上具有物理关系的传感器网络，等等，其中，设有硬件冗余的传感器包括压力传感器、温度传感器和转速传感器。
[0068]
s102、按照预设置的步长对每种传感器的原始信号进行划分得到n
·
m个信号序列，每个信号序列即一种传感器在一个时间间隔内的信号，m＝l/δl＝t/δt，其中，n为传感器的种类，l为原始信号的长度，δl为步长，δt为时间间隔；
[0069]
s103、将同一时间间隔内的信号序列组合得到一个样本，共得到m个样本，每个样本包括n个信号序列。
[0070]
步骤s1中，构建测试数据集具体为：
[0071]
s104、获取正常数据集，在正常数据集中选择多个样本，每个样本中选择多个信号序列，在这些信号序列上叠加故障信号，得到测试数据集，测试数据集中包括多个样本，每个样本中包括至少一种故障，每种故障的数量至少为一个。
[0072]
其中，叠加的故障信号可以为阶跃、短路、漂移、噪声、周期故障等，由于没有出现在正常数据集中，这些故障对于一元分类器来说都是没见过的故障。考虑到燃气轮机工作时故障信号的占比较小，因此，测试数据集中，故障信号的占比小于 5％，完全符合现实应用场景。还需要注意的是，本实施例中，选取启停工况、变负荷工况、空载工况等工况下的传感器数据构建正常数据集，考虑到传感器故障检测主要针对变负荷工况，因此以变负荷工况下的传感器数据为基础构建测试数据集，即测试数据集中的数据的工况为变负荷工况。
[0073]
而且，考虑到故障发生时，可能是某个传感器发生了故障，也可能是多个传感器同时或不同时发生故障，因此，测试数据集包括多种故障信号数量、以及相同故障数量不同故障类型和位置等耦合故障。
[0074]
步骤s2中，构建的无监督学习模型为循环神经网络，使用基于时间序列的无监督三元组损失函数，具体如下：
[0075][0076]
式中，σ是sigmoid函数，xa表示锚点，x
pos
表示正样本，表示第k个负样本，θ表示模型参数，f(*,θ)表示*输入无监督学习模型的结果，k表示预设置的负样本的数量。损失函数的目的是使xa和x
pos
的表示尽可能相似，使xa和x
neg
的表示尽可能不同。
[0077]
无监督学习模型的训练过程中，锚点、正样本、负样本三元组的选择规则如下：
[0078]
(1)设置锚点、正样本和负样本的长度la、l
pos
和l
neg
，以及负样本的数量k；
[0079]
(2)将一个传感器的所有时间间隔内的正常信号组合得到一个子序列，共得到n个子序列，每个子序列的长度为l，包含m段正常信号；
[0080]
(3)随机选择一个子序列，在该子序列中随机选择长度为la的一段信号作为锚点xa；
[0081]
(4)在锚点xa中随机选择长度为l
pos
的一段正常信号作为正样本x
pos
；
[0082]
(5)在其余n-1个子序列中随机选择k个子序列，并在每个选中的子序列中随机选择长度为l
neg
的一段正常信号作为负样本x
neg
，其中，任一负样本的时间区间与正样本x
pos
的时间区间之间存在重叠。
[0083]
其中，负样本的时间区间与正样本x
pos
的时间区间之间的重叠范围为λ1·
δl～λ2·
δl，λ1和λ2为预设置的比例系数。
[0084]
而且，锚点、正样本和负样本的长度la、l
pos
和l
neg
均为δl的整数倍，比例系数为整数；
[0085]
选取锚点具体为：以la为窗口宽度，在m段正常信号中随机选择一段信号作为起点，使用窗口截取一段长度等于la的正常信号作为xa；
[0086]
选取正样本具体为：以l
pos
为窗口宽度，在xa中随机选择一段信号作为起点，使用窗口截取一段长度等于l
pos
且属于xa的正常信号作为x
pos
；
[0087]
选取负样本具体为：以l
neg
为窗口宽度，在选中的k个子序列中分别选取其中，选取为：确定对应的子序列，在该子序列的m段正常信号中随机选择一段长度等于l
neg
且时间区间与xa的时间区间存在λ1·
δl～λ2·
δl的重叠的正常信号作为
[0088]
可以理解的是，构建的循环神经网络中，还涉及到批处理大小、学习率、优化器和训练周期等超参数的确定，学习率的调整策略为在固定步长上进行衰减，可以根据正常数据集，利用后向传播收敛到最优结果，获得各层网络的训练权重。
[0089]
步骤s2中，构建的一元分类器基于局部异常因子，局部异常因子的定义为：
[0090][0091]
[0092]
rdk(x,o)＝max{k-distance(o),d(x,o)}
[0093]
其中，lofk(x)表示特征x的局部异常因子，通过对比一个样本的局部密度和和该样本的k近邻密度，给出一个对比的分数，lrdk(x)表示特征x的局部可达密度， rdk(x,o)表示特征x的局部可达距离，k-distance(o)表示o和特征x的k最近邻中最远的点的距离，nk(x)表示样本x的k最近邻的集合，o代表k最近邻中的某一样本点， d(x,o)表示特征x与o之间的欧几里得距离；当x和o距离很远时，可达距离就是本身，即d(x,o)，当x和o距离很近时，是o和k近邻中最远的点的距离，即k-distance(o)。 lof≈1代表和邻居相似的密度，lof《1代表比邻居的密度大(内点)，lof》1 代表比邻居的密度小(异常点)。
[0094]
在布置s2-s3中，训练无监督学习模型和一元分类器时，可以将数据集划分为训练集和测试集，相关从业人员可以理解，在此不再赘述。
[0095]
步骤s4中，评价指标包括但不限于召回率、准确率、f分数和误警率，可以使用测试集以及多种评价指标评价特征提取器和一元分类器的故障检测结果是否合格，从而确定是否要继续调整特征提取器和一元分类器。
[0096]
需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本技术的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0097]
另外，本技术的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本技术的方法和/ 或技术方案。而调用本技术的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本技术的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本技术的多个实施例的方法和/或技术方案。
[0098]
本技术还提供一种燃气轮机控制系统未知故障检测系统，包括：
[0099]
数据集构建模块，用于获取燃气轮机上的多种传感器的正常信号，构建由正常信号组成的正常数据集，为部分正常信号叠加故障信号并构建测试数据集；
[0100]
第一模型模块，用于构建无监督学习模型，并使用正常数据集训练无监督学习模型，得到训练好的特征提取器，无监督学习模型用于特征提取；
[0101]
第二模型模块，用于构建一元分类器，并使用正常数据特征集训练一元分类器，得到训练好的一元分类器，正常数据特征集是由正常数据集输入特征提取器中提取到的特征组成的；
[0102]
测试评估模块，用于使用故障数据特征集对一元分类器进行测试，并判断测试结果满足预设置的评价指标，故障数据特征集是由测试数据集输入特征提取器中，将提取到的特征组成的；
[0103]
检测模块，用于将燃气轮机上的传感器信号输入特征提取器中，将提取到的特征
输入一元分类器中，得到故障检测结果。
[0104]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。