基于动态加权差分主成分分析的工业锅炉故障检测方法

技术领域

本发明属于故障诊断技术领域，具体涉及基于动态加权差分主成分分析的工业锅炉故障检测方法。

背景技术

工业锅炉是一种重要的能源转换设备，随着现代工业技术的发展，其内部结构越来越集成化和复杂化。一旦发生故障会造成巨大的能源浪费，甚至威胁生命财产安全。因此保证锅炉安全、可靠运行一直是控制领域研究的重点。但工业锅炉具有时变特性且复杂程度高、变量多、耦合性强，难以建立准确的机理模型进行故障诊断。主成分分析(PCA)法方法是一种常见的数值分析理论，在过程监控、故障诊断中有着广泛应用。由于PCA方法只需要系统正常工况下运行的历史数据构建模型，无需建立专家知识库和准确的数学模型，通过正交变换的方法，把一组可能存在相关性的变量转换成不相关的变量，用尽可能少的综合数据尽可能多的包含原始数据集中的绝大部分变化信息，剔除冗余信息，实现对原始数据的降维，这使得PCA方法广泛应用于故障诊断。

工业锅炉虽然是一种典型的单模态连续控制系统，但是当负荷发生变化时，会体现出明显的时变和多模态特性，传统的PCA方法采用T

发明内容

为了解决上述问题，本发明提供本发明采用的技术方案是：一种基于动态加权差分主成分分析的工业锅炉故障检测方法，包括以下步骤：

S1、设置固定长度的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集；

S2、对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，并进行加权差分处理，解决锅炉样本的多模态问题；

S3、基于处理后锅炉样本数据建立PCA模型，同时采集锅炉运行的在线数据对；

S4、基于所建立的PCA模型，判断所采集的当前数据是否存在异常。

进一步地：所述设置固定长度的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集的过程如下：

对采集到的样本数据x

进一步地：所述对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，进行加权差分处理，解决锅炉样本的多模态问题的过程如下：

对时间窗S(x

采用公式(1)对第一近邻的样本进行加权差分处理，以消除样本中心漂移对故障检测的影响，得到新的样本

其中：权值

式中：

权值

进一步地：所述基于处理后锅炉样本数据建立PCA模型，同时采集锅炉运行的在线数据对的过程如下：

数据经时间窗扩展和加权差分方法处理后建立PCA模型，并采集锅炉运行的在线数据对。

进一步地：所述基于所建立的PCA模型，判断所采集的当前数据是否存在异常的过程如下：

对采集到的在线数据构造时间窗，对时间窗中的样本在训练集中寻找其空间上的第一近邻和第一近邻的近邻集，使用加权差分方法得到处理后的样本。

确认当前采集的在线数据是否存在异常，计算处理后的锅炉在线数据的T

一种基于动态加权差分主成分分析的工业锅炉故障检测装置，包括：

数据扩展模块：用于设置固定长度的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集；

处理模块：用于对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，并进行加权差分处理，解决锅炉样本的多模态问题；

建立模块：用于基于处理后锅炉样本数据建立PCA模型，同时采集锅炉运行的在线数据对；

判断模块：用于基于所建立的PCA模型，判断所采集的当前数据是否存在异常。发明提供的一种基于动态加权差分主成分分析的工业锅炉故障检测方法，具有以下优点：通过该方法消除了动态特性和多模态特性对锅炉故障检测的不利影响；对锅炉系统分别采用传统PCA模型和动态加权差分主成分分析进行故障检测，实验证明该动态加权差分主成分分析法可有效提高故障检测率，在锅炉系统的生产实践中具有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明动态加权差分主成分分析方法的故障诊断流程图；

图2(a)为原始数据散点图，(b)为经动态加权差分处理后的数据散点图；

图3(a)为原始数据高斯分布图，(b)为经动态加权差分处理后的数据高斯分布图；

图4为传统PCA方法对应的锅炉故障检测结果示意图；

图5为动态加权差分主成分分析法对应的锅炉故障检测结果示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

图1为本发明动态加权差分主成分分析方法的故障诊断流程图；

本发明所述方法具体包括：

S1、获取锅炉正常工况下的的数据作为训练集；对训练集中的每个样本以其为中心构造长为N的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集，采用交叉验证的方法确定N的大小，若N过大，则会造成计算冗余，若N过小，则无法描述锅炉样本点之间的时序关系；

S2、对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，进行加权差分处理，解决锅炉样本的多模态问题；

具体如下：对训练集时间窗中的每个样本，找到其空间上的第一近邻

S3、基于处理后锅炉样本数据建立PCA模型，同时采集锅炉运行的在线数据对；

S4、基于所建立的PCA模型，判断所采集的当前数据是否存在异常。

所述步骤S1/S2/S3/S4顺序执行；

所述设置固定长度的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集的过程如下：

对采集到的样本数据x

所述对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，进行加权差分处理，解决锅炉样本的多模态问题过程如下：

对时间窗S(x

采用公式(1)对第一近邻样本进行加权差分处理，以消除样本中心漂移对故障检测的影响，得到新的样本

其中：权值

式中：

权值

所述S3包括如下步骤：

S31、对经时间窗扩展和加权差分方法处理后的训练集数据，构建样本矩阵X＝(X

S32、计算其协方差矩阵S：

S33、利用累计方差贡献率(cumulative percent variance,CPV)确定主元个数k：

其中：λ为S的特征值；

S34、建立PCA模型：

X

T

其中：X

所述S4包括如下步骤：

S41、对采集到的在线数据构造时间窗，对时间窗中的样本在训练集中寻找其空间上的第一近邻和第一近邻的近邻集，使用加权差分方法得到处理后的样本。

S42、确认当前采集的在线数据是否存在异常，计算处理后的锅炉在线数据的T

具体的，采用T

T

其中：t

T

其中：a为显著性水平，1-a为置信度，F

SPE统计量表征采样点在残差子空间上的偏差变化情况，其计算公式为：

SPE

SPE统计量阈值计算公式：

其中：С

随后判断在线数据的T

一种基于动态加权差分主成分分析的工业锅炉故障检测装置，包括：

数据扩展模块：用于设置固定长度的时间窗对锅炉样本点进行扩展，得到扩展后的锅炉样本集；

处理模块：用于对扩展后的锅炉样本集寻找空间上的第一近邻和第一近邻的近邻集，并进行加权差分处理，解决锅炉样本的多模态问题；

建立模块：用于基于处理后锅炉样本数据建立PCA模型，同时采集锅炉运行的在线数据对；

判断模块：用于基于所建立的PCA模型，判断所采集的当前数据是否存在异常。

将本发明实施例应用于某工业锅炉，对该锅炉系统进行故障诊断，其主要工艺参数如表1所示。

表1锅炉工艺参数表

本发明实施例采集正常工况下的1500组数据作为训练集样本，采集225组在线数据作为测试集样本，并在206-225组数据中注入故障。

如图2和图3所示，任取两个变量方向分别绘制原始数据及经动态加权差分处理后的数据散点图和高斯分布图，图2(a)为原始数据散点图，(b)为经动态加权差分处理后的数据散点图；

图3(a)为原始数据高斯分布图，(b)为经动态加权差分处理后的数据高斯分布图；

由此可知，经动态加权差分处理后数据为单模态且服从高斯分布满足使用PCA方法进行故障检测的前提条件。

使用传统PCA方法进行故障检测结果如图4所示，检测不到故障。动态加权差分主成分分析的故障检测结果如图5所示，可将全部故障完全检测出来。

综上所述，本发明针对具有动态特性和多模态特性的工业锅炉系统，提出了动态加权差分主成分分析法。通过该方法消除了动态系统的多模态特性动态特性和多模态特性对锅炉故障检测的不利影响。对锅炉系统分别采用传统PCA方法和动态加权差分主成分分析进行故障检测，实验证明动态加权差分主成分分析法可有效提高故障检测率，在锅炉系统的生产实践中具有重要意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。