基于密度聚类的主元关联度传感器故障检测方法及装置

摘要

本发明涉及一种基于密度聚类的主元关联度传感器故障检测方法及装置，其中，方法包括：利用机组多工况模型对监测传感器的工况数据进行判断，对监测传感器进行分类，获得工况簇；其中，所述工况簇中所有监测传感器的工况信息构成矩阵X；利用所述工况簇中任意两监测传感器的工况信息构成矩阵K；对矩阵K进行主元分析，获得矩阵K的主要特征T；利用归一化处理之后的矩阵X和主要特征T确定任意两监测传感器的关联度；所述关联度与一阈值相比较，对大于所述阈值的关联度对应的监测传感器进行故障检测。

说明书

技术领域

本发明涉及故障检测技术领域，特别涉及一种基于密度聚类的主元关联度传感器故障检测方法及装置。

背景技术

传感器作为火电厂中必不可少的底层部件，对机组安全稳定运行起着重要的作用。火电机组正常运行过程中，重要的热力过程参数，如主蒸汽温度、主蒸汽压力、汽轮机转速、汽包水位等的测量使用了大量的各种类型的传感器。一旦传感器发生故障，轻则使控制系统性能下降，重则有可能导致严重的事故，造成重大经济损失。火电厂热力过程中传感器众多，分布于各种不同设备的多个部位，通过人力去检测传感器故障是非常困难的。因此，通过检测传感器的输出数据，进行传感器故障判断和分析是十分有必要的。

发明内容

本发明实施例的主要目的在于提出一种基于密度聚类的主元关联度传感器故障检测方法及装置，满足热力过程传感器故障诊断的需求。

为实现上述目的，本发明提供了一种基于密度聚类的主元关联度传感器故障检测方法，包括：

利用机组多工况模型对监测传感器的工况数据进行判断，对监测传感器进行分类，获得工况簇；其中，所述工况簇中所有监测传感器的工况信息构成矩阵X；

利用所述工况簇中任意两监测传感器的工况信息构成矩阵K；

对矩阵K进行主元分析，获得矩阵K的主要特征T和特征值向量L，利用特征值向量L确定任意两监测传感器的关联度；

所述关联度与一阈值相比较，对大于所述阈值的关联度对应的监测传感器进行故障检测。

优选地，所述故障检测的步骤包括：

任意两监测传感器的关联度与一阈值相比较，将大于阈值的关联度对应的监测传感器构成传感器二维对称矩阵；

对所述传感器二维对称矩阵利用滑动平均窗的数据矩阵进行计算，获得时间序列的关联度；

利用时间序列的关联度对相关传感器进行故障判断，实现传感器故障检测。

优选地，所述主要特征T通过矩阵K点乘以矩阵P获得；其中，所述矩阵P中的列向量为特征值向量L中的元素所对应的单位特征向量。

优选地，所述机组多工况模型建立步骤包括：

利用监测测点的全工况范围的历史数据确定数据矩阵；

从所述数据矩阵中选取聚类初始中心；

根据所述聚类初始中心的每个类簇的均值，计算每个工况与所述聚类初始中心的距离测度；

利用所述距离测度和距离内工况的分布密度重新对聚类初始中心进行划分，获得聚类中心；

获得所述聚类中心的每个类簇的均值；

比较所述聚类中心的每个类簇的均值与聚类初始中心的每个类簇的均值，若均值变化超过一定范围，则继续对所述聚类中心进行划分，直至均值变化处于一定范围之内时，最新聚类中心构成机组多工况模型。

优选地，所述距离测度为欧式距离。

为实现上述目的，本发明还提供了一种基于密度聚类的主元关联度传感器故障检测装置，包括：

分类单元，用于利用机组多工况模型对监测传感器的工况数据进行判断，对监测传感器进行分类，获得工况簇；其中，所述工况簇中所有监测传感器的工况信息构成矩阵X；

工况簇预处理单元，用于利用所述工况簇中任意两监测传感器的工况信息构成矩阵K；

关联度确定单元，用于对矩阵K进行主元分析，获得矩阵K的主要特征T和特征值向量L，利用特征值向量L确定任意两监测传感器的关联度；

故障检测单元，用于所述关联度与一阈值相比较，对大于所述阈值的关联度对应的监测传感器进行故障检测。

优选地，所述故障检测单元包括：

比较模块，用于任意两监测传感器的关联度与一阈值相比较，将大于阈值的关联度对应的监测传感器构成传感器二维对称矩阵；

时间序列的关联度模块，用于对所述传感器二维对称矩阵利用滑动平均窗的数据矩阵 进行计算，获得时间序列的关联度；

故障判断模块，用于利用时间序列的关联度对相关传感器进行故障判断，实现传感器故障检测。

优选地，所述关联度确定单元通过矩阵K点乘以矩阵P获得主要特征T；其中，所述矩阵P中的列向量为特征值向量L中的元素所对应的单位特征向量。

优选地，所述分类单元包括：

数据预处理模块，用于利用监测测点的全工况范围的历史数据确定数据矩阵；

聚类初始中心模块，用于从所述数据矩阵中选取聚类初始中心；同时获取所述聚类初始中心的每个类簇的均值；

距离测度模块，用于计算每个工况与所述聚类初始中心的距离测度；

重新划分模块，用于利用所述距离测度和距离内工况的分布密度重新对聚类初始中心进行划分，获得聚类中心；同时获得所述聚类中心的每个类簇的均值；

迭代划分模块，用于比较所述聚类中心的每个类簇的均值与聚类初始中心的每个类簇的均值，若均值变化超过一定范围，则继续对所述聚类中心进行划分，直至均值变化处于一定范围之内时，最新聚类中心构成机组多工况模型。

优选地，所述距离测度模块获得的距离测度为欧式距离。

上述技术方案具有如下有益效果：

本技术方案基于密度聚类的机组多工况模型，能够快速准确地实现传感器故障诊断，特别适合于在线应用。

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作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明提出一种基于密度聚类的主元关联度传感器故障检测方法流程图；

图2为本方法中故障检测具体流程图；

图3为本方法中机组多工况模型建立流程图；

图4为本发明提供了一种基于密度聚类的主元关联度传感器故障检测装置框图；

图5为本装置中故障检测单元的功能框图；

图6为本装置中分类单元的功能框图；

图7为本实施例的测点1-2关联度变化曲线图；

图8为本实施例的测点1-3关联度变化曲线图；

图9为本实施例的测点1-4关联度变化曲线图；

图10为本实施例的测点1-5关联度变化曲线图；

图11为本实施例的测点1-6关联度变化曲线图。

具体实施方式

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。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。

本技术方案的工作原理为：该方法基于密度聚类的机组多工况模型，并在此模型基础上通过测点间的主元关联度监测传感器的状态，在线检测过程采用固定窗加滑动窗的模式，利用实时获取的测量值，以此实现滑动窗的关联度实时计算，通过关联度的变化来实时检测传感器的运行状态。

基于上述工作原理，本发明提出一种基于密度聚类的主元关联度传感器故障检测方法。如图1所示。包括：

步骤101)：利用机组多工况模型对监测传感器的工况数据进行判断，对监测传感器进行分类，获得工况簇；其中，所述工况簇中所有监测传感器的工况信息构成矩阵X；

在步骤101中，计算新测点的距离测度以及距离内工况的分布密度，判断新测点属于机组多工况模型中的对应类簇还是需要建立新类簇；如果需要建立新类簇，需要删除较少使用的类簇，以保持机组多工况模型中总的类簇的个数不变。

步骤102)：利用所述工况簇中任意两监测传感器的工况信息构成矩阵K；

步骤103)：对矩阵K进行主元分析，获得矩阵K的主要特征T和特征值向量L，利用特征值向量L确定任意两监测传感器的关联度；

在步骤103中，所述主要特征T通过矩阵K点乘以矩阵P获得；其中，所述矩阵P中的列向量为特征值向量L的元素所对应的单位特征向量。

步骤104)：所述关联度与一阈值相比较，对大于所述阈值的关联度对应的监测传感器进行故障检测。

如图2所示，为本方法中故障检测具体流程图。故障检测具体包括：

步骤21)：任意两监测传感器的关联度与一阈值相比较，将大于阈值的关联度对应的监测传感器构成传感器二维对称矩阵；

在二维对称矩阵中，矩阵的每个元素代表两个测点间的关联度值，故该矩阵为对称矩阵。

步骤22)：对所述传感器二维对称矩阵利用滑动平均窗的数据矩阵进行计算，获得时间序列的关联度；

在本步骤中，滑动平均窗由两部分组成。其中，一、固定不动的在该工况模式下的正常运行数据，二、实时运行测量数据构成滑动平均窗的第二部分，两部分的长度比例基本维持在2:3左右，可以根据实际需要进行调整。

步骤23)：利用时间序列的关联度对相关传感器进行故障判断，实现传感器故障检测。

假设某系统中，a1测点、a2测点出现了报警，则观察二维对称矩阵第一行(或第一列)和第二行(第二列)，若第一行中除该列外，其余列都未超限，而第二行除该列外其余各列也超限，则可判断可能是a2测点发生了故障；若第一行中除该列外，其余列也超限，而第二行除该列外其余各列也超限，则可判断可能是a1和a2测点均发生了故障；若第一行中除该列外，其余列均超限，而第二行除该列外其余各列未超限，则可判断可能是a1测点均发生了故障。

在本方法中，步骤101涉及机组多工况模型，对于机组多工况模型建立的步骤如图3所示。包括：

步骤31)：利用监测测点的全工况范围的历史数据确定数据矩阵；

步骤32)：从所述数据矩阵中选取聚类初始中心；

步骤33)：根据所述聚类初始中心的每个类簇的均值，计算每个工况与所述聚类初始中心的距离测度；

优选地，所述距离测度为欧式距离。

步骤34)：利用所述距离测度和距离内工况的分布密度重新对聚类初始中心进行划分，获得聚类中心；

为便于划分，在本实施例中，距离测度和距离内工况的分布密度之间的权重均为0.5。

步骤35)：获得所述聚类中心的每个类簇的均值；

步骤36)：比较所述聚类中心的每个类簇的均值与聚类初始中心的每个类簇的均值，若均值变化超过一定范围，则继续对所述聚类中心进行划分，直至均值变化处于一定范围 之内时，最新聚类中心构成机组多工况模型。

基于上述工作原理，本发明提供了一种基于密度聚类的主元关联度传感器故障检测装置，如图4所示。包括：

分类单元401，用于利用机组多工况模型对监测传感器的工况数据进行判断，对监测传感器进行分类，获得工况簇；其中，所述工况簇中所有监测传感器的工况信息构成矩阵X；

工况簇预处理单元402，用于利用所述工况簇中任意两监测传感器的工况信息构成矩阵K；

关联度确定单元403，用于对矩阵K进行主元分析，获得矩阵K的主要特征T和特征值向量L，利用特征值向量L确定任意两监测传感器的关联度；

在本实施例中，关联度确定单元403通过矩阵K点乘以矩阵P获得主要特征T；其中，所述矩阵P中的列向量为特征值向量L中的元素所对应的单位特征向量。

故障检测单元404，用于所述关联度与一阈值相比较，对大于所述阈值的关联度对应的监测传感器进行故障检测。

如图5所示，为本装置中故障检测单元的功能框图。所述故障检测单元404包括：

比较模块4041，用于任意两监测传感器的关联度与一阈值相比较，将大于阈值的关联度对应的监测传感器构成传感器二维对称矩阵；

时间序列的关联度模块4042，用于对所述传感器二维对称矩阵利用滑动平均窗的数据矩阵进行计算，获得时间序列的关联度；

故障判断模块4043，用于利用时间序列的关联度对相关传感器进行故障判断，实现传感器故障检测。

如图6所示，为本装置中分类单元的功能框图。所述分类单元401包括：

数据预处理模块4011，用于利用监测测点的全工况范围的历史数据确定数据矩阵；

聚类初始中心模块4012，用于从所述数据矩阵中选取聚类初始中心；同时获取所述聚类初始中心的每个类簇的均值；

距离测度模块4013，用于计算每个工况与所述聚类初始中心的距离测度；优选地，距离测度模块4013获得的距离测度为欧式距离。

重新划分模块4014，用于利用所述距离测度和距离内工况的分布密度重新对聚类初始中心进行划分，获得聚类中心；同时获得所述聚类中心的每个类簇的均值；

迭代划分模块4015，用于比较所述聚类中心的每个类簇的均值与聚类初始中心的每个 类簇的均值，若均值变化超过一定范围，则继续对所述聚类中心进行划分，直至均值变化处于一定范围之内时，最新聚类中心构成机组多工况模型。

实施例：

任意选择一段时间内的所有测点进行聚类，分为几个典型工况簇，每个工况簇的数据组数为1000，选择某一工况簇内的数据集作为仿真测试数据，前500组数据作为固定时间窗长度，后500组数据作为测试数据，本案例中测试数据叠加了5％的偏差故障数据，滑动窗平均长度选为5，将固定窗与滑动窗组合后，依次实时计算窗口内测点间的相关度。

在图7～图11中，纵坐标轴表示的含义为：测点之间的关联度，横坐标表示的含义为；时间序列。例如:1代表时刻1，2代表时刻2，以此类推。

图7是测点1与测点2相关度的变化曲线，可以看到测点1、2之间的相关度较高，正常状态下接近于1，随着故障的出现，相关度随之下降，可以判断有传感器发生故障；图8和图9分别表示测点1和3及测点1和4之间的关联度变化曲线，可以看出它们的变化趋势与图2较为相似，进一步推断出这些测点间的相关性应该类似的；图10和图11分别表示测点1和5及测点1和6之间的关联度变化曲线，看出它们之间的关联度与前面相比较低，正常状态下保持在0.9左右，但是只要发生故障，其相关性被打破导致关联度下降这种趋势仍然成立，从图中也可以看出它们的变化趋势一致，推断出这两种相关性也是类似的。综上所述，与测点1相关的测点间关联度都发生明显向下的变化趋势，判断结论是测点1发生了故障。

通过本例的实施，验证了这种基于工况聚类的关联度检测方法对传感器的故障较为灵敏，本案例选择的固定时间窗与滑动时间窗的比例为500:5，故障发生后相关度变化趋势较为明显，可以成功检测出传感器故障。本方案的实施过程清晰，一旦聚类完成，利用相关度进行在线实时故障检测，计算复杂度小，检测灵敏度较高，易于现场实现。

以上具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。