一種電力設(shè)備故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及設(shè)備故障診斷領(lǐng)域，具體是一種電力設(shè)備故障診斷方法。
【背景技術(shù)】
[0002] 隨著電力系統(tǒng)規(guī)模的不斷擴大，大型電力設(shè)備的數(shù)量逐步增加，對設(shè)備的可靠性 要求也日益提高，故障診斷技術(shù)的出現(xiàn)，為提高設(shè)備的可靠性和安全性開辟了一條新的途 徑。故障診斷技術(shù)能夠通過設(shè)備的運行數(shù)據(jù)的分析，掌握設(shè)備的運行狀態(tài)，從而判定產(chǎn)生故 障的部位和原因，并預(yù)測預(yù)報未來狀態(tài)的技術(shù)。如果我們可以對故障做到及時診斷，就能夠 為設(shè)備維修提供重要的依據(jù)，有效避免事故的發(fā)生發(fā)展，保證設(shè)備安全，提高企業(yè)設(shè)備的現(xiàn) 代化管理水平，給企業(yè)帶來較大的經(jīng)濟效益和良好的社會效益。
[0003] 現(xiàn)有的故障診斷技術(shù)主要有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、時間序列模式 匹配技術(shù)、Petri網(wǎng)、模糊集理論等方法
[0004] 傳統(tǒng)的故障診斷專家系統(tǒng)，是一個具有大量的專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng) 用人工智能技術(shù)和計算機技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，將知識與 經(jīng)驗編成一系列產(chǎn)生式規(guī)則，進行推理和判斷，模擬人類專家的決策過程，以便于解決那些 需要人類專家處理的許多系統(tǒng)設(shè)備的故障診斷問題。專家系統(tǒng)是發(fā)展最早的人工智能系統(tǒng) 之一，能夠有效地模擬故障診斷專家完成故障診斷的過程，其采用的基于規(guī)則的知識表示 方法具有簡單直觀的優(yōu)點。但專家系統(tǒng)需要很多復(fù)雜高深的專業(yè)知識以及長期積累的經(jīng) 驗，這超出一般工程師所掌握的范圍，從而變得不易操作。專家系統(tǒng)不具備學(xué)習(xí)能力，知識 獲取比較困難。專家系統(tǒng)在推理時要搜索、匹配知識庫內(nèi)一定的規(guī)則集才能得出結(jié)論，所以 當(dāng)系統(tǒng)比較大時完成診斷的速度將非常慢。
[0005] 人工神經(jīng)網(wǎng)絡(luò)由于具有模擬任何連續(xù)非線性函數(shù)的能力和利用樣本學(xué)習(xí)的能力， 因而它已被用于復(fù)雜設(shè)備的故障診斷當(dāng)中。人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特 征，進行分布式并行信息處理的算法數(shù)學(xué)模型。它依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量 節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的?；谌斯ど窠?jīng)網(wǎng)絡(luò)的方法適用于故 障類型和信號之間邏輯表述困難和專家經(jīng)驗不豐富的場合，將知識的表示與獲取融于一 身，不僅能實現(xiàn)知識的自動獲取，而且有很高的推理速度。但是神經(jīng)網(wǎng)絡(luò)在使用時需要大量 的樣本來學(xué)習(xí)，且學(xué)習(xí)算法收斂的速度一般比較慢，此外知識表示隱含，不便于人類專家檢 驗，而且它的靈活性很差，系統(tǒng)的任何變化，都必須重新進行學(xué)習(xí)。
[0006] 貝葉斯網(wǎng)絡(luò)是基于概率分析、圖論的一種不確定性知識表達的推理模型，它將因 果知識和概率知識相結(jié)合來表示事物。它是一種基于網(wǎng)絡(luò)結(jié)構(gòu)的有向圖解描述，能進行雙 向并行推理，并能綜合先驗信息和樣本信息，使得推理結(jié)果更為準(zhǔn)確可信。因此，貝葉斯網(wǎng) 絡(luò)在故障診斷領(lǐng)域中的應(yīng)用具有重要意義。貝葉斯網(wǎng)絡(luò)具有清晰直觀，便于理解、發(fā)現(xiàn)數(shù)據(jù) 間的關(guān)系，在推理上有其特有的優(yōu)勢，比較適用于不確定性和不完備信息下進行有效的診 斷決策。但是貝葉斯網(wǎng)絡(luò)方法要求給出事件的先驗概率和條件概率，這些數(shù)據(jù)很難獲得，因 此應(yīng)用受到了限制。
[0007] 時間序列是一串按時間先后順序有序排列的觀測值。時間序列模式匹配是從從時 間序列數(shù)據(jù)庫中查找與給定的模式序列相同或相似的序列的過程，并分為準(zhǔn)備和匹配兩個 階段。準(zhǔn)備階段主要包括時間序列的模型表示和數(shù)據(jù)預(yù)處理;匹配階段是指在模型表示的 基礎(chǔ)上使用匹配算法進行模式匹配，并直觀地輸出結(jié)果。如果將故障診斷中的故障樣本看 作時間序列，則故障診斷問題可轉(zhuǎn)換為模式匹配問題，即可以使用時間序列模式匹配技術(shù) 來解決故障匹配問題。
[0008] 時間序列模式匹配技術(shù)為解決故障診斷問題提供了另外一條有效途徑，且該技術(shù) 對觀測值之間的相互依賴性也進行了一定程度的分析。但是模式匹配往往只是對某些特定 的數(shù)據(jù)集有效，缺乏解決實際問題的普適性。此外在模式匹配中有距離度量的需要，如何提 高序列之間距離度量的準(zhǔn)確度和效率是研究的熱點。模式匹配問題分為子序列匹配和全序 列匹配兩類，兼顧兩類問題的算法還是有限的，同時模型表示方法的有效性和相似性度量 的可靠性也是當(dāng)前亟需解決的問題。
[0009] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于趨勢特征點的電力設(shè)備故 障診斷方法，從故障樣本數(shù)據(jù)的趨勢形態(tài)特點著手進行研究，避免復(fù)雜高深專業(yè)知識獲取 困難的問題，且具有自學(xué)習(xí)能力，能自主地匹配已有故障類別。
[0010] 本發(fā)明提供了一種電力設(shè)備故障診斷方法，依次包括如下步驟：
[0011]步驟1、建立診斷模型步驟:從數(shù)據(jù)庫中獲取故障樣本信息，對經(jīng)過計算處理后的 故障樣本數(shù)據(jù)提取趨勢特征點，存儲生成故障知識庫；
[0012] 步驟2、故障診斷運行步驟:從實時數(shù)據(jù)庫中獲取異常樣本數(shù)據(jù)，對經(jīng)過計算處理 后的異常樣本數(shù)據(jù)提取趨勢特征點，然后進行異常樣本與故障樣本單測點定位和整體定 位，計算異常樣本與故障樣本相似度，最后得到異常樣本所屬故障類別，輸出最終故障診斷 結(jié)果；
[0013] 其中異常樣本與故障樣本單測點定位是將異常樣本第一個參數(shù)與故障樣本相應(yīng) 參數(shù)定位，依次以故障樣本參數(shù)每個特征點為起點滑動一定大小的窗口，取出表征窗口內(nèi) 數(shù)據(jù)形態(tài)的趨勢特征點，將趨勢特征點歸一化，然后與異常樣本參數(shù)所有特征點計算動態(tài) 時間扭曲距離DTW距離，得到一組動態(tài)時間扭曲距離DTW距離，選出最小的距離，伸縮窗口， 找到該窗口下對應(yīng)的最小的距離，最后選出最小的距離和相應(yīng)的位置，完成異常樣本單個 參數(shù)匹配；
[0014] 異常樣本與故障樣本整體定位是將固定異常樣本一個參數(shù)定位位置，取故障樣本 的與其他異常樣本參數(shù)對應(yīng)參數(shù)在該位置特征點與異常樣本該參數(shù)特征點計算動態(tài)時間 扭曲距離DTW距離，所有參數(shù)在該位置處動態(tài)時間扭曲距離DTW距離求和得到一個距離和， 在所有參數(shù)位置得到多個距離和，最小的距離和即是異常樣本與故障樣本整體的匹配位 置。
[0015]進一步地，所述步驟1具體為：
[0016]步驟1.1:從數(shù)據(jù)庫中獲取故障樣本信息；
[0017] 步驟1.2:對故障樣本數(shù)據(jù)進行平滑處理；
[0018] 步驟1.3:對平滑處理后的故障樣本數(shù)據(jù)進行歸一化處理；
[0019] 步驟1.4:對歸一化處理后的故障樣本數(shù)據(jù)提取趨勢特征點；
[0020] 步驟1.5:存儲生成故障知識庫；
[0021 ]進一步地，所述步驟(1.1)具體步驟為:選擇一個類滿足故障類型數(shù)目P 2 2且每種 故障發(fā)生次數(shù)T 2 1的設(shè)備，并確定能表征該設(shè)備運行狀態(tài)的η個參數(shù)，且對這η個參數(shù)進行 排序，此后順序保持不變，找出每種故障每次發(fā)生的起止時間，從電廠實時數(shù)據(jù)庫ΡΙ中讀取 故障樣本數(shù)據(jù)，獲取了屬于多個故障類型的k個故障樣本；
[0022] 獲取的k個故障樣本中第一個樣本，故障開始時間與結(jié)束時間內(nèi)有m個時刻，在i時 刻觀測到的設(shè)備η個參數(shù)看成一個η維的列向量，表示為：
[0023] [Xil，Xi2，Xi3, · · ·，Xin]T
[0024] 樣本看成一個mX η的矩陣，具體形式如下：
[0026]行代表m個故障時間，列代表η個設(shè)備參數(shù)，且每個故障樣本的列維度相同為η，參 數(shù)也相同，行維度m值不盡相同，同時為每個故障樣本賦予其故障類型標(biāo)識ID，故障類型標(biāo) 識ID確定方法為若全部樣本中包含X種故障，則故障類型標(biāo)識ID的數(shù)值范圍為:1~M。
[0027 ] 進一步地，所述步驟(1.2)具體步驟為：
[0028] 抽取故障樣本數(shù)據(jù)F的第一個觀測點列向量數(shù)據(jù)X1-，形式如下：
[0029] [Χ11，Χ12，Χ13, · · ·，Χ1η]Τ
[0030] 將列向量看作為數(shù)字序列，滑動時間窗口大
其中round為四舍 五入取整函數(shù)，若span為偶數(shù)，則再加1;
[0031] 確定完滑動窗口大小之后，進行實質(zhì)數(shù)據(jù)平滑操作，span = 5:
[0032] 數(shù)值xn的平滑結(jié)果:Χη = χη
[0035] 數(shù)值Χ14~Xlm-2的平滑結(jié)果：
[0038] 數(shù)值xlm的平滑結(jié)果:Xlm=xlm
[0039] 最終獲取的列向量數(shù)據(jù)的平滑結(jié)果也為一列向量，具體形式如下：
[0040] [Χη，Χ12，Χ13，· · ·，Xln]T
[0041] 故障樣本數(shù)據(jù)所有的參數(shù)依次按照上述步驟完成平滑操作，這樣故障樣本數(shù)據(jù)F 轉(zhuǎn)化為F'形式為：
[0043] 進一步地，所述步驟(1.3)具體步驟為：
[0044]抽取平滑后的故障樣本數(shù)據(jù)產(chǎn)的第一列向量數(shù)據(jù)h，形式如下：
[0045] [Χιι,Χ2ι,Χ3ι,... ,Xmi]T
[0046] 然后計算X-i的平均值講和標(biāo)準(zhǔn)差〇1，那么Xu歸一化的結(jié)果：
[0048] 最終獲取的列向量數(shù)據(jù)X4的歸一化結(jié)果也為一列向量，具體形式如下：
[0049] [aii，a2i，a3i，· · ·，ami]T
[0050] 故障樣本數(shù)據(jù)所有的參數(shù)依次按照上述步驟完成歸一化操作，這樣故障樣本數(shù)據(jù) 產(chǎn)轉(zhuǎn)化為A，形式為：
[0052]進一步地，所述步驟2具體為：
[0053]步驟2.1:從實時數(shù)據(jù)庫中獲取異常樣本數(shù)據(jù)；
[0054] 步驟2.2:對異常樣本數(shù)據(jù)進行平滑；
[0055] 步驟2.3:對平滑處理后的異常樣本數(shù)據(jù)進行歸一化處理；
[0056] 步驟2.4:對歸一化處理后的樣本數(shù)據(jù)提取趨勢特征點；
[0057] 步驟2.5:從故障知識庫抽取故障樣本趨勢特征點；
[0058]步驟2.6:異常樣本與故障樣本單測點定位；
[0059] 步驟2.7 :異常樣本與故障樣本整體定位；
[0060] 步驟2.8:計算異常樣本與故障樣本相似度；
[0061] 步驟2.9:得到異常樣本所屬故障類別，輸出最終故障診斷結(jié)果。
[0062] 進一步地，所述步驟(2.1)具體步驟為：
[0063] 通過專家或預(yù)警系統(tǒng)、集散控制系統(tǒng)DCS發(fā)現(xiàn)設(shè)備某些關(guān)鍵參數(shù)出現(xiàn)異常，進行如 下的相關(guān)操作：
[0064] (2.1.1)確定設(shè)備異常產(chǎn)生時間以和異常發(fā)現(xiàn)時間t2;
[0065] (2.1.2)確定設(shè)備n#個異常參數(shù)，這n#個異常參數(shù)包含于設(shè)備的η個參數(shù)中；
[0066] (2.1.3)根據(jù)異常產(chǎn)生時間以和異常發(fā)現(xiàn)時間t2,以及數(shù)據(jù)庫采樣頻率fs，得時間 點數(shù)m = fs X (t2_ti);
[0067] (2.1.4)獲取異常樣本數(shù)據(jù)為參數(shù)個數(shù)為η'時間點數(shù)目為m的樣本數(shù)據(jù)，在j時刻 的全部參數(shù)數(shù)據(jù)可看成一個n#維的列向量，表示為：
[0068] ，"尸，-··，~"*]
[0069]樣本數(shù)據(jù)文件包括兩部分內(nèi)容，一部分是m X f的矩陣，具體形式如下：
[0071 ]行代表m個故障時間，列代表f個設(shè)備異常參數(shù)個數(shù)；
[0072]二部分是f個異常參數(shù)在設(shè)備η個參數(shù)中的位置，形式為：
[0074] 進一步地，所述步驟(2.4)具體步驟為：
[0075] 對歸一化后的異常樣本數(shù)據(jù)同樣需要提取趨勢特征點包括局部重要點、極值點、 拐點、數(shù)據(jù)起點和終點，具