论文部分内容阅读
摘 要：现代汽轮机由于结构紧凑，复杂，运行工況恶劣，导致传统的监测手段无法准确地反映设备的运行状态。传感器由于各个部件之间的耦合影响导致采样数据不稳定、不确定，也不能及时反映该部件的运行状态。因此，基于变工况条件下的实际运行问题，本文提出了基于独立成分分析的汽轮机状态监测方法。该方法能够将各个部件之间的互相影响进行分离，从而得到定义该部件运行的稳定状态参数。经过实验对比，发现利用经过独立成分分析的数据进行状态监测和异常检测，其模型误差要比利用原始数据的误差小30%。因此，该方法针对大型变工况汽轮机的状态监测具有很大的实际指导意义。
关键词：独立成分分析 异常检测 神经网络 汽轮机状态监测
中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2019）02（a）-0094-02
汽轮机状态监测由来已久，目前主要的监测主要包括振动监测、燃烧监测、通流部分效率监测、回热系统监测等。由于火力发电是由包含锅炉、汽轮机、发电机和辅机组成的整体，单个设备或者部件的状态受其他部件的影响很大，尤其当处于调峰状态时，这种影响会更加明显，从而导致监测结果不能实际反映设备或者部件真实的运行状态。为了解决这一问题，本文引入独立成分分析（ICA）这一技术解决目前存在的难题。独立成分分析（Independent Component Analysis）已经成为近年来神经网络、高级统计学和信号处理学领域最令人振奋的主题之一。ICA源于对客观物理世界的抽象，它能够快速有效的解决很多问题。本文中，汽轮机各个部件观测变量的耦合可以通过ICA进行解耦。
最先提出独立成分分析（以下简称ICA）技术的是J.Herault，C.Jutten和B.Ans， J.F.Gardoso和P.como在1989年召开的高阶谱分析的国际会议上发表了ICA方面早期的文章。J.F.Gardoso使用代数方法，特别是高阶累积张量，最终形成了JADE算法。之后，20世纪80年代科学家的工作被一些研究者进一步扩展。A.Cich300ocki和R.Unbehauen首先提出了基于神经网络和粗糙学习的ICA算法。
1 独立成分分析原理
由于ICA模型的估计本身就比较困难，所以本章的ICA模型的分析和实验不引入噪声项。实际上，在汽轮机数据分析中，噪声项一般是服从高斯分布的，即使建立了带噪声的ICA模型，也很难将噪声估计出来。目前有多种手段可以对ICA模型进行估计，本文采取的方法是极大化非高斯性的ICA估计方法。
2 实验设计与结果分析
类似于“盲源分离”问题，本文研究的目的是寻找影响汽轮机运行状态的独立分量，数据来自于某电厂的东汽330MW亚临界机组，除此之外，我们并没有更多的信息有助于汽轮轮机运行状态的独立变量分离。ICA算法是寻找系统中特征之间的独立分量。特征之间的不独立（严格意义上说存在相关性）意味着一个特征可以由其他特征进行线性或非线性表出，这就说明，这个特征对于一个决策系统来说是冗余的，因为此特征所具备的全部信息都可由其他特征表示。
本文根据ICA理论，利用MATLAB的FastICA工具箱进行实验。利用FastICA算法设计汽轮机数据独立成分分析的实验，分析了在选择不同独立分量的数目时模型输出的不同，并利用独立分量进行汽轮机效率下降的预测诊断，并通过对原始数据进行诊断的效果进行对比。
2.1 基于FastICA的汽轮机数据独立成分分析
汽轮机原始数据是从SIS系统中导出，时间为2016年1月1日至2月1日，原始数据包含汽水系统的所有测点。在实验中，一共47个测点为观测输入到ICA模型中。每次通过FastICA迭代只能求出一个独立成分，若要估计多个独立成分，可以设置多元初始向量进行循环迭代。同时，为了避免避免不同向量收敛到同一个极值点，要在每次迭代后将进行正交化，最终可以得到n个不同的独立成分。
实验设计中存在的另一个问题是：有多少个独立成分需要估计？因为汽轮机运行状态的影响因素并不确定，其中蕴涵的独立分量也不明确，所以在实验中需要经过一番探索，才能找到独立分量的个数。实验的一个基本思路是：逐个假设独立成分的个数，直到迭代最终出现多个向量收敛于一个极值点，表明独立成分已经全部估计出来了。
2.2 实验结果与分析
实验结果首先分析了当设置不同的独立成分时模型的输出，寻找到影响汽轮机运行状态的独立因素;然后将估计出的主成分对汽轮机进行效率拟合，最后利用拟合模型和利用原始数据计算汽轮机内效率的模型进行对比。
由于影响汽轮机系统运行的独立成分个数并不清楚，实验中采用逐个添加初始向量的方法寻找独立成分的个数。实验发现，当i>6时，估计出的独立成分开始发生重复。
经过ICA分析后，本文进一步将独立成分对汽轮机高中压缸效率进行拟合，并利用拟合模型对效率进行监测。同时也利用传统方法对汽轮机效率进行监测，比较两种情况下效率的变化情况和实际操作记录中的故障案例进行对比。拟合模型采用MATLAB神经网络工具包，输入维度为6，隐含层3层，目标输出为高压缸效率。
分别利用ICA得到的参数和原始观测参数建立效率监测模型，然后利用两个模型对测试数据效果的对比来分析两种模型的精确度。 在本文使用的数据中，訓练集和测试集采用交叉验证的方式，一共分为10组，最后的结果为10组的平均值。通过对训练的神经网络模型对高压缸效率进行测试，利用ICA得到的数据和原始数据建模后的结果分别如图1和图2所示。
可以看出，采用ICA数据建立的效率估计模型能够更好的反映设备真实效率的变化，通过这种模型可以更好的对汽轮机高压缸进行异常检测。同样的针对其他设备，也可以利用类似的方法进行建模。
3 结语
本文利用独立成分分析的方法，提取出6个影响汽轮机运行状态的独立参数。然而，对于汽轮机这种复杂的非线性系统，利用ICA进行独立成分提取的数据进行建模或者异常检测要比直接用原始数据更加有效。
汽轮机的观测数据必然是汽轮机内部状态参数共同作用产生的，每个状态参数之间既相互联系，也相互独立。对于相互联系的变量，可以用有限个观测变量的主成分分析找到，而独立变量的提取则可以利用独立成分分析来解决。其次，从信号处理的角度说，ICA分析也是一个压缩、去噪的过程。可以利用ICA进行特征提取，本文的工作实际上也是对原始的数据进行的特征提取，只不过这些特征是相互独立的。与此同时，提取到特征的噪声被基本消除了。因此独立成分分析能够将各个部件之间的互相影响进行分离，从而得到定义该部件运行的稳定状态参数，这对汽轮机状态监测是十分重要的。因此这类方法对汽轮机异常检测和状态监测具有很强的实际指导意义。
参考文献
[1] B.Ans， J.Herault， and C.Jutten. Adaptive neural architectures： detection of primitives [C]. Paris， France， 1985.
[2] C.Jutten. Source separation： from dusk till dawn[C]. In Proc. 2nd Int. Workshop on Independent Component Analysis and Blind Source Separation （ICA’2000）， pages 15-26， Helsinki， Finland， 2000.
[3] J.F.Cardoso. Blind identification of independent signals[C]. In Proc. Workshop on Higher-Order Specral Analysis， Vail， Colorado， 1989.
关键词：独立成分分析 异常检测 神经网络 汽轮机状态监测
中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2019）02（a）-0094-02
汽轮机状态监测由来已久，目前主要的监测主要包括振动监测、燃烧监测、通流部分效率监测、回热系统监测等。由于火力发电是由包含锅炉、汽轮机、发电机和辅机组成的整体，单个设备或者部件的状态受其他部件的影响很大，尤其当处于调峰状态时，这种影响会更加明显，从而导致监测结果不能实际反映设备或者部件真实的运行状态。为了解决这一问题，本文引入独立成分分析（ICA）这一技术解决目前存在的难题。独立成分分析（Independent Component Analysis）已经成为近年来神经网络、高级统计学和信号处理学领域最令人振奋的主题之一。ICA源于对客观物理世界的抽象，它能够快速有效的解决很多问题。本文中，汽轮机各个部件观测变量的耦合可以通过ICA进行解耦。
最先提出独立成分分析（以下简称ICA）技术的是J.Herault，C.Jutten和B.Ans， J.F.Gardoso和P.como在1989年召开的高阶谱分析的国际会议上发表了ICA方面早期的文章。J.F.Gardoso使用代数方法，特别是高阶累积张量，最终形成了JADE算法。之后，20世纪80年代科学家的工作被一些研究者进一步扩展。A.Cich300ocki和R.Unbehauen首先提出了基于神经网络和粗糙学习的ICA算法。
1 独立成分分析原理
由于ICA模型的估计本身就比较困难，所以本章的ICA模型的分析和实验不引入噪声项。实际上，在汽轮机数据分析中，噪声项一般是服从高斯分布的，即使建立了带噪声的ICA模型，也很难将噪声估计出来。目前有多种手段可以对ICA模型进行估计，本文采取的方法是极大化非高斯性的ICA估计方法。
2 实验设计与结果分析
类似于“盲源分离”问题，本文研究的目的是寻找影响汽轮机运行状态的独立分量，数据来自于某电厂的东汽330MW亚临界机组，除此之外，我们并没有更多的信息有助于汽轮轮机运行状态的独立变量分离。ICA算法是寻找系统中特征之间的独立分量。特征之间的不独立（严格意义上说存在相关性）意味着一个特征可以由其他特征进行线性或非线性表出，这就说明，这个特征对于一个决策系统来说是冗余的，因为此特征所具备的全部信息都可由其他特征表示。
本文根据ICA理论，利用MATLAB的FastICA工具箱进行实验。利用FastICA算法设计汽轮机数据独立成分分析的实验，分析了在选择不同独立分量的数目时模型输出的不同，并利用独立分量进行汽轮机效率下降的预测诊断，并通过对原始数据进行诊断的效果进行对比。
2.1 基于FastICA的汽轮机数据独立成分分析
汽轮机原始数据是从SIS系统中导出，时间为2016年1月1日至2月1日，原始数据包含汽水系统的所有测点。在实验中，一共47个测点为观测输入到ICA模型中。每次通过FastICA迭代只能求出一个独立成分，若要估计多个独立成分，可以设置多元初始向量进行循环迭代。同时，为了避免避免不同向量收敛到同一个极值点，要在每次迭代后将进行正交化，最终可以得到n个不同的独立成分。
实验设计中存在的另一个问题是：有多少个独立成分需要估计？因为汽轮机运行状态的影响因素并不确定，其中蕴涵的独立分量也不明确，所以在实验中需要经过一番探索，才能找到独立分量的个数。实验的一个基本思路是：逐个假设独立成分的个数，直到迭代最终出现多个向量收敛于一个极值点，表明独立成分已经全部估计出来了。
2.2 实验结果与分析
实验结果首先分析了当设置不同的独立成分时模型的输出，寻找到影响汽轮机运行状态的独立因素;然后将估计出的主成分对汽轮机进行效率拟合，最后利用拟合模型和利用原始数据计算汽轮机内效率的模型进行对比。
由于影响汽轮机系统运行的独立成分个数并不清楚，实验中采用逐个添加初始向量的方法寻找独立成分的个数。实验发现，当i>6时，估计出的独立成分开始发生重复。
经过ICA分析后，本文进一步将独立成分对汽轮机高中压缸效率进行拟合，并利用拟合模型对效率进行监测。同时也利用传统方法对汽轮机效率进行监测，比较两种情况下效率的变化情况和实际操作记录中的故障案例进行对比。拟合模型采用MATLAB神经网络工具包，输入维度为6，隐含层3层，目标输出为高压缸效率。
分别利用ICA得到的参数和原始观测参数建立效率监测模型，然后利用两个模型对测试数据效果的对比来分析两种模型的精确度。 在本文使用的数据中，訓练集和测试集采用交叉验证的方式，一共分为10组，最后的结果为10组的平均值。通过对训练的神经网络模型对高压缸效率进行测试，利用ICA得到的数据和原始数据建模后的结果分别如图1和图2所示。
可以看出，采用ICA数据建立的效率估计模型能够更好的反映设备真实效率的变化，通过这种模型可以更好的对汽轮机高压缸进行异常检测。同样的针对其他设备，也可以利用类似的方法进行建模。
3 结语
本文利用独立成分分析的方法，提取出6个影响汽轮机运行状态的独立参数。然而，对于汽轮机这种复杂的非线性系统，利用ICA进行独立成分提取的数据进行建模或者异常检测要比直接用原始数据更加有效。
汽轮机的观测数据必然是汽轮机内部状态参数共同作用产生的，每个状态参数之间既相互联系，也相互独立。对于相互联系的变量，可以用有限个观测变量的主成分分析找到，而独立变量的提取则可以利用独立成分分析来解决。其次，从信号处理的角度说，ICA分析也是一个压缩、去噪的过程。可以利用ICA进行特征提取，本文的工作实际上也是对原始的数据进行的特征提取，只不过这些特征是相互独立的。与此同时，提取到特征的噪声被基本消除了。因此独立成分分析能够将各个部件之间的互相影响进行分离，从而得到定义该部件运行的稳定状态参数，这对汽轮机状态监测是十分重要的。因此这类方法对汽轮机异常检测和状态监测具有很强的实际指导意义。
参考文献
[1] B.Ans， J.Herault， and C.Jutten. Adaptive neural architectures： detection of primitives [C]. Paris， France， 1985.
[2] C.Jutten. Source separation： from dusk till dawn[C]. In Proc. 2nd Int. Workshop on Independent Component Analysis and Blind Source Separation （ICA’2000）， pages 15-26， Helsinki， Finland， 2000.
[3] J.F.Cardoso. Blind identification of independent signals[C]. In Proc. Workshop on Higher-Order Specral Analysis， Vail， Colorado， 1989.