[发明专利]发电过程控制系统故障检测方法

说明书

本发明公开了一种发电过程控制系统故障检测方法，所述方法包括：用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W₀；用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H；构造基于非负矩阵分解的监控统计量和SPE_n，利用核密度估计法分别计算监控统计量和SPE_n的概率密度函数PDF，设置显著水平并分别求取统计量和SPE_n的控制限；利用所述权重系数矩阵H和经过数据处理之后的测试矩阵X_test计算得出所述测试矩阵X_test基矩阵的近似值分别计算所述测试矩阵X_test的监控统计量和SPE_n，并与相应的所述控制限比较，超过所述控制限则表明有故障发生。本发明能够针对发电过程海量运行数据进行状态监测，进而实现发电过程控制系统的故障诊断。

技术领域

本发明涉及发电技术领域，尤其涉及一种发电过程控制系统故障检测方法。

背景技术

发电过程是一类典型的复杂工业过程，对其控制系统进行故障检测与诊断已经成为控制理论研究的一个重要分支。对于复杂工业过程来说想要建立其精确的数学模型是非常困难的，但是发电过程分散控制系统(Distributed control system，DCS)与监控信息系统(Supervisory information system，SIS)已实现了生产过程的数字化，使运行数据得以长期保存。因此，利用机组正常运行的历史数据建立监视系统运行状态的模型是一个既方便又有效的方法。

如何从大量、高维的运行数据中提取有效的故障特征信息将是至关重要的问题。矩阵分解技术广泛应用于各类学科的研究中，通过矩阵分解可以将原始数据从高维空间投影到低维空间，从而发现原始数据的内在结构特征。常见的传统的矩阵分解方法有：主成分分析(Principal component analysis，PCA)，快速独立主成分分析(Fast Independentcomponent analysis，FastICA)，Fisher判据分析(Fisher discriminant analysis，FDA)等。在这些方法的计算过程中没有对数据进行非负约束使得其计算结果当中可能包含负数，这在数值计算的角度来看是没有问题的。但是，对于绝大多数工业过程来说，其运行数据都是非负的，这就在一定程度上造成了计算结果的不可解释性。同时，传统的PCA方法假设过程变量是服从高斯分布的，然而在复杂工业过程中这个假设很难成立的；Fast ICA算法对初始值的选择要求较高，如果初始值选择的不合适有可能会造成算法不收敛；FDA方法在实现过程中对数据均值信息的依赖程度很高，当处理均值变化不大的数据集时效果不理想。

为此，需要一种实现简便、分解形式和分解结果具有可解释性、以及占用存储空间少的发电过程控制系统故障检测方法。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种发电过程控制系统故障检测方法。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种发电过程控制系统故障检测方法，所述方法包括：

用主成分分析PCA法对经过降噪、标准化处理后的训练矩阵X进行矩阵分解，采用得分矩阵T作为基矩阵W的初始值W₀；

用带非负约束的交替最小二乘法迭代求解所述训练矩阵X的基矩阵W和权重系数矩阵H；

构造基于非负矩阵分解的监控统计量和SPE_n，利用核密度估计法分别计算监控统计量和SPE_n的概率密度函数PDF，设置显著水平并分别求取统计量和SPE_n的控制限；