[发明专利]基于核再生希尔伯特空间的燃气轮机故障预测方法

说明书

本发明公开了一种基于核再生希尔伯特空间的燃气轮机故障预测方法，其步骤包括：1、获取所有监测节点向量的数据集；2、将所有的向量用核函数映射的希尔伯特空间，并计算映射之后向量之间的典范相关系数；3、计算任意两个节点在给定其他节点后的偏相关系数；4、设定阈值算出强相关相关节点的搜索空间；5、在受限空间内使用爬山搜索，通过评分函数完成定向工作，确定本监控节点与其他监测节点间的因果关系；6、直到评分次数超过设定值前获得相应的监测系统因果结构图，并用于训练故障预测模型；从而得到故障预测模型，以实现对故障进行更加准确的预测。

技术领域

本发明属于数据挖掘领域，具体地说是一种基于核再生希尔伯空间检测燃气轮机故障之间的偏相关系数的燃气轮机故障预测方法。

背景技术

随着网络和技术的发展，无论是社会上还是企业中的数据都成几何倍的增长，数据的形式也越来越复杂，关于如何从庞大的数据中提取有用的数据信息的课题的研究也越来越多，显然对于企业而讲这些数据更加有商业价值，比如如何从企业的机组运行检测信息中发现当前机组运行的状态并预测将来机组状态的走势，可以有效的避免企业人力物力的损失，极大的提高企业运转的效率，因此故障诊断是一个非常值得研究的课题。

目前国内燃气轮机的监控技术越来越发达，能检测的数据量也越来越多，完全满足从数据中挖掘数据信息的要求，因此燃气轮机机组状态分析、性能监测和故障智能诊断预测研究，具有非常重要的现实意义。我们可以通过数据建模，挖掘当前燃气轮机机组运行的状态信息，进行实时的监控，进一步可以预测燃气轮机机组运行的走势，如果预测发生故障，可以根据数据建模得到的因果网络结构图进行针对性的检修，节约维修时间，提高燃气轮机机组的运行效率，帮助燃气轮机机组安全可靠的运行。然而这些监控的数据往往是非线性的不平稳的异构的，这对于数据建模是一种非常巨大的挑战，所以研究非线性之间的关系就变得非常有必要。

而描述复杂网络间关系的杰出模型就是由美国加州大学的Judea Pearl提出的基于概率论和图论的贝叶斯网络模型，并凭杰出的贡献获得2011年度图灵奖。Hoyer等对于贝叶斯网络因果模型进行更进一步扩展，提出了加性噪声模型，该模型可以建模非高斯非线性的数据。而燃气轮机机组的运行数据恰恰也是非高斯非线性的。所以，基于加性噪声模型对燃气轮机机组的运行数据进行分析是非常有意义的研究方向。至于加性噪声模型的结构学习，Hoyer等基于非线性回归和基于HSIC标准提出了识别因果结构的方法，Mooij等提出了基于HSIC回归的算法，Zhang等提出了两阶段的算法，Tillman等人提出了kPC算法，Yamada等提出了最小二乘独立性回归的方法，Mooij等提出了基于最大后验的方法，Zhang等提出一个基于核的条件独立测试，Peters等提出了基于后续独立测试的回归方法，Zhang等提出一个基于回归的条件独立型测试的方法等，Nowzohour等基于惩罚性的似然的方法等等。

目前这些方法的主要局限包括：

(1)燃气轮机的故障预测采用直接知识表示的方法，速度快，但知识库中的故障较少，面对新的故障时候就不能有效的进行故障预测，很大可能会导致诊断失误；

(2)单独的神经网络诊断方法，不能对燃气轮机系统内部的各部件关系进行准确的揭示，只能通过数据进行表面分析，这也给故障预测带来很大的不确定性。

发明内容

本发明为克服现有技术存在的不足之处，提出了一种基于核再生希尔伯特空间的燃气轮机故障预测方法，以期适应于线性和非线性的故障预测，并能提高对故障的预测准确度。

本发明为达到上述发明目的，采用如下技术方案：