[发明专利]基于秩次相关的因果结构图的燃气轮机故障预测方法

权利要求书

1.一种基于秩次相关的因果结构图的燃气轮机故障预测方法，是应用于燃气轮机系统中，并获取燃气轮机n个监测点X＝{X₁,X₂,…,X_i,…,X_n}的燃气轮机运行数据集D＝{D₁,D₂,…,D_i,…,D_n}，其中，X_i表示第i个监测点；D_i表示第i个监测点X_i的运行数据；并有，表示第i个监测点X_i的运行数据D_i中第k个样本；i＝1,2,…,n，k＝1,2,...,m，m表示运行数据的样本总数；其特征是，所述燃气轮机故障预测是按如下步骤进行：

步骤1、定义第i个监测点X_i的候选节点集为PN(X_i)；并初始化PN(X_i)＝φ；初始化i＝0；

步骤2、定义秩次相关假设检验的阈值为K_α；定义循环值j，并初始化j＝2；

步骤3、将i+1赋值给i，判断i≤n是否成立，若成立，从燃气轮机运行数据集D中从燃气轮机运行数据集D中取第i个监测点X_i的运行数据D_i；否则，表示获得每个监测点的候选节点集，并执行步骤8；

步骤4、对第j个监测点X_j与第i个监测点X_i进行秩次相关系数计算，得到秩次相关系数r_ij；

步骤5、对所述秩次相关系数r_ij进行假设检验，从而计算数据集的显著性水平值p_ij；

步骤6、若p_ij≥K_α，则表示第j个监测点X_j与第i个监测点X_i没有相关性，若p_ij＜K_α，则表示第j个监测点X_j与第i个监测点X_i有相关性，并第j个监测点X_j加入到候选节点集PN(X_i)中；

步骤7、将j+1赋值给j，并判断j＞n是否成立，若成立，则执行步骤3；否则返回步骤5执行；

步骤8、定义监测点评分次数为ENu；并初始化ENu＝0；定义最大评分次数为MaxIter；

步骤9、将ENu+1赋值给ENu，若ENu＜MaxIter，则对每个监测点的候选节点集使用爬山搜索法进行定向后，返回步骤9执行；否则，执行步骤10；

步骤9.1、利用式(6)构建评分函数MDL：

式(6)中，评分函数MDL由数据的拟合优度和网络复杂度共同决定；Pa(X_j)表示第j个监测点的相关监测点集；表示第j个监测点X_j的自由变量个数，是第j个变量θ_j在表示NLL(X_j,Pa(X_j),θ_j)取最小值时的最大似然估计，并有：

式(7)中，NLL(X_j,Pa(X_j),θ_j)表示第j个监测点X_j在具有相关监测点集Pa(X_j)和第j个变量θ_j时的评分；

步骤9.3、利用式(8)计算第j个监测点X_j在具有相关监测点集Pa(X_j)和参数时的评分

式(8)中，x_jk表示第j个监测点X_j在第k个样本的实际取值，pa(x_jk)表示第j个监测点X_j在其相关监测点集Pa(X_j)在第k个样本的实际取值；是第j个监测点X_j在其相关监测点集Pa(X_j)取值为pa(x_jk)和权值为时，计算得出的预测值；

步骤9.4、定义rs表示重新搜索，并初始化rs为1；

定义G minScore和G minGraph分别表示最小MDL评分及其对应的网络，并初始化GminScore为无穷大，定义Iter表示迭代的次数，并初始化为0；

步骤9.5、将Iter+1赋值给Iter，若rs＝1，则表示执行重新搜索；并执行步骤9.6；若rs＝0时表示不执行重新搜索；

步骤9.6、在每个监测点的候选节点集中随机添加边，当出现环，则停止添加边，并去除形成环所对应的边后得到第Iter次迭代的初选网络；计算所述第Iter次迭代的初选网络的得分GraphScore_Iter，并更新评分次数ENu为ENu+n；

步骤9.7、将GraphScore_Iter赋值给第Iter次迭代的局部最优得分LminScore，并令rs＝0；

步骤9.8、判断LminScore＞GminScore是否成立，若成立，则执行步骤9.9，否则，执行步骤9.12；

步骤9.9、对第Iter次迭代的初选网络分别进行所有可能的添加边、删除边、逆置边的操作，并计算每一次操作后的网络的评分函数MDL的下降幅度，从而对第Iter次迭代的初选网络进行下降幅度最大的操作，得到第Iter次迭代操作后的网络；并得到所有可能的添加边、删除边、逆置边操作的评分次数记为AddENu、DelENu、RevENu；

步骤9.10、计算所述第Iter次迭代操作后的网络的得分GraphScore_Iter，并将ENu+AddENu+DelENu+RevENu后赋值给ENu，从而更新评分次数；

步骤9.11、判断GraphScore_Iter小于LminScore是否成立，若成立，则将GraphScore_Iter赋值给LminScore，并令rs＝1后，返回步骤9.5执行；否则，执行步骤9.12；

步骤9.12、判断LminScore小于GminScore是否成立，若成立，将LminScore赋值给GminScore，则所述第Iter次迭代操作后的赋给GminGraph；

步骤9.13、判断ENu小于MaxIter是否成立，若成立，返回步骤9.5执行，否则输出GminScore和GminGraph，其中GminGraph即为最终获得的监测点关系网络图；

步骤10、根据定向结果获得由监测点构成的监测点关系网络图，其中，所述监测点关系网络图的每个监测点的父节点和子节点都是相应监测点的相关监测点；

步骤11、任意选择一个监测点的运行数据，并作为LSTM神经网络模型的输出，再将与所选择的监测点的相关监测点作为LSTM神经网络模型的输入，从而训练LSTM神经网络模型，从而得到一个故障预测模型；

步骤12、实时监测任意一个监测点的运行状态并获得相应的燃气轮机运行数据集，再利用所述故障预测模型得到实时监测的监测点的预测值，从而将所述预测值与实时监测的监测点的真实值进行比较，当超过所设定的阈值，则表示相应监测点可能发生故障，并给出预警提示。