基于典型变量分析与隐马尔可夫的送风机故障预测方法

权利要求书： 1.一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法，其特征在于，该方法包括以下步骤：(1)获取过程分析数据：设送风机的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)；

(2)提取能够反映送风机发生故障时其闭环控制系统动态调节过程的特征；使用以下子步骤来提取特征：

(2.1)当送风机发生故障时，在其闭环控制系统的动态调节过程中，其过程变量的值与过去一段时间的测量值有关；用CA对送风机的闭环控制系统的故障数据进行分析，提取时序相关的特征Z；CA的具体步骤如下：(2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量xp(t)和未来向量xf(t)：

T T T T Jh

xp(t)＝[xt?1 ,xt?2 ,...,xt?h]∈R (1)T T T T Jl

xf(t)＝[xt ,xt+1 ,...,xt+l?1]∈R (2)其中，h、l代表滞后数，xt表示t时刻所采集的过程变量向量；

(2.1.2)对过去向量xp(t)和未来向量xf(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵Xp和未来矩阵Xf：T T T Jh×N

Xp＝[xp(t) ,xp(t+1) ,...,xp(t+M) ]∈R (3)T T T Jl×N

Xf＝[xf(t) ,xf(t+1) ,...,xf(t+M) ]∈R (4)其中，N＝M?h?l+1；

(2.1.3)CA的目标是找到过程变量的线性组合，以最大化过去矩阵Xp和未来矩阵Xf之间的相关性；此优化问题可以通过下面的奇异值分解得到解决：其中，Σpp，Σff和Σpf分别是矩阵Xp和Xf的协方差矩阵和互协方差矩阵；对角阵Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相关值；

(2.1.4)求出状态空间和残差空间的投影矩阵：其中矩阵Uk由矩阵U的前k列组成，I为单位阵；

(2.1.5)将过去矩阵Xp投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：k×N

Z＝JXp∈R (8)Jh×N

E＝LXp∈R (9)T

(2.2)使用SFA对时序相关的特征Z进行分析，提取稳态特征S和时变特征S，分别用来表征在闭环控制系统调节下，大型火力发电机组送风机的过程变量的时序相关性和变化速度；SFA的具体步骤如下：

T

(2.2.1)对输入Z的协方差矩阵进行奇异值分解：T T

t＝OΓO(10)其中<·>t表示在时间上求均值；

T T

(2.2.2)对输入Z进行白化处理，从而使Z中的变量不相关，同时为单位方差；白化后的数据为：

其中白化矩阵

(2.2.3)对A的一阶差分 的协方差矩阵进行奇异值分解：(2.2.4)求出慢特征S:(2.2.5)将慢特征S划分成两个部分：其中R代表主导慢特征的个数，Sd为主空间，反映了时序数据的主要变化，Se为残差空间， 是由公式(12)中酉矩阵P的第1～R列构成的矩阵， 是由公式(12)中酉矩阵P的第R+1～Jh列构成的矩阵；由于送风机的闭环控制系统结构较为复杂，在采集数据的过程中受到大量噪声干扰，因此残差空间Se中多为快速变化的噪声，包含的有用信息很少，只需关注主空间Sd即可；主空间Sd中包含的特征为稳态特征，其一阶差分 为时变特征；

(3)根据送风机闭环控制系统的各个故障退化状态所经历的时间，对稳态特征Sd和时变特征 进行划分，获得相应故障状态下的稳态特征和时变特征；

(4)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库；

(5)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的CHMM模型所对应的故障退化状态即为当前送风机闭环控制系统所处的故障退化状态。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中的过程变量包括送风机风量、出口压力、电机定子温度、电机轴承温度、电机电流、控制阀位置。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中的故障包括润滑油不足、冷却器内粘附污物引起的主轴承温度过高，油泵吸入口阻塞、油箱油位过低引起的系统油压过低，叶片非工作面积灰、叶片磨损造成的振动。

说明书： 基于典型变量分析与隐马尔可夫的送风机故障预测方法技术领域[0001] 本发明属于闭环控制系统故障退化状态预测领域，特别是针对一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。

背景技术[0002] 为了实现电力的可持续发展，火力发电机组日益趋向大型化和复杂化。随着信息化和工业化的深度融合，推进大型火力发电机组的智能转型升级，是加快构建高效、清洁、

低碳、可持续的电力工业体系的必然选择。随着智能电网建设的启动，传统的发电厂已不能

适应智能电网的发展需要。智能电厂是在信息化与工业化深度融合的背景下提出的，旨在

应对互联网、大数据、云计算等信息领域新技术发展，提升电力行业的智能化水平。

[0003] 在大型火力发电机组中，送风机系统作为辅机系统之一，起着极为重要的作用。一方面，它直接关系到炉膛的安全燃烧，另一方面，它的高效率运行可以提高煤的利用率。若

其发生故障，往往会使主机主炉的正常工作受到影响，有时会造成严重事故，是电厂状态监

测的薄弱环节，也是造成大型火力发电机组非计划停机的主要原因之一。在传统检修体制

中，由于没有对送风机闭环控制系统的故障退化状态进行预测，无法动态掌握送风机的运

行状态和故障退化趋势，不能结合送风机的实际情况调节生产，不利于维修人员的管理与

决策。对送风机闭环控制系统故障退化状态进行预测可以掌握送风机在机组运行过程中的

健康状态，有助于提前给出故障处理的对策和建议，从而消除安全隐患，降低发电机组非计

划停机的风险，最大限度保障大型火力发电机组的安全可靠运行。

发明内容[0004] 本发明的目的在于提供一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法。

[0005] 本发明的目的是通过以下技术方案实现的：一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法，所述送风机主要由进气箱、主风筒、后风筒、扩

压筒、转子、轴承箱、动叶片、动叶调节器和操作机构等构成。动叶片可在静止状态或者运行

状态用液压装置改变安装角。叶轮由一个整体轴承支撑，该轴承通过润滑装置不断地输入

清洁的润滑油。为了使风机的振动不传递至进、出口管路，在两端连接处都有膨胀节，电动

机和风机用两个联轴器和一个中间轴相连。该方法包括以下步骤：

[0006] (1)获取过程分析数据：设送风机的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)，所述

过程变量包括送风机风量、出口压力、电机定子温度、电机轴承温度、电机电流、控制阀位置

等；

[0007] (2)提取能够反映送风机发生故障时其闭环控制系统动态调节过程的特征。所述故障包括润滑油不足、冷却器内粘附污物等原因引起的主轴承温度过高，油泵吸入口阻塞、

油箱油位过低等原因引起的系统油压过低，叶片非工作面积灰、叶片磨损等原因造成的振

动等。使用以下子步骤来提取特征：

[0008] (2.1)当送风机发生故障时，在其闭环控制系统的动态调节过程中，其过程变量的值与过去一段时间的测量值有关。用CA对送风机的闭环控制系统的故障数据进行分析，提

取时序相关的特征Z。CA的具体步骤如下：

[0009] (2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量xp(t)和未来向量xf(t)：

[0010] xp(t)＝[xt?1T,xt?2T,...,xt?hT]T∈RJh(1)[0011] xf(t)＝[xtT,xt+1T,...,xt+l?1T]T∈RJl(2)[0012] 其中，h、l代表滞后数，xt表示t时刻所采集的过程变量向量。[0013] (2.1.2)对过去向量xp(t)和未来向量xf(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵Xp和未来矩阵Xf：

[0014] Xp＝[xp(t)T,xp(t+1)T,...,xp(t+M)T]∈RJh×N(3)[0015] Xf＝[xf(t)T,xf(t+1)T,...,xf(t+M)T]∈RJl×N(4)[0016] 其中，N＝M?h?l+1。[0017] (2.1.3)CA的目标是找到过程变量的线性组合，以最大化过去矩阵Xp和未来矩阵Xf之间的相关性。此优化问题可以通过下面的奇异值分解得到解决：

[0018][0019] 其中，Σpp，Σff和Σpf分别是矩阵Xp和Xf的协方差矩阵和互协方差矩阵。对角阵Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相关值。

[0020] 奇异值分解(SingularalueDecomposition)是线性代数中一种重要的矩阵分解，定理如下：

[0021] 设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵，使得：[0022] A＝U*S*’[0023] 其中S＝diag(σi,σ2,……,σr)，σi>0(i＝1,…,r)，r＝rank(A)。[0024] 推论：设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵，使得：A＝U*S*’[0025] 其中S＝diag(σi,σ2,……,σr)，σi>0(i＝1,…,r)，r＝rank(A)。[0026] (2.1.4)求出状态空间和残差空间的投影矩阵：[0027][0028][0029] 其中矩阵Uk由矩阵U的前k列组成，I为单位阵。[0030] (2.1.5)将过去矩阵Xp投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：[0031] Z＝JXp∈Rk×N(8)[0032] E＝LXp∈RJh×N(9)[0033] 大型火力发电机组结构复杂，动态时变，强耦合性严重，因此大型火力发电机组送风机运行过程中采集的数据存在噪声干扰。残差矩阵E中包含了大量噪声，变量时序相关性

弱，无法表征前置泵闭环控制系统动态调节过程的特性，只需使用时序相关的部分Z进行分

析即可。

[0034] (2.2)使用SFA对时序相关的特征ZT进行分析，提取稳态特征S和时变特征 分别用来表征在闭环控制系统调节下，大型火力发电机组送风机的过程变量的时序相关性和变

化速度。SFA的具体步骤如下：

[0035] (2.2.1)对输入ZT的协方差矩阵进行奇异值分解：[0036] t＝OΓOT(10)[0037] 其中<·>t表示在时间上求均值。[0038] (2.2.2)对输入ZT进行白化处理，从而使ZT中的变量不相关，同时为单位方差。白化后的数据为：

[0039][0040] 其中白化矩阵[0041] (2.2.3)对A的一阶差分 的协方差矩阵进行奇异值分解：[0042][0043] (2.2.4)求出慢特征S:[0044][0045] (2.2.5)将慢特征S划分成两个部分：[0046][0047][0048][0049] 其中R代表主导慢特征的个数，Sd为主空间，反映了时序数据的主要变化，Se为残差空间。由于送风机的闭环控制系统结构较为复杂，在采集数据的过程中受到大量噪声干扰，

因此残差空间Se中多为快速变化的噪声，包含的有用信息很少，只需关注主空间Sd即可。主

空间Sd中包含的特征为稳态特征，其一阶差分 为时变特征。

[0050] (3)大型火力发电机组送风机大多数故障的劣化过程缓慢，故障发生前期，在其闭环控制系统的动态调节作用下，送风机仍然能够正常工作；当故障不断劣化，超出闭环控制

系统的调节范围时，送风机的故障状态开始显露并不断恶化。因此，可以根据送风机闭环控

制系统的各个故障退化状态所经历的时间，对稳态特征Sd和时变特征 进行划分，获得相

应故障状态下的稳态特征和时变特征。

[0051] (4)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库。

[0052] (5)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的

CHMM模型所对应的故障退化状态即为当前闭环控制系统所处的故障退化状态。

[0053] 本发明的有益效果在于：针对大型火力发电机组送风机，本发明提出了一种闭环控制系统故障退化状态预测方法。使用CA和SFA相结合的方法来提取特征，由于大型火力

发电机组送风机的闭环控制系统结构复杂，运行过程中受到大量噪声干扰，因此只对CA的

状态空间和SFA的主空间进行分析，所提取的特征可以排除噪声的干扰，更加充分地展现了

故障发生时闭环控制系统动态调节过程中变量的时序相关性和变化速度，全面反映了在闭

环控制系统调节下整个故障退化过程的特性。使用CHMM模型来预测大型火力发电机组送风

机的闭环控制系统故障退化状态可以实现对火电机组的及时调整，从而避免恶性故障的发

生。

附图说明[0054] 图1(a)是本发明离线训练的流程图，图1(b)是本发明在线预测的流程图；[0055] 图2(a)是提取的部分稳态特征S的效果图，图2(b)是提取的部分时变特征 的效果图。

[0056] 图3是本方法的故障退化状态预测结果。具体实施方式[0057] 下面结合附图及具体实例，对本发明作进一步详细说明。[0058] 火力发电作为国民经济中最重要的基础产业之一，是衡量一个国家的经济水平和综合国力的重要指标。大型火力发电机组中存在大量闭环控制系统，其中送风机主要由进

气箱、主风筒、后风筒、扩压筒、转子、轴承箱、动叶片、动叶调节器和操作机构等构成。动叶

片可在静止状态或者运行状态用液压装置改变安装角。叶轮由一个整体轴承支撑，该轴承

通过润滑装置不断地输入清洁的润滑油。为了使风机的振动不传递至进、出口管路，在两端

连接处都有膨胀节，电动机和风机用两个联轴器和一个中间轴相连。在推动智能电厂发展

的过程中，对送风机的闭环控制系统故障退化状态预测方法的研究具有重要意义。本发明

以嘉华火力发电厂3号机组为例，该机组的功率为10000MW。其送风机的闭环控制系统中包

含了33个过程变量。

[0059] 如图1所示，本发明是一种基于典型变量分析与隐马尔可夫的智能电厂送风机故障退化状态预测方法，包括以下步骤：

[0060] (1)获取过程分析数据：设送风机的闭环控制系统中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个故障退化过程下的二维矩阵X(M×J)，所述

过程变量包括送风机风量、出口压力、电机定子温度、电机轴承温度、电机电流、控制阀位置

等。本实例是由送风机自由端支撑轴承磨损引起的自由端支撑轴承温度升高。对整个故障

退化过程数据采集2232个样本，33个过程变量。所以训练数据样本为X(2232×33)。

[0061] (2)提取能够充分反映送风机发生故障时，其闭环控制系统动态调节过程的特征，该步骤包括以下子步骤：

[0062] (2.1)当送风机发生故障时，在其闭环控制系统的动态调节过程中，其过程变量的值与过去一段时间的测量值有关。用CA对送风机的闭环控制系统的故障数据进行分析，提

取时序相关的特征Z。CA的具体步骤如下：

[0063] (2.1.1)为了考虑数据的时序相关性，在每个时间点t，按如下方式构造过去向量xp(t)和未来向量xf(t)：

[0064] xp(t)＝[xt?1T,xt?2T,...,xt?hT]T∈RJh(1)[0065] xf(t)＝[xtT,xt+1T,...,xt+l?1T]T∈RJl(2)[0066] 其中，h、l代表滞后数，xt表示t时刻所采集的过程变量向量。可以通过检查过程变量平方和的自相关性来确定滞后数h和l，当时间距离大于确定的滞后数时可以忽略过程变

量的自相关性。本实例采用此方法确定h＝l＝6，得到过去向量xp(t)(198×1)，未来向量xf(t)

(198×1)。

[0067] (2.1.2)对过去向量xp(t)和未来向量xf(t)进行标准化，然后将不同时刻的过去向量和未来向量按如下形式排列成过去矩阵Xp和未来矩阵Xf：

[0068] Xp＝[xp(t)T,xp(t+1)T,...,xp(t+M)T]∈RJh×N(3)[0069] Xf＝[xf(t)T,xf(t+1)T,...,xf(t+M)T]∈RJl×N(4)[0070] 其中，N＝M?h?l+1＝2221，Xp(198×2221)，Xf(198×2221)。[0071] (2.1.3)CA的目标是找到过程变量的线性组合，以最大化过去矩阵Xp和未来矩阵Xf之间的相关性。此优化问题可以通过下面的奇异值分解得到解决：

[0072][0073] 其中，Σpp，Σff和Σpf分别是矩阵Xp和Xf的协方差矩阵和互协方差矩阵。对角阵Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相关值。

[0074] (2.1.4)求出状态空间和残差空间的投影矩阵：[0075][0076][0077] 其中矩阵Uk由矩阵U的前k列组成，I为单位阵。典型变量个数k由累计相关性比例决定。在本实例中，取β＝60％，此时k＝62。

[0078] (2.1.5)将过去矩阵Xp投影到状态空间和残差空间得到状态矩阵Z和残差矩阵E：[0079] Z＝JXp∈Rk×N(8)[0080] E＝LXp∈RJh×N(9)[0081] 其中，Z(62×2221)，E(198×2221)。大型火力发电机组结构复杂，动态时变，强耦合性严重，因此大型火力发电机组送风机运行过程中采集的数据存在噪声干扰。残差矩阵E

中包含了大量噪声，变量时序相关性弱，无法表征前置泵闭环控制系统动态调节过程的特

性，只需使用时序相关的部分Z进行分析即可。

[0082] (2.2)使用SFA对时序相关的特征ZT进行分析，提取稳态特征S和时变特征 分别用来表征在闭环控制系统调节下，大型火力发电机组送风机的过程变量的时序相关性和变

化速度。SFA的具体步骤如下：

[0083] (2.2.1)对输入ZT的协方差矩阵进行奇异值分解：[0084] t＝OΓOT(10)[0085] 其中<·>t表示在时间上求均值。[0086] (2.2.2)对输入ZT进行白化处理，从而使ZT中的变量不相关，同时为单位方差。白化后的数据为：

[0087][0088] 其中白化矩阵[0089] (2.2.3)对A的一阶差分 的协方差矩阵进行奇异值分解：[0090][0091] (2.2.4)求出慢特征S:[0092][0093] (2.2.5)将慢特征S划分成两个部分：[0094][0095][0096][0097] 其中R代表主导慢特征的个数，Sd为主空间，反映了时序数据的主要变化，Se为残差空间。由于送风机的闭环控制系统结构较为复杂，在采集数据的过程中受到大量噪声干扰，

因此残差空间Se中多为快速变化的噪声，包含的有用信息很少，只需关注主空间Sd即可。主

空间Sd中包含的特征为稳态特征，其一阶差分 为时变特征。在本实例中，取R＝45，此时稳

态特征Sd(2221×45)，时变特征 根据其有效性保留前15个。

[0098] (3)根据送风机闭环控制系统的各个故障退化状态所经历的时间，对稳态特征Sd和时变特征 进行划分，获得相应故障状态下的稳态特征和时变特征。在本实例中，智能电

厂大型火力发电机组送风机的闭环控制系统一共经历了3个故障退化状态，因此按其各个

故障退化状态所经历的时间将稳态特征S和时变特征 划分成3部分。

[0099] (4)建立模型：使用各个故障状态下的稳态特征和时变特征来训练对应的故障退化状态的CHMM模型，建立包含各个故障退化状态CHMM模型的故障退化状态库。在本实例中，

需要训练3个CHMM模型，分别代表故障退化状态1(CHMM1)、故障退化状态2(CHMM2)和故障退

化状态3(CHMM3)。

[0100] (5)在线预测：对于实时采集的数据，采用步骤(2)所述的方式提取特征，然后将提取的特征分别输入故障退化状态库中的CHMM模型中，比较其输出的概率，输出概率最大的

CHMM模型所对应的故障退化状态即为当前闭环控制系统所处的故障退化状态。图3展示了

在线预测的结果。

[0101] 表1预测结果与真实结果对比[0102] 故障退化状态1 故障退化状态2 故障退化状态3真实结果 t＜510 510＜t＜1514 t＞1514

预测结果 t＜535 535＜t＜1535 t＞1535

[0103] 由上表可以看出，本发明具有很高的预测精度。首先，在提取特征时，通过CA提取出过程变量中时序相关的部分，然后使用SFA对时序相关的部分进行分析来提取稳态特征

和时变特征。该特征提取的方法可以充分展现故障发生时闭环控制系统动态调节过程中变

量的时序相关性和变化速度，全面反映了在闭环控制系统调节下整个故障退化过程的特

性。其次，准确预测送风机的闭环控制系统故障退化状态可以实现对火电机组的及时调整，

从而避免恶性故障的发生。除了个别突变故障，送风机在其闭环控制系统的调节下，从正常

运行到出现故障征兆再到发生故障灾害是一个较慢的过程，若早期发现，准确预测设备性

能退化趋势，可以减少事故发生概率，进一步提高系统运行的安全性、可靠性和有效性。