本发明属于工业过程状态监测及预警领域，尤其涉及一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法。
背景技术：
汽轮机是电力生产中的重要设备，其设备结构复杂、运行环境恶劣，汽轮发电机组的故障率不低，一旦发生故障就会造成极大的经济影响。传统的汽轮机高压缸运行状态监测技术主要依赖于机理建模，但机理建模方法在汽轮机设备日益复杂的情况下越发乏力，而且一旦工况发生动态变化，就得重新建模，不仅费时费力，还有一定的安全隐患。
随着数据库技术的迅速发展以及数据库管理系统的广泛应用，发电企业积累的汽轮机高压缸运行数据越来越多。而参数关联性智能分析作为一种数据驱动的方法，可以直接从海量的数据中发掘有用的信息，从而进行自动化高效化的设备运行状态监测。
技术实现要素：
针对汽轮机高压缸运行状态监测及预警的现状，结合参数关联性智能分析理论在工业过程数据分析中的潜在应用，本发明提出了一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法，可应用于发电企业对于汽轮机高压缸运行状态的监控及预警。
本发明解决技术问题所采用的技术方案如下：一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法，该方法包括如下步骤：
步骤1：设计汽轮机高压缸的机械模型，针对每种模型选择对应的相关测点作为模型变量；
步骤2：针对不同的模型，从对应的汽轮机高压缸正常运行历史数据中选择部分具有代表性的数据组成状态矩阵d，从而构建估计模型；
步骤3：基于参数关联性智能分析原理对汽轮机高压缸实际运行数据进行估计；
步骤4：根据对汽轮机高压缸运行数据的预估值和实际值之间的差值来判断是否存在异常及是否需要进行预警。
进一步的，步骤2中所述的组成状态矩阵d的步骤包括：
步骤2.1：对于特定的高压缸机械模型中的n个变量，选择一段时间(通常为1年)中设备正常运行期间的历史数据作为建模候选数据；
步骤2.2：令候选数据集为x，那么在时刻i处采样得到的向量x(i)为各变量在时刻i的值构成的向量，即：
x(i)＝[x1，x2，...，xn]t
步骤2.3：根据最大最小值原理，对n个变量的历史数据进行筛选，使得每个变量都能在其取值范围内均匀的采样；
步骤2.4：由上述步骤2.1-步骤2.3选出的m条数据构成状态矩阵d，记为
进一步的，步骤3中所述的估计步骤包括：
步骤3.1：对于高压缸实际运行数据，每一时刻对应一个向量xin，由模型中每个传感器的一个单独读数构成：
xin＝[x1inx2in...xnin]t
将输入向量xin与在状态矩阵d中的每一个向量的关联程度进行比较从而得到关联向量a
步骤3.2：把代表关联程度的关联向量转化为权重向量w：
w0＝g-1·a
其中，
其中，sk表示每个变量的标准差；
步骤3.3：通过样本和权重的线性组合产生估计值：
xout＝d·w
即：
进一步的，步骤4中所述的差值需要给每个变量设定一个对应的阈值，当估计值和实际值的差值超过该阈值时说明产生异常，即进行预警。
进一步的，模型(即状态矩阵d)的效果可以通过交叉验证法来进行验证，即在步骤3.1中以所有正常历史数据中除去状态矩阵d所包含的数据为输入来进行预估，预估精度越高则说明模型效果越好。
进一步的，在交叉验证过程中，如果预估结果较差，那么将预估结果较差的时刻对应的向量加入状态矩阵d；如果预估结果较好，则可以适当除去一些比较类似的向量，以提高预估计算速率。
通过以上步骤，本发明可以准确而高效地进行汽轮机高压缸运行状态监测及预警。
本发明的有益效果如下：本发明采用一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法，以参数关联性智能分析原理为基础，进行改进和优化，将汽轮机高压缸历史正常运行数据作为训练数据进行建模，从而对实时数据进行估计，通过实际值与预估值的偏差大小来判断各变量是否发生异常，以达到预警的目的，使得汽轮机高压缸运行状态得到有效的监控，在异常发生时能够及时进行预警，在故障发生前及时采取措施，从而大大提高设备运行过程的安全性和经济性。
附图说明
图1为模型交叉验证结果图(预估值和实际值)；
图2为模型交叉验证结果图(相对误差和绝对误差)；
图3为异常时段预估结果图。
具体实施方式
下面结合具体实验对本发明的步骤进行详细说明，并验证其正确性和高效性。本实验数据来自浙能能源集团某机组高压缸hp热膨胀l偏差大历史预警案例。该案例详细描述了热膨胀l偏差大异常情况的发生过程，并提供了一年的历史数据供分析。该案例大致描述如下：12月18日，#2机hp热膨胀l从25.5mm缩小至22mm，而热膨胀r及其他相关参数趋势图并无明显变化，可以排除运行工况变化、本体设备故障、滑销系统卡涩所致，估计是测量信号引起的异常。在该案例对应的时间段内，前半段时间设备运行正常，自从12月18日之后则开始出现异常。基于本案例的正常工况进行建模，然后对案例对应的时间段的数据进行预估，通过预估结果来看本方法是否能够有效地监测出异常状况。
该案例的原始数据包括了高压缸hp热膨胀l对应的9个变量的正常工况运行数据和案例中异常时段的数据。
下面根据本发明的步骤对于案例进行分析：
步骤1：根据汽轮机高压缸机械模型选择hp热膨胀l及其相关联的8个参数作为模型变量，总共9个变量；
步骤2：针对汽轮机高压缸hp热膨胀模型，从对应的汽轮机高压缸正常运行历史数据中选择部分具有代表性的数据组成状态矩阵d，从而构建估计模型。
(1)对于特定的高压缸机械模型中的9个变量，选择一年中设备正常运行期间的历史数据作为建模候选数据；
(2)令候选数据集为x，那么在时刻i处采样得到的向量x(i)为各变量在时刻i的值构成的向量，即
x(i)＝[x1，x2，...，xn]t
(3)根据最大最小值原理，对于9个变量的历史数据进行筛选，使得每个变量都能在其取值范围内均匀的采样；
(4)由上述步骤选出的m条数据构成状态矩阵d，记为
步骤3：基于参数关联性智能分析原理对汽轮机高压缸实际运行数据进行估计；
(1)对于高压缸实际运行数据，每一时刻对应一个向量xin，由模型中每个传感器的一个单独读数构成
xin＝[x1inx2in...xnin]t
将输入向量xin与在状态矩阵d中的每一个向量的关联程度进行比较从而得到关联向量a
(2)把代表关联程度的关联向量转化为权重向量w
w0＝g-1·a
其中，
其中，sk表示每个变量的标准差。
(3)通过样本和权重的线性组合产生估计值
xout＝d·w
即
步骤4：根据对汽轮机高压缸运行数据的预估值和实际值之间的差值来判断是否存在异常及是否需要进行预警。
在对异常数据进行预估之前，先用9个变量的正常运行状态历史数据进行模型交叉验证，验证结果如图1和图2所示，图1表示一段时间内9个变量的预估值(虚线)与实际值(实线)，图2表示相对误差(虚线)与绝对误差(实线)。从结果可以看出，对于正常值的预估精读非常高，说明模型效果很好。
图3表示在12月16日～12月20日之间对于汽轮机高压缸热膨胀模型变量运行值的预估结果，从中可以看出，前半段预估值与实际值非常吻合，说明设备正常运行；后半段预估值与实际值发生了比较大的偏差，特别是第一条曲线(即发生异常的hp热膨胀l曲线)。而实际上确实是在12月18日(即曲线中间位置)发生了hp热膨胀l偏差大异常。从结果图中可以看出，本方法能够有效地检测出异常状况的出现，从而在故障发生之前进行预警。