基于优化随机森林算法的燃气轮机控制系统故障诊断方法

1.本发明涉及火电厂故障诊断技术领域，具体涉及一种基于优化随机森林算法的燃气轮机控制系统故障诊断方法。


背景技术：

2.近年来，燃气轮机技术的日益发展、天然气资源的不断开发和利用、以及国家对环境保护的不断重视，使得大型燃气-蒸汽联合循环发电技术在我国得到了蓬勃发展，已经逐渐成为我国电力行业的重要组成部分。据统计，天然气发电装机新增四千多万千瓦，截止到2020年气电总装机超过九千万千瓦。随着燃机控制系统复杂度的不断提高，并且燃机相关软硬件设备存在一定的生命周期，难免会产生不可预估的故障。从近年来发生的燃机故障案例中发现，大约12％的燃机故障与控制系统相关。控制系统一旦发生故障，将会影响燃气轮机机组的安全稳定运行，严重时可能导致机组崩溃解列。由于在燃机的历史数据中，绝大部分数据为正常工作时的数据，故障数据不足，导致用于训练的故障样本有限，使得最终的诊断准确率不高。


技术实现要素：

3.本发明的目的在于，针对上述现有技术的不足，提供一种基于优化随机森林算法的燃气轮机控制系统故障诊断方法，以解决燃气轮机控制系统回路故障诊断准确率不高的问题。
4.为实现上述目的，本发明采用的技术方案如下：
5.本发明提供了一种基于优化随机森林算法的燃气轮机控制系统故障诊断方法，该方法包括：
6.在燃气轮机控制系统的速比阀截止阀回路的正常信号中引入预设故障，以构成初始故障数据集；
7.对初始故障数据集进行时域特征提取，以建立故障特征数据集；
8.利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型；
9.将提取的故障特征作为优化随机森林算法的故障诊断模型的输入，以此得到诊断结果，进而实现燃气轮机控制系统的回路的故障诊断。
10.可选地，预设故障包括转速传感器偏差故障、压力传感器偏差故障与强振动故障、速比阀效率损失故障。
11.可选地，转速传感器偏差故障和压力传感器偏差故障的数学描述均为下式：
[0012][0013]
其中，y(t)为转速传感器和压力传感器的实际输出；ui(t)为无故障下的输出；α(t)为偏差故障信号，t为时间，t0为故障的发生时刻。
[0014]
可选地，强振动故障的数学描述为下式：
[0015][0016]
其中，y(t)为传感器的实际输出，b为常数，α(t)为偏差故障信号， t为时间，t0为故障的发生时刻。
[0017]
可选地，速比阀效率损失故障的数学描述为下式：
[0018][0019]
其中，p(t)为执行机构实际输出，vi(t)为无故障下的输出，β为常数， t为时间，t0为故障的发生时刻。
[0020]
可选地，利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型，包括：
[0021]
针对特征数据集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型；
[0022]
将故障特征样本输入到随机森林算法的故障诊断模型中进行训练，并保存训练好的最优模型，从而建立优化随机森林算法的故障诊断模型。
[0023]
可选地，利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型，包括：
[0024]
采用bootstrap重抽样方法对特征数据集进行重采样，并生成n 个随机的故障特征子集t1，t2,t3…
tn；
[0025]
针对故障特征子集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型；
[0026]
将故障特征样本输入到随机森林算法的故障诊断模型中进行训练，并保存训练好的最优模型，从而建立优化随机森林算法的故障诊断模型。
[0027]
可选地，针对特征数据集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型，包括：
[0028]
针对特征数据集，设置超参数并构件参数网；
[0029]
采用交叉验证对随机森林算法的参数进行评估，并且进行n次交叉验证；
[0030]
将n次交叉验证模型的结果取平均值；
[0031]
在处理完所有参数组合的情况下，输出最优参数解作为随机森林算法的故障诊断模型的参数，否则继续进行采用交叉验证对随机森林算法的参数进行评估。
[0032]
本发明的有益效果包括：
[0033]
本发明提供的基于优化随机森林算法的燃气轮机控制系统故障诊断方法包括：在燃气轮机控制系统的速比阀截止阀回路的正常信号中引入预设故障，以构成初始故障数据集；对初始故障数据集进行时域特征提取，以建立故障特征数据集；利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型；将提取的故障特征作为优化随机森林算法的故障诊断模型的输入，以此得到诊断结果，进而实现燃气轮机控制系统的回路的故障诊断。该方法可以有效诊断燃气轮机控制系统回路故障，并且能够提高诊断的准确率。
附图说明
[0034]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1示出了本发明实施例提供的基于优化随机森林算法的燃气轮机控制系统故障诊断方法的流程图；
[0036]
图2示出了本发明实施例提供的基于优化随机森林算法的燃气轮机控制系统故障诊断方法的结构图；
[0037]
图3示出了本发明实施例提供的燃气轮机控制系统回路故障诊断模型的优化流程图。
具体实施方式
[0038]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
燃气轮机控制系统一旦发生故障，将会影响燃气轮机机组的安全稳定运行，严重时可能导致机组崩溃解列。由于在燃机的历史数据中，绝大部分数据为正常工作时的数据，故障数据不足，导致用于训练的故障样本有限，使得最终的诊断准确率不高。为了解决上述问题，需要采用一种在故障分类问题上具有高准确率、鲁棒性强、且不依赖大量数据进行模型训练的故障诊断方法。
[0040]
图1示出了本发明实施例提供的基于优化随机森林算法的燃气轮机控制系统故障诊断方法的流程图。
[0041]
如图1所示，该方法包括：
[0042]
步骤101、在燃气轮机控制系统的速比阀截止阀回路的正常信号中引入预设故障，以构成初始故障数据集。可选地，预设故障包括转速传感器偏差故障、压力传感器偏差故障与强振动故障、速比阀效率损失故障。步骤102、对初始故障数据集进行时域特征提取，以建立故障特征数据集；步骤103、利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型；步骤104、将提取的故障特征作为优化随机森林算法的故障诊断模型的输入，以此得到诊断结果，进而实现燃气轮机控制系统的回路的故障诊断。
[0043]
具体地，该方法首先对燃气轮机控制系统速比阀/截止阀回路引入转速传感器偏差故障、压力传感器偏差故障与强振动故障、速比阀效率损失故障，构成初始故障数据集；接着通过对初始故障数据集分组求取时域特征值并构建特征数据集；然后利用交叉验证，网格搜索优化随机森林(random forest，rf)，建立优化rf故障诊断模型；最后将提取的故障特征作为优化rf故障诊断模型的输入，以此得到诊断结果，进而实现燃气轮机控制系统回路故障诊断。
[0044]
可选地，转速传感器偏差故障和压力传感器偏差故障的数学描述均为下式：
[0045][0046]
其中，y(t)为转速传感器和压力传感器的实际输出；ui(t)为无故障下的输出；α(t)为偏差故障信号，t为时间，t0为故障的发生时刻。
[0047]
可选地，强振动故障的数学描述为下式：
[0048][0049]
其中，y(t)为传感器的实际输出，b为常数，α(t)为偏差故障信号， t为时间，t0为故障的发生时刻。
[0050]
可选地，速比阀效率损失故障的数学描述为下式：
[0051][0052]
其中，p(t)为执行机构实际输出，vi(t)为无故障下的输出，β为常数， t为时间，t0为故障的发生时刻。
[0053]
本发明的目的为了能够快速的、准确的识别燃气轮机控制系统故障类型，及时进行维修和保护，降低燃气轮机控制系统故障带来的经济损失，使燃气轮机能够可靠安全的运行。
[0054]
可选地，利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型，包括：针对特征数据集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型；将故障特征样本输入到随机森林算法的故障诊断模型中进行训练，并保存训练好的最优模型，从而建立优化随机森林算法的故障诊断模型。
[0055]
可选地，利用交叉验证，采用网格搜索优化随机森林算法，建立优化随机森林算法的故障诊断模型，包括：采用bootstrap重抽样方法对特征数据集进行重采样，并生成n个随机的故障特征子集 t1，t2，t3...tn；针对故障特征子集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型；将故障特征样本输入到随机森林算法的故障诊断模型中进行训练，并保存训练好的最优模型，从而建立优化随机森林算法的故障诊断模型。
[0056]
图2示出了本发明实施例提供的基于优化随机森林算法的燃气轮机控制系统故障诊断方法的结构图；图3示出了本发明实施例提供的燃气轮机控制系统回路故障诊断模型的优化流程图。如图2所示，本发明对燃气轮机控制系统速比阀/截止阀控制回路正常信号引入转速传感器偏差故障、压力传感器偏差故障与强振动故障、速比阀效率损失故障，构成初始故障数据集。通过对初始故障数据集分组进行时域特征提取，得到故障特征样本集，并将样本集分为训练集和测试集；通过网格搜索，交叉验证对随机森林算法的参数进行优化，建立随机森林故障诊断模型，优化流程如图3所示。可选地，如图3所示，针对特征数据集，利用网格搜索，交叉验证优化随机森林算法的参数，建立随机森林算法的故障诊断模型，具体包括：针对燃气轮机特征数据集，设置超参数并构件参数网；采用交叉验证对随机森林算法的参数进行评估，并且进行n次交叉验证；将n次交叉验证模型的结果取平均值；在处理完所有参数组合的情况下，输出最优参数解作为随机森林算法的故障诊断模型的参数；否则继续进行采用交叉验证对随机森林算法的参数进行评估。将故障特征样本输入到随机森林诊断模型中训练，保存训练好的最优模型；将测试集样本再输入到保存的最优模型中，得到诊
断结果。
[0057]
在基于优化随机森林算法的燃气轮机控制系统故障诊断方法的实际实施中，可以包括以下步骤：s1、引入转速传感器偏差故障、压力传感器偏差故障与强振动故障、速比阀效率损失故障，构造回路故障信号。四种故障类型的数学表达如表1所示。
[0058]
表1传感器/执行机构故障类型及其数学描述
[0059][0060]
如表1所示，表中y(t),p(t)为传感器与执行机构实际输出；ui(t)，vi(t)为无故障下的输出；σ，b，β均为某一常数；α(t)为偏差故障信号；t为时间； to为故障的发生时刻。
[0061]
s2、对故障数据集进行特征提取，并建立故障特征数据集。时域特征的数学表达如表2所示。
[0062]
表2时域特征
[0063][0064]
其中：mi表示故障数据集中的某个数据值，n表示数据值的个数，表示n个数据值的平均值。
[0065]
s3、采用bootstrap重抽样方法对特征数据集进行重采样，并生成 n个随机的故障特征子集t1，t2,t3…
tn。s4、利用网格搜索，交叉验证优化rf参数，建立rf故障诊断模型。s5、将故障特征样本输入到rf 诊断模型中进行训练，并保存训练好的最优模型。s6、将待诊断故障信号同样进行分组时域特征提取，并输入到保存的最优模型中，得到诊断结果。
[0066]
综上所述，通过采集控制系统正常状态和各种故障状态下的输入输出数据，并对数据进行数据特征提取。然后通过bootstrap重抽样法对特征工程后的数据集进行采样，并构建子数据集，生成多棵决策树和rf模型。接着对处理后的故障数据集输入到rf诊断模型中，得到最终的诊断结果。通过实验，该方法可以有效诊断燃气轮机控制系统回路故障，并且能够提高诊断的正确率。本发明中提供的方法通过对故障信号进行时域特征提取，消除了故障数据特征不足对诊断准确率的影响，使提取的特征数据集更能表达故障特征；本发明中提供的方法能够处理高维度数据，对数据集适应能力强，数据的诊断时间大大缩短，由于两个随机性的引入，也使得模型不容易陷入过拟合。
[0067]
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰, 都应涵盖在本发明的保护范围内。