基于ICA分析的发电机组过程监控与评估.doc

基于ICA分析的电厂机组过程监控与评估张曦1 ,朱亚清1,阎威武2（1. 广东电网公司电力科学研究院 广州 510600；2. 上海交通大学自动化系 上海 200240）摘 要：提出了一种基于独立成份分析（Independent Component Analysis, ICA）的电厂机组性能监测与评估新方法。首先通过独立主元分析算法计算数据的独立主元，然后进一步计算监控统计量和SPE来监测和评估系统的运行。若统计量超过控制限，则认为系统有故障发生。电厂机组故障数据仿真研究试验验证了该方法的有效性和合理性。关键词：独立主元分析；性能监测；性能评估；汽轮机中图分类号：V263.6 文献标识码：APerformance Monitoring and Assessment of Generator Based on Independent Component Analysis Xi Zhang1, Yaqing Zhu1, Xiaoqiang Chen, Jialuo, Fengli and Weiwu Yan2(1. Guangdong Electric Power Research Institute, Guangzhou, 510600; 2. Department of Automation, Shanghai Jiaotong University, Shanghai, 200240)Abstract: A novel performance monitoring and assenssment method based on Independent component analysis (ICA) is proposed. The statistic index of and SPE is calculated to perfom monitoring and assessment. If the index exceeds the control limit, a fault may have occurred. Application results to the generators fault data set proved the effectiveness of the proposed method.Keywords: Independent component anaysis(ICA), Performance monitoring; Performance assessment; Turbine generator 1. 引 言 汽轮发电机是电厂最重要的设备之一，所以对机组进行状态监测和故障诊断具有非常重要的理论意义和实际应用价值。而统计性能监控的方法是根据正常工况的历史数据, 使用数理统计理论建立统计监测和评估模型, 用于在线的生产过程监控。目前广泛使用的统计性能监测方法主要有主元分析（Principal Component Analysis, PCA）和独立主元分析(Independent Component Analysis, ICA)等方法，这两种方法在化工过程中已经有了较深入的研究1-5，但基于ICA的统计性能监控方法在电厂运行监测和评估中却没有进行应用的实例。 针对以上情况，本文提出了一种基于独立主元分析的机组性能监测新方法。该方法通过计算过程数据的独立主元，从而进一步得到监控统计量和SPE统计量来监测系统的运行。若统计量超过控制限，则认为系统有故障发生，运行和维修人员可以根据监测结果及时排查故障发生的原因，消除安全隐患，从而确保机组的安全稳定运行。2. 独立主元分析算法 独立成份分析，又称独立主元分析(Independent Component Analysis, ICA)6, 7是近年来发展起来的一种新的统计信号处理方法，与传统方法相比，ICA不仅去除了变量之间的相关性，而且还包含了它们之间的高阶统计特性。ICA方法得到的独立成分分量满足统计意义上的独立性，因此独立主元分析比传统的统计分析方法包含了更多的有用信息。ICA已在盲源信号分离、生物医学信号处理、混合语音信号分离方面得到了较多的应用6。最早提出ICA概念的是Jutten和Herault8，认为ICA是从线性混合信号中恢复出基本源信号的方法7。 假设有个观测变量，它们分别是个非高斯分布的独立成分变量的线性组合。其中独立主元分析和测量变量都是已经归一化的数据，两者之间的关系为， (1)其中为维观测矢量；为维独立变量矢量；为观测噪声矢量。 ICA的目的就是要寻找一解混矩阵，使得可由观测变量得到相互独立的源变量， (2)其中为的估计矢量。当分离矩阵为的逆阵时，即是源变量的最佳估计。 在本文中计算值我们采用Hyvrinen提出的FastICA算法，该算法的具体步骤如下： (1) 随机选择权值向量初始值； (2) 令； (3) 令； (4) (5) 如果不收敛，转到步骤2；否则，输出； (6) 令，如果小于要保留的独立主元数目，则转向步骤1继续计算。 在步骤2的计算中，通常取如下三种函数： (3) (4) (5)3. 基于独立主元分析的机组性能监测和评估3.1 监控统计量的确定 基于主元分析的性能监控是通过监测主元空间的Hotellings T2统计量和残差空间的SPE统计量来获取整个生产过程运行状况的实时信息。其中，SPE统计量反映了在某一时刻测量值对模型的偏离程度，它表示从某一个样本点到模型空间的距离；而T2统计量通过主元模型内部主元向量模的波动来反映变量的变化情况，它表示的是数据均值与采样数据点在主元平面上映射点之间的距离。给定观测数据，设在独立主元空间中标准化处理后的数据为，则转换矩阵和特征空间中的独立主元 ()可由Fast ICA算法得到。将阵中各向量按范数大小进行排列，阵的前列构成矩阵，剩余部分构成矩阵。对于新采样时刻的映射观测数据，其对应的在主元空间和残差空间中的独立主元向量分别为5, 9， (6) (7)在独立主元特征空间中采样时刻的统计量来进行性能监控，其定义如下5： (8)统计量是通过计算独立主元向量的平方和，从主元模型内部的波动来反映过程的变化情况。SPE统计量为采样点到模型空间的距离，反映的是测量值对模型的偏离程度，其定义如下： (9)Simoglou等4提出了基于残差空间的T2统计量来监控系统的状态。在本文中我们采用了类似于Simoglou的方法，提出了基于残差空间核独立主元()的统计量，的定义如下： (10)可以拟补统计量的不足，两者互为补充，从而可以更好地反应系统的运行状态。3.2 统计控制限的确定 PCA监控方法实际上是以参数统计模型为基础的，它要求事先对数据的概率分布做出某种假定，然后估计出模型参数，用有限个参数的某一特定函数关系来描述系统。在用T2和SPE统计量进行监控时，即假定隐变量的概率密度函数服从多变量高斯分布10。而在本文中提出的基于核独立主元分析性能监控的统计量，我们无法知道其确切的统计分布，只能通过大量的数据来提供其分布信息。所以本文采用一种基于数据驱动的非参数统计方法，核密度估计方法11来计算统计量的概率密度函数，进而确定统计量的控制限。3.3 监控算法与步骤1. 建立正常的性能监控模型1）利用变量的均值和方差将训练采样数据进行标准化处理，消除样本幅值对建模的影响。2）在原始空间中用Fast ICA算法计算转换矩阵W，获得独立主元分析监控模型。3）计算正常数据的监控统计量和SPE。4）用核密度估计方法确定和SPE的统计置信限。2. 在线性能监控步骤1）利用变量的均值和方差将在线获得的采样数据进行标准化处理，消除样本幅值对建模的影响。2）计算测试数据的和SPE统计量。3）将统计量和SPE与置信限进行比较，若统计量超过控制限，认为有故障发生；否则说明系统运行正常。4. 仿真应用研究 本文仿真实验采用的数据是某发电厂300MW汽轮发电机组通流部分的历史故障特征数据集。监控变量为与流通部分故障相关的19个变量，详细情况可参见文献1213。其中常见的6种故障是调节阀阀杆断落，喷咀磨损，叶片断堵塞静叶，通流部分结垢，通流部分固体颗粒磨损和大轴弯曲。我们收集包含故障4的200个样本作为测试数据，其中故障在测试数据的第100个采样点引入，并持续到整个过程结束。 用PCA方法进行机组故障监测的结果如图1所示，从图中可以看出，故障在第100采样点引入以后，T2统计量大约在第110个点监测到了故障的发生，延迟了大约10个采样点；SPE统计量在第106个采样点监测到了故障的发生，延迟了大约6个采样点。 图1 故障4的PCA性能监控图 Fig.1 PCA monitoring index for fault 4 同样的故障用ICA方法进行性能监控的结果如图2所示，由图可见，和SPE统计量在故障出现的同时几乎都监测到了它的发生，这是因为ICA提取的各主元之间是统计独立的而且包含了各变量之间的高阶统计量信息，因此其具有比PCA更好的性能监测效果。 图2 故障4的ICA性能监控图 Fig.2 ICA monitoring index for fault 45. 结 论 本文提出了一种基于独立主元分析的电厂机组性能监测与评估新方法。首先通过独立主元分析算法计算数据的独立主元，然后进一步计算监控统计量和SPE来监测和评估系统的运行状态。若统计量超过控制限，则认为系统有故障发生，从而为故障处理赢得宝贵的时间。电厂机组故障数据仿真研究试验验证了该方法的有效性和合理性。参考文献1 Bakshi B.R. Multiscale PCA with application to multivariate statistical process monitoringJ. AICHE Journal,1998, 44:1596-1610.2 Kano M., Hasebe S., Hashimoto I. A new multivariate statistical process monitoring method using principal component analysisJ. Computers and Chemical Engineering, 2001, 25: 1103-1113.3 Bakshi J.F. Multiscale PCA with application to multivariate statistical process monitoringJ. AICHE Journal, 1998,44(7):1596-1610.4 Simoglou A., Martin E.B., Morris A.J. Statistical performance monitoring of dynamic multivariate processes using state space modeling. Computers and Chemical Engineering, 2002, 26(6): 909-920.5 Lee J.M., Yoo C.K., Lee I.B. Statistical process monitoring with independent component analysisJ. Journal of Process Control, 2004, 14(5): 467-485.6 Hyvrinen A., Oja E. Independent component analysis: algorithms and applications. Neural Networks, 2000, 13(4-5): 411-430.7 杨竹青，李勇，胡德文. 独立成分分析方法综述J. 自动化学报, 2002, 28(5): 762-772.8 Jutten C, Herault, J. Independent component analysisC. Proceedings of European Signal Processing Conference, 1988, 287-314.9 Lee J.M., Lee I.B. Nonlinear process monitoring using kernel principal component analysisJ. Chemical Engineering Science, 2004, 59(1): 223-234.10 Tracy N.D., Young J.C., Mason R.L. Multivariate control charts for individual observations. Journal of Quality Technology, 1992, 24: 88-95.11 Martin E.B., Morris A.J. Non-parametric confidence bounds for process performance monitoring chartsJ. Journal of Pr