基于偏秩相关的流因果结构学习的燃气轮机故障预测方法

1.本发明属于数据挖掘领域，具体地说是一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法。


背景技术：

2.故障检测技术是由于构建大型设备的“监控系统”的需要而发展起来的。由于所建系统规模的不断扩大，复杂性的提高以及系统投资的巨大，人们迫切需要提高系统的可靠性和安全性。随着系统设备的精密度越来越高，对检查维护人员的专业水平要求也提出了更高的要求。但即便是具备一定的经验的专业检查人员，还是会因个人因素等原因导致错查、漏查。并且基于人工水平的限制，更是存在有些故障的发生难以预料和有些故障的机理难以分析等难题。因而有必要建立一个监控系统来监视整个系统的运行状态，不断检测系统的变化和故障，进而采取必要的措施，防止系统的损坏和事故的发生。该监控系统中常采用的故障预测方法包括：基于模型的方法，如时间序列预测、卡尔曼滤波、基于机理模型或经验模型的方法等；基于数据的方法，如统计分析、贝叶斯理论、隐马尔可夫模型等；基于人工智能的方法，如神经网络预测、专家系统、模糊逻辑预测等。
3.目前国内燃气轮机状态监测和故障诊断研究现状最近有很大进步,但是技术还相对比较落后,应用成果较少。随着人工智能时代的到来和大数据技术的兴起，如何将大数据相关技术应用于燃气轮机状态监测和故障诊断是一个值得研究的课题。燃气轮机机组在运行时不断地产生大量的监测数据，基于这些海量的运行监测数据，开展燃气轮机机组状态分析、性能监测和故障智能诊断预测研究，具有非常重要的现实意义。通过数据建模，可以对燃气轮机机组状态进行实时的健康评估，预测状态趋势，在没有发生重大故障前提前预警，可以早期发现燃气轮机故障，从而避免经济损失、提供维修建议、有助于燃机的安全可靠地运行。然而，这些数据的分布往往是任意的，彼此之间的关系往往具有非线性的特点，对于这种非线性数据的研究是具有一定的挑战。这些运行数据构成一个复杂的网络系统，辨识该复杂系统的网络节点间的联系，有助于燃气轮机的状态监测和故障预测。
4.而描述复杂网络间关系的杰出模型就是由美国加州大学的judea pearl提出的基于概率论和图论的贝叶斯网络模型，并凭杰出的贡献获得2011年度图灵奖。当前贝叶斯网络结构学习算法可以分为两大类：一是解决静态环境下多元线性或非线性数据的因果结构学习问题的全局因果发现算法(假定预先获得所有的特征数据)，如schmidt等于提出了l1mb算法，yang提出了基于偏相关的pcb算法以及改进后的pcs算法，hoyer等提出了的附加噪声模型和用于处理多元非线性数据的基于hsic独立性测试方法的因果结构学习；二是处理动态条件下多元离散或连续数据的因果结构学习问题的局部因果发现算法(假定特征数据以流动方式产生)，如yu等人提出了基于流特征的在线局部因果结构学习算法，guo和yang通过在yu的工作上进行深入研究，分别提出了准确度与时间性能更高的csbs算法和cssu算法。然而，上述算法都存在一定的局限性。例如l1mb算法、pcb算法和pcs算法只能处理服从线性分布的数据，hsic独立性测试方法的时间复杂度大仅适用小样本数据，且静态
环境下的因果算法需要等待所有数据全部载入完成才能执行，在考虑时间成本的情况下不适用于数据动态增长的应用系统；而csbs算法和cssu算法要求输入数据呈离散分布，对于连续性的数据，需要先进行离散化处理，这通常会引起失真问题，并且，现实世界的数据采集过程中不可避免地会掺加噪声，噪声数据的引入会导致因果发现算法失效。
5.燃气轮机机组的运行数据通常服从非高斯非线性分布，更具备高维特性。传统的高维数据的处理方法包括主成分分析法、独立成分分析等方法。而这些方法都要事先知道所有数据维的信息并一次载入内存，但有时燃气轮机机组数据维数巨大无法一次载入内存，并且可能不断出现新的测点数据，造成数据的特征空间是动态的、未知的。因此从实际应用角度，基于流特征下的动态因果发现算法更适用于处理动态高维且服从非高斯非线性分布的燃气轮机机组运行数据。近年来兴起的一种基于流特征的数据分析方法，目前是数据挖掘领域一个新兴的研究方向，可以有效的处理动态高维大数据。
6.目前这些方法的主要局限包括：
7.(1)由于燃气轮机机组数据维数巨大，无法一次载入内存，使得上述静态环境下的全局因果发现算法需要等待数据全部载入，不能实时地有效处理此种情形；
8.(2)上述多数流特征下的动态因果发现算法的计算复杂度比较大，且需先对原始数据进行离散化处理，不可避免引起数据的失真问题，满足不了燃气轮机机组运行数据的在线实时学习。


技术实现要素：

9.本发明为克服现有技术存在的不足之处，提出了一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，以期能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。
10.本发明为解决技术问题采用如下技术方案：
11.本发明一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点x＝{x1,x2,...,xi,...,xn}的运行状态进行监测，从而得到燃气轮机的运行数据集d＝{d1,d2,...,di,...,dn}，其中，xi表示第i个监测点；di表示第i个监测点xi的运行数据；并有的运行数据；并有表示第i个监测点xi的运行数据di中第s个样本监测值；1≤i≤n，1≤s≤m，m表示运行数据的样本总数；其特点是，所述燃气轮机故障预测是按如下步骤进行：
12.步骤1、定义时刻t，并初始化t＝0；
13.步骤2、定义t时刻监测节点集合为tcn
t
，并初始化t时刻监测节点集合
14.步骤3、定义变量j，并初始化j＝1；
15.步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集d中读取具有m个取值的第j个监测节点xj的运行数据dj；并初始化第j个监测节点xj的候选邻居监测节点集mb(xj)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
16.步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点xj加入所述t时刻监
测节点集合tcn
t
中，从而获得t+1时刻监测节点集集合tcn
t+1
；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
17.步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个监测节点xj进行相关性分析，从而在t时刻监测节点集tcn
t
中选取相关的监测节点加入候选邻居监测节点集mb(xj)；
18.步骤7、判断所述第j个监测节点xj的候选邻居监测节点集mb(xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点xj加入t时刻监测节点集合tcn
t
中，从而获得t+1时刻监测节点集合tcn
t+1
；再将t+1赋值给t后，执行步骤8；
19.步骤8、定义变量k，并初始化k＝1；
20.步骤9、对候选邻居监测节点集合mb(xj)中第k个监测节点在所述监测节点x中所对应的第k
′
个监测节点xk′
进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合mb(xk′
)；
21.步骤10、将k+1赋值给k，并判断k＞|mb(xj)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|mb(xj)|表示mb(xj)中监测节点的数目；
22.步骤11、将j+1赋值给j，返回步骤4；
23.步骤12、使用贪婪爬山搜索算法对所述因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；
24.步骤13、任意选择一个监测节点的运行数据作为lstm神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为lstm神经网络模型的输入，从而训练lstm神经网络模型，并得到故障预测模型；
25.步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入所述故障预测模型中，得到实时监测的监测节点的预测值，再将所述预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
26.本发明所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法的特点是，所述步骤6的相关性分析是按如下步骤进行：
27.步骤6.1、设置相关性阈值为α；
28.步骤6.2、定义变量u；并初始化u＝1；定义变量θ；
29.步骤6.3、计算第j个监测节点xj和t时刻监测节点集tcn
t
中第u个监测节点在给定候选邻居节点集条件下的偏秩相关系数
30.步骤6.4、利用式(1)对偏秩相关系数的真值进行假设检验；
[0031][0032]
式(1)中，h0表示检验假设，表示偏秩相关系数的均值，h1表示备择假设；
[0033]
步骤6.5、利用式(2)得到统计量
[0034][0035]
式(2)中，表示第j个监测节点xj和第u个监测节点的真实数据所计算的偏秩相关系数；为估计值，表示偏秩相关系数的期望值；偏秩相关系数是取值为0的假设值；是估计值的标准差估计；
[0036]
步骤6.6、利用式(3)计算显著性水平值表示第j个监测节点xj和第u个监测节点的相关程度：
[0037][0038]
式(3)中，φ是标准正态分布的累积分布函数；
[0039]
步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点xj与第u个监测节点相关，并执行步骤6.8；否则，表示第j个监测节点xj与第u个监测节点独立，并执行步骤6.9；
[0040]
步骤6.8、将第j个监测节点xj加入第u个监测节点的候选邻居监测节点集中；同时，将第u个监测节点加入第j个监测节点xj的候选邻居监测节点集mb(xj)中，从而更新第u个监测节点的候选邻居监测节点集和第j个监测节点xj的候选邻居监测节点集mb(xj)；再执行步骤6.9；
[0041]
步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。
[0042]
所述步骤9的冗余性校验是按如下步骤进行：
[0043]
步骤9.1、设置冗余度阈值β；计算第k
′
个监测节点xk′
的候选邻居节点集合mb(xk′
)中的监测节点个数，记为|mb(xk′
)|；
[0044]
步骤9.2、定义变量w；并初始化w＝1；定义变量δ；
[0045]
步骤9.3、获取所述候选邻居节点集合mb(xk′
)中第w个监测节点在所述监测节点x中所对应的第w
′
个监测节点xw′
；
[0046]
步骤9.4、计算第k
′
个监测节点xk′
和第w
′
个监测节点xw′
在给定条件集s＝mb(xk′
)-xw′
条件下的偏秩相关系数ρk′w′
＝ρ(xk′
,xw′
|s)；
[0047]
步骤9.5、利用式(1)对偏秩相关系数ρk′w′
＝ρ(xk′
,xw′
|s)的真值进行假设检验；
[0048]
步骤9.6、利用式(2)得到统计量
[0049]
步骤9.7、利用式(3)计算显著性水平值p-value(xk′
,xw′
|s)，表示第k
′
个监测节点xk′
和第w
′
个监测节点xw′
在mb(xk′
)中加入第j个监测节点xj后的冗余程度；
[0050]
步骤9.8、将冗余程度p-value(xk′
,xw′
|s)赋值给δ，并判断δ≥β是否成立，若成立，表示第w
′
个监测节点xw′
与第k
′
个监测节点xk′
在mb(xk′
)中加入第j个监测节点xj后变为不
相关，即第w
′
个监测节点xw′
为冗余监测节点，并执行步骤9.9；否则，表明第w
′
个监测节点xw′
与第k
′
个监测节点xk′
仍然相关，并执行步骤9.10；
[0051]
步骤9.9、从所述第k
′
个监测节点xk′
的候选邻居监测节点集合mb(xk′
)中删除所述第w
′
个监测节点xw′
；同时从所述第w
′
个监测节点xw′
的候选邻居监测节点集合mb(xw′
)中删除所述第k
′
个监测节点xk′
，从而更新第k
′
个监测节点xk′
的候选邻居监测节点集合mb(xk′
)和第w
′
个监测节点xw′
的候选邻居监测节点集合mb(xw′
)，以去除冗余节点；再执行步骤9.10；
[0052]
步骤9.10、将w+1赋值给w，并判断w＞|mb(xk′
)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
[0053]
与已有技术相比，本发明的有益效果体现在：
[0054]
1、针对燃气轮机机组运行监测数据分布往往是任意的，彼此之间的关系往往具有非线性的特点，本发明基于偏秩相关系数对监测节点的相关性进行研究，并结合局部学习策略实现为监测节点选取相关邻居监测节点的学习，显著的降低了学习的复杂度，通过对输入数据是否服从线性或非线性、离散或连续性分布不作要求，在有效去除噪声数据的影响下最大程度保证了数据的信息完整性，从而满足了燃气轮机状态实时监测的需要。
[0055]
2、本发明针对燃气轮机机组运行数据的动态、高维性，以流的方式进行处理，可以处理高维、动态的燃气轮机机组运行监测数据。基于相关性分析和冗余校验从而实现了监测节点的候选邻居监测节点集的在线更新，实现了局部因果网络骨架的快速在线调整，流的处理方式可以降低学习的时间复杂度，从而满足了在线学习的时效性要求，适用于高维动态的燃气轮机机组运行数据。
[0056]
3、本发明针对燃气轮机机组监测节点构建贝叶斯网络结构因果图然后通过lstm神经网络进行预测。不仅能够表露燃气轮机各监测节点之间的显性信息，还能得到监控节点间内存在的关系和决策信息，最后结合神经网络方法进行故障预测，大大提高了故障预测的准确性。
具体实施方式
[0057]
本实施例中，一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对燃气轮机系统中n个监测节点x＝{x1,x2,...,xi,...,xn}的运行状态进行监测，从而得到燃气轮机的运行数据集d＝{d1,d2,...,di,
…
,dn}，其中，xi表示第i个监测点；di表示第i个监测点xi的运行数据；并有的运行数据；并有表示第i个监测点xi的运行数据di中第s个样本监测值；1≤i≤n，1≤s≤m，m表示运行数据的样本总数；该燃气轮机故障预测方法目的是为了找出监测节点间的关系，找到与任意监测节点相关性较强的监测节点，并在该方法的基础上，使用神经网络的方法对于监测节点的未来趋势进行预测，从而对为燃气轮机的运行状态进行监测和故障预警。具体的说，该燃气轮机故障预测是按如下步骤进行：
[0058]
步骤1、定义时刻t，并初始化t＝0；
[0059]
步骤2、定义t时刻监测节点集合为tcn
t
，并初始化t时刻监测节点集合
[0060]
步骤3、定义变量j，并初始化j＝1；
[0061]
步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集d中读取具有m个取值的第j个监测节点xj的运行数据dj；并初始化第j个监测节点xj的候选邻居监测节点集mb(xj)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；
[0062]
步骤5、判断j＝1是否成立，若成立，则将第j个监测节点xj加入t时刻监测节点集合tcn
t
中，从而获得t+1时刻监测节点集集合tcn
t+1
；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；
[0063]
步骤6、使用基于偏秩相关的流因果结构学习算法对第j个监测节点xj进行相关性分析，从而在t时刻监测节点集tcn
t
中选取相关的监测节点加入候选邻居监测节点集mb(xj)；
[0064]
步骤6.1、设置相关性阈值为α；
[0065]
步骤6.2、定义变量u；并初始化u＝1；定义变量θ；
[0066]
步骤6.3、利用式(1)计算第j个监测节点xj和t时刻监测节点集tcn
t
中第u个监测节点在给定候选邻居节点集条件下的偏秩相关系数
[0067][0068]
式(1)中，、x
′j和z
′
表示将xj和z中的监测节点运行数据转化为对应的秩次排列序值数据后得到的相应监测节点；表示和x
′j在给定条件集z
′
的偏相关系数；表示和z
′
中的运行数据进行线性回归得到的残差；表示x
′j和z
′
中的运行数据线性回归得到的残差；表示和之间的相关系数。
[0069]
步骤6.4、利用式(2)对偏秩相关系数的真值进行假设检验；
[0070][0071]
式(2)中，h0表示检验假设，表示偏秩相关系数的均值，h1表示备择假设；
[0072]
步骤6.5、利用式(3)得到统计量
[0073][0074]
式(3)中，表示第j个监测节点xj和第u个监测节点的真实数据所计算的偏秩相关系数；为估计值，表示偏秩相关系数的期望值；偏秩相关系数是取值为0的假设值；是估计值的标准差估计；
[0075]
步骤6.6、利用式(4)计算显著性水平值表示第j个监测节点xj和第u个监测节点的相关程度：
[0076][0077]
式(3)中，φ是标准正态分布的累积分布函数；
[0078]
步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点xj与第u个监测节点相关，并执行步骤6.8；否则，表示第j个监测节点xj与第u个监测节点独立，并执行步骤6.9；
[0079]
步骤6.8、将第j个监测节点xj加入第u个监测节点的候选邻居监测节点集中，即同时，将第u个监测节点加入第j个监测节点xj的候选邻居监测节点集mb(xj)中，即从而更新第u个监测节点的候选邻居监测节点集和第j个监测节点xj的候选邻居监测节点集mb(xj)；再执行步骤6.9；
[0080]
步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。
[0081]
步骤7、判断第j个监测节点xj的候选邻居监测节点集mb(xj)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点xj加入t时刻监测节点集合tcn
t
中，从而获得t+1时刻监测节点集合tcn
t+1
；再将t+1赋值给t后，执行步骤8；
[0082]
步骤8、定义变量k，并初始化k＝1；
[0083]
步骤9、对候选邻居监测节点集合mb(xj)中第k个监测节点在监测节点x中所对应的第k
′
个监测节点xk′
进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合mb(xk′
)；
[0084]
步骤9.1、设置冗余度阈值β；计算第k
′
个监测节点xk′
的候选邻居节点集合mb(xk′
)中的监测节点个数，记为|mb(xk′
)|；
[0085]
步骤9.2、定义变量w；并初始化w＝1；定义变量δ；
[0086]
步骤9.3、获取候选邻居节点集合mb(xk′
)中第w个监测节点在监测节点x中所对应的第w
′
个监测节点xw′
；
[0087]
步骤9.4、利用式(1)计算第k
′
个监测节点xk′
和第w
′
个监测节点xw′
在给定条件集s＝mb(xk′
)-xw′
条件下的偏秩相关系数ρk′w′
＝ρ(xk′
,xw′
|s)；
[0088]
步骤9.5、利用式(2)对偏秩相关系数ρk′w′
＝ρ(xk′
,xw′
|s)的真值进行假设检验；
[0089]
步骤9.6、利用式(3)得到统计量
[0090]
步骤9.7、利用式(4)计算显著性水平值p-value(xk′
,xw′
|s)，表示第k
′
个监测节点xk′
和第w
′
个监测节点xw′
在mb(xk′
)中加入第j个监测节点xj后的冗余程度；
[0091]
步骤9.8、将冗余程度p-value(xk′
,xw′
|s)赋值给δ，并判断δ≥β是否成立，若成立，表示第w
′
个监测节点xw′
与第k
′
个监测节点xk′
在mb(xk′
)中加入第j个监测节点xj后变为不相关，即第w
′
个监测节点xw′
为冗余监测节点，并执行步骤9.9；否则，表明第w
′
个监测节点
xw′
与第k
′
个监测节点xk′
仍然相关，并执行步骤9.10；
[0092]
步骤9.9、从第k
′
个监测节点xk′
的候选邻居监测节点集合mb(xk′
)中删除第w
′
个监测节点xw′
；同时从第w
′
个监测节点xw′
的候选邻居监测节点集合mb(xw′
)中删除第k
′
个监测节点xk′
，从而更新第k
′
个监测节点xk′
的候选邻居监测节点集合mb(xk′
)和第w
′
个监测节点xw′
的候选邻居监测节点集合mb(xw′
)，以去除冗余节点；再执行步骤9.10；
[0093]
步骤9.10、将w+1赋值给w，并判断w＞|mb(xk′
)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。
[0094]
步骤10、将k+1赋值给k，并判断k＞|mb(xj)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|mb(xj)|表示mb(xj)中监测节点的数目；
[0095]
步骤11、将j+1赋值给j，返回步骤4；
[0096]
步骤12、使用贪婪爬山搜索算法对因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；
[0097]
步骤12.1、定义监测节点评分次数为inum；初始化inum＝1；定义最大评分次数为maxiter；
[0098]
步骤12.2、利用式(5)构建评分函数mdl：
[0099][0100]
式(5)中，mdl评分由数据的拟合优度和网络复杂度共同决定；mb(xj)表示第j个监测节点xj的相关监测节点集；表示第j个监测节点xj的自由变量个数，表示第j个变量θj在表示取最小值的最大似然估计，并有：
[0101][0102]
式(6)中，nll(xj,mb(xj),θj)表示第j个监测节点xj在给定相关监测节点集mb(xj)和第j个变量θj时的评分；
[0103]
步骤12.3、利用式(7)计算第j个监测节点xj在给定相关监测节点集mb(xj)和参数时的评分
[0104][0105]
式(7)中，x
jk
表示第j个监测节点xj在第k个样本的实际取值；mb(x
jk
)表示第j个监测节点xj在其相关监测节点集mb(xj)在第k个样本的实际取值；是第j个监测节点xj在其相关监测节点集mb(xj)取值为mb(x
jk
)和权值为时，计算得出的预测值；
[0106]
步骤12.4、定义变量rsearch表示重新搜索，并初始化rsearch＝1；定义g min score和g min graph分别表示最小mdl评分及其对应的网络，并初始化g min score为无穷
大，定义iter表示迭代的次数，并初始化为0；
[0107]
步骤12.5、将iter+1赋值给iter，若rsearch＝1，则表示执行重新搜索；并执行步骤12.6；若rsearch＝0时表示不执行重新搜索；
[0108]
步骤12.6、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；计算第iter次迭代的初选网络的得分graphscore
iter
，并更新评分次数inum为inum+n；
[0109]
步骤12.7、将graphscore
iter
赋值给第iter次迭代的局部最优得分l min score，并令rsearch＝0；
[0110]
步骤12.8、判断l min score＞g min score是否成立，若成立，则执行步骤12.9，否则，执行步骤12.12；
[0111]
步骤12.9、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addinum、delinum、revinum；
[0112]
步骤12.10、计算第iter次迭代操作后的网络的得分graphscore
iter
，并将einum+addinum+delinum+revinum后赋值给inum，从而更新评分次数；
[0113]
步骤12.11、判断graphscore
iter
＜l min score是否成立，若成立，则将graphscore
iter
赋值给l min score，并令rsearch＝1后，返回步骤12.5执行；否则，执行步骤12.12；
[0114]
步骤12.12、判断l min score＜g min score是否成立，若成立，将l min score赋值给g min score，则第iter次迭代操作后的赋给g min graph；
[0115]
步骤12.13、判断inum＜maxiter是否成立，若成立，返回步骤12.5执行，否则输出g min score和g min graph，其中g min graph即为最终获得的第t时刻监测节点的因果结构图。
[0116]
步骤13、任意选择一个监测节点的运行数据作为lstm神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为lstm神经网络模型的输入，从而训练lstm神经网络模型，并得到故障预测模型；
[0117]
步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入故障预测模型中，得到实时监测的监测节点的预测值，再将预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。

技术特征：
1.一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，是应用于燃气轮机系统中，并每隔一段时间对所述燃气轮机系统中n个监测节点x＝{x1,x2,...,x
i
,...,x
n
}的运行状态进行监测，从而得到燃气轮机的运行数据集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s个样本监测值；1≤i≤n，1≤s≤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、定义时刻t，并初始化t＝0；步骤2、定义t时刻监测节点集合为tcn
t
，并初始化t时刻监测节点集合步骤3、定义变量j，并初始化j＝1；步骤4、判断j≤n是否成立，若成立，从燃气轮机运行数据集d中读取具有m个取值的第j个监测节点x
j
的运行数据d
j
；并初始化第j个监测节点x
j
的候选邻居监测节点集mb(x
j
)为空；再执行步骤5，否则，表示获得由n个监测节点构成的因果结构骨架图，其中，每个监测节点的父节点和子节点都是与相应监测节点相关的监测节点，并执行步骤12；步骤5、判断j＝1是否成立，若成立，则将所述第j个监测节点x
j
加入所述t时刻监测节点集合tcn
t
中，从而获得t+1时刻监测节点集集合tcn
t+1
；再将t+1赋值给t、将j+1赋值给j后，返回步骤4；否则执行步骤6；步骤6、使用基于偏秩相关的流因果结构学习算法对所述第j个监测节点x
j
进行相关性分析，从而在t时刻监测节点集tcn
t
中选取相关的监测节点加入候选邻居监测节点集mb(x
j
)；步骤7、判断所述第j个监测节点x
j
的候选邻居监测节点集mb(x
j
)是否为空集，若为空集，则返回步骤4；否则，将第j个监测节点x
j
加入t时刻监测节点集合tcn
t
中，从而获得t+1时刻监测节点集合tcn
t+1
；再将t+1赋值给t后，执行步骤8；步骤8、定义变量k，并初始化k＝1；步骤9、对候选邻居监测节点集合mb(x
j
)中第k个监测节点在所述监测节点x中所对应的第k
′
个监测节点x
k
′
进行基于偏秩相关的冗余性校验分析，更新候选邻居监测节点集合mb(x
k
′
)；步骤10、将k+1赋值给k，并判断k＞|mb(x
j
)|是否成立，若成立，则执行步骤11；否则返回步骤9执行；其中，|mb(x
j
)|表示mb(x
j
)中监测节点的数目；步骤11、将j+1赋值给j，返回步骤4；步骤12、使用贪婪爬山搜索算法对所述因果结构骨架图进行在线的因果定向，从而得到更新后的因果结构图；步骤13、任意选择一个监测节点的运行数据作为lstm神经网络模型的输出，再将与所选择的监测节点相关的监测节点的运行数据作为lstm神经网络模型的输入，从而训练lstm神经网络模型，并得到故障预测模型；步骤14、实时监测任意一个监测节点的运行状态并获得相应的燃气轮机运行数据集后输入所述故障预测模型中，得到实时监测的监测节点的预测值，再将所述预测值与其真实值进行比较，当两者的差值超过所设定的阈值，则表示相应监测节点发生故障，并给出预警提示。
2.根据权利要求1所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，其特征是，所述步骤6的相关性分析是按如下步骤进行：步骤6.1、设置相关性阈值为α；步骤6.2、定义变量u；并初始化u＝1；定义变量θ；步骤6.3、计算第j个监测节点x
j
和t时刻监测节点集tcn
t
中第u个监测节点在给定候选邻居节点集条件下的偏秩相关系数步骤6.4、利用式(1)对偏秩相关系数的真值进行假设检验；式(1)中，h0表示检验假设，表示偏秩相关系数的均值，h1表示备择假设；步骤6.5、利用式(2)得到统计量步骤6.5、利用式(2)得到统计量式(2)中，表示第j个监测节点x
j
和第u个监测节点的真实数据所计算的偏秩相关系数；为估计值，表示偏秩相关系数的期望值；偏秩相关系数是取值为0的假设值；是估计值的标准差估计；步骤6.6、利用式(3)计算显著性水平值表示第j个监测节点x
j
和第u个监测节点的相关程度：式(3)中，φ是标准正态分布的累积分布函数；步骤6.7、将相关程度赋值给θ，并判断θ＜α是否成立，若成立，表示第j个监测节点x
j
与第u个监测节点相关，并执行步骤6.8；否则，表示第j个监测节点x
j
与第u个监测节点独立，并执行步骤6.9；步骤6.8、将第j个监测节点x
j
加入第u个监测节点的候选邻居监测节点集中；同时，将第u个监测节点加入第j个监测节点x
j
的候选邻居监测节点集mb(x
j
)中，从而更新第u个监测节点的候选邻居监测节点集和第j个监测节点x
j
的候选邻居监测节点集mb(x
j
)；再执行步骤6.9；步骤6.9、将u+1赋值给u，并判断u＞j-1是否成立，若成立，则执行步骤7；否则返回步骤6.3执行。3.根据权利要求1、2所述的基于偏秩相关的流因果结构学习的燃气轮机故障预测方
法，其特征是，所述步骤9的冗余性校验是按如下步骤进行：步骤9.1、设置冗余度阈值β；计算第k
′
个监测节点x
k
′
的候选邻居节点集合mb(x
k
′
)中的监测节点个数，记为|mb(x
k
′
)|；步骤9.2、定义变量w；并初始化w＝1；定义变量δ；步骤9.3、获取所述候选邻居节点集合mb(x
k
′
)中第w个监测节点在所述监测节点x中所对应的第w
′
个监测节点x
w
′
；步骤9.4、计算第k
′
个监测节点x
k
′
和第w
′
个监测节点x
w
′
在给定条件集s＝mb(x
k
′
)-x
w
′
条件下的偏秩相关系数ρ
k
′
w
′
＝ρ(x
k
′
,x
w
′
|s)；步骤9.5、利用式(1)对偏秩相关系数ρ
k
′
w
′
＝ρ(x
k
′
,x
w
′
|s)的真值进行假设检验；步骤9.6、利用式(2)得到统计量步骤9.7、利用式(3)计算显著性水平值p-value(x
k
′
,x
w
′
|s)，表示第k
′
个监测节点x
k
′
和第w
′
个监测节点x
w
′
在mb(x
k
′
)中加入第j个监测节点x
j
后的冗余程度；步骤9.8、将冗余程度p-value(x
k
′
,x
w
′
|s)赋值给δ，并判断δ≥β是否成立，若成立，表示第w
′
个监测节点x
w
′
与第k
′
个监测节点x
k
′
在mb(x
k
′
)中加入第j个监测节点x
j
后变为不相关，即第w
′
个监测节点x
w
′
为冗余监测节点，并执行步骤9.9；否则，表明第w
′
个监测节点x
w
′
与第k
′
个监测节点x
k
′
仍然相关，并执行步骤9.10；步骤9.9、从所述第k
′
个监测节点x
k
′
的候选邻居监测节点集合mb(x
k
′
)中删除所述第w
′
个监测节点x
w
′
；同时从所述第w
′
个监测节点x
w
′
的候选邻居监测节点集合mb(x
w
′
)中删除所述第k
′
个监测节点x
k
′
，从而更新第k
′
个监测节点x
k
′
的候选邻居监测节点集合mb(x
k
′
)和第w
′
个监测节点x
w
′
的候选邻居监测节点集合mb(x
w
′
)，以去除冗余节点；再执行步骤9.10；步骤9.10、将w+1赋值给w，并判断w＞|mb(x
k
′
)|是否成立，若成立，则执行步骤10；否则返回步骤9.3执行。

技术总结
本发明公开了一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，包括：1、以流的方法逐个读入监测节点数据；2、对每个监测节点使用基于偏秩相关的流因果结构学习方法，在监测节点集合中选择一组候选邻居监测节点集；3、对选择的候选邻居监测节点进行冗余性分析；4、重复执行步骤1-3，直至监测节点的数量超过极限值，从而得到监测节点集的因果骨架图，再使用贪婪爬山搜索方法进行因果定向，最终获得相应的监测系统因果结构图。并基于该因果结构图训练相应的故障预测模型，从而得到每个测点的故障预测模型，以实现对故障进行更加准确的预测。本发明能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。从而能对故障进行更加准确的预测。


技术研发人员：杨静 江刘锋
受保护的技术使用者：合肥工业大学
技术研发日：2021.12.03
技术公布日：2022/3/8