基于滑动窗口和动态阈值的ATM机故障预警系统

一种基于滑动窗口的动力电池故障诊断方法我折腾了好久一种基于滑动窗口的动力电池故障诊断方法，总算找到点门道。

这事儿可不容易啊，我一开始也是瞎摸索。

我就先跟你说说我为啥要研究这个吧。

你想啊，动力电池现在应用得多广泛，汽车啊，各种储能设备啊啥的，它要是出故障了可不得了。

我就想找个靠谱的故障诊断方法。

那这个滑动窗口是啥呢？我刚开始理解的时候可费劲了。

我就想啊，这就好比你从一扇窗户往外看风景，这个窗户就那么大一块，你每次移动这个窗户看到的景色就不一样，这滑动窗口就是类似的概念。

在动力电池故障诊断里，这个窗口滑过各种数据，就像看不同的风景片段一样。

我试过好多种收集数据的方式呢。

一开始我就傻愣愣地一股脑儿把所有能监测到的数据都收集起来。

后来发现这不行啊，数据太多太杂了，就像你炒菜，把所有调料都一股脑儿扔进去，那炒出来的菜什么味儿都有，根本不是你想要的。

然后我就开始做数据筛选。

哪些数据是和故障诊断最相关的呢？这也不好确定啊，我就只能一个一个试。

比如说电池的电压、电流、温度啥的看起来都很重要，先都留着呗。

然后就到了关键的用滑动窗口分析数据这一步了。

这个窗口大小怎么确定可把我愁坏了。

我试过很小的窗口，就像透过一个小望远镜看东西，只能看到一点点，感觉很多数据都没联系起来。

然后又试很大的窗口，这又好像用一个超级大的放大镜看一小块儿地方，细节太多了还不如一次性看全貌呢。

后来多试了几次，发现不同类型的电池可能适合不同大小的窗口，这个真得根据具体情况去不断调整。

这里面的算法我也弄了很久。

有时候我用一种算法，觉得应该能很快诊断出故障，结果一运行，出来的结果乱七八糟的。

就像你按照一个不靠谱的菜谱做菜，最后做出来的东西根本不能吃。

我就学乖了，每次换算法都重新检查数据的采集和预处理是不是做得对。

不同的算法就像不同的厨师做菜的方法，你得找到那个适合咱们这堆食材数据的厨师，才能做好故障诊断这道菜。

不确定的地方也有，就是这个方法会不会受到环境太大的影响我还不敢肯定。

式中，X(ti)表示ti时刻燃气轮机多个监测参数组成的状态观测向量；行数n表示燃气轮机有测参数；列数m表示燃气轮机有m个历史运行状态。

（2）组件剩余矩阵。

从历史健康数据中提取出记图1 多元状态估计技术计算流程对求最小值，令，可求得权值向量由于燃气轮机各监测参数之间存在一定的相关性，可能导致矩阵计算采用非线性运算符克罗内克积代替乘法运算。

为：故最优估计向量Xest利用同样的方法可以求解剩余训练矩阵图2 2021年燃气轮机轴系部分运行数据截图（3）数据预处理。

在数据采集时间段内，燃气轮机存在停机数据、异常运行数据、测点异常数据等，需进行历史健康数据筛选。

通过电厂运行规程确定的燃气轮机各参数报警定值和运行数据统计分析，确定监测参数的健康上下限，筛选燃气轮机历史健康运行数据。

选取燃气轮机预警负荷范围。

首先，剔除燃机停机数据，共得到191077条数据，然后根据电厂调研情况及查询燃机历史运行数据，燃机运行负荷区间一般在70%额定负荷以上，因此选定燃机预警负荷范围为84～120MW，得到184190条数据。

确定其他特征参数健康区间，筛选健康状态样本数据。

查询各特征参数的历史曲线进行统计分析，确定各参数的统计报警值，共筛选到184002条健康样本数据。

（2）典型样本筛选。

借助平台工具利用欧式距离方法，从184002个健康样本中等距抽取了约型样本。

图3 燃气轮机轴承瓦振监测与估计结果图4 燃机轴承温度及推力瓦回油温度监测与估计结果图5 燃气轮机轴承瓦温度监测与估计结果测试结果表明，基于多元状态估计的设备状态评估与预警研究对电厂系统或设备运行状态进行预测具有较好的效果，能够有效地对电力系统或设备运行状态进行实时监测，帮助运行监盘人员发现设备和参数的异常，更加全面地实现对电厂系统设备状态的监测。

图6 燃气轮机轴瓦回油温度监测与估计结果4 结语本文依托各类先进的机器学习算法，从生产监测大数据中挖掘出各类系统和设备的参数变化规律，准确发现和提示运行控制异常事件，可以大大降低运行人员的监盘压力，有效提高机组运行的可靠性。

一种防止故障误报的方法为了防止故障误报，可以采取以下一些方法：1. 系统设置合理的阈值：故障检测系统通常通过阈值来判断是否发生了故障。

设置合理的阈值可以降低误报的概率。

阈值设置过低可能导致误报频繁发生，阈值设置过高可能导致故障漏报。

2. 综合多个指标判断：单一指标可能会受到噪音干扰，从而产生误报。

综合多个指标进行判断可以降低误报的概率。

例如，如果某个指标发生异常但其他指标正常，则可能不是真正的故障。

3. 引入机器学习算法：机器学习算法可以通过对历史数据的学习，自动识别和判断是否发生了故障。

通过训练算法，可以提高故障检测的准确性。

但是需要注意的是，机器学习算法需要足够的数据进行训练，且要及时更新模型。

4. 引入异常检测算法：异常检测算法可以通过对数据的分析和模式识别，发现异常的行为。

异常检测算法可以用于检测潜在的故障情况，并及时发出警报。

与机器学习算法不同，异常检测算法不需要事先训练，可以实时检测异常情况。

5. 与运维团队协同工作：故障检测系统应与运维团队密切协作，及时了解系统的运行情况和维护工作。

运维团队可以通过实地观察和经验判断，辅助故障检测系统判断是否真的发生了故障。

通过运维团队的介入，可以降低误报率。

6. 增加人工复核环节：故障检测系统可以设置一个人工复核环节，通过人工判断是否发生了故障。

与机器相比，人类能够更好地理解系统的运行情况和背景知识，并通过经验判断是否发生了故障。

人工复核环节可以进一步降低误报的概率。

7. 监控系统的健康状态：故障检测系统本身也需要保持良好的运行状态。

监控系统的健康状况、及时修复系统故障和更新系统升级补丁，可以降低误报的概率。

同时，监控系统的健康状态也可以通过系统日志和自检机制来进行监控和评估。

8. 针对特定场景进行优化：不同的系统和场景可能需要针对性的优化方法。

可以根据实际情况进行测试和评估，选择最适合的方法和策略来降低误报的概率。

例如，对于流量异常检测，可以采用滑动窗口的方法来平滑异常数据，避免误报的发生。

第27卷㊀第7期2023年7月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control㊀Vol.27No.7Jul.2023㊀㊀㊀㊀㊀㊀基于深度学习的电动汽车充电状态监测与安全预警方法高德欣1,㊀王义1,㊀郑晓雨1,㊀杨清2(1.青岛科技大学自动化与电子工程学院,山东青岛266061;2.青岛科技大学信息科学技术学院,山东青岛266061)摘㊀要:为了保证电动汽车充电的安全㊁可靠运行,防止电动汽车在充电时发生火灾,提出了一种基于卷积神经网络(CNN )和双向门控循环单元(BiGRU )的电动汽车充电状态监测与安全预警方法㊂首先,使用CNN 对电动汽车正常充电历史数据进行深度挖掘,提取其深层特征,并利用BiGRU 对深层特征进行充分的分析和利用,构建电动汽车的温度预测模型㊂其次,制定预测模型输出精确度的评价标准,用来评价预测模型输出的准确性㊂然后,通过滑动窗口对模型预测值进行温度残差分析,确定合适的安全预警阈值和规则㊂最后,将满足要求的温度预测模型应用到电动汽车实时充电中,进行安全预警实验㊂实验结果表明,CNN-BiGRU 模型相比其他预测模型具有更高的预测精确度和预测效果,且滑动窗口分析法能够提前对电动汽车充电过程中的温度异常进行安全预警㊂关键词:电动汽车;状态监测;安全预警;残差分析;卷积神经网络;双向门控循环单元DOI :10.15938/j.emc.2023.07.013中图分类号:TM08文献标志码:A文章编号:1007-449X(2023)07-0122-11㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2021-11-06基金项目:山东省重点研发计划资助项目(公益类)(2019GGX101012);山东省自然科学基金资助项目(ZR2022ME194)作者简介:高德欣(1978 ),男,博士,教授,研究方向为人工智能㊁优化控制与故障诊断;王㊀义(1997 ),男,硕士,研究方向为深度学习㊁故障诊断与安全预警;郑晓雨(1998 ),女,硕士研究生,研究方向为深度学习㊁故障检测与安全预警;杨㊀清(1981 ),女,博士,研究方向为人工智能㊁机器学习与图像识别㊂通信作者:杨㊀清Electric vehicle charging status monitoring and safety warningmethod based on deep learningGAO Dexin 1,㊀WANG Yi 1,㊀ZHENG Xiaoyu 1,㊀YANG Qing 2(1.School of Automation and Electronic Engineering,Qingdao University of Science and Technology,Qingdao 266061,China;2.School of Information Science and Technology,Qingdao University of Science and Technology,Qingdao 266061,China)Abstract :In order to ensure the safe and reliable operation of electric vehicle charging and prevent the fire of electric vehicles while charging,an electric vehicle charging status monitoring and safety warning method was proposed based on convolutional neural network (CNN)and bidirectional gated recurrent unit (BiGRU).Firstly,CNN was used to deeply mine the normal charging history data of electric vehicles to extract their deep features,and BiGRU was used to fully analyze and utilize the deep features to construct a temperature prediction model of electric vehicles.Next,the evaluation criteria of the prediction modeloutput accuracy were developed and used to evaluate accuracy of the prediction model output.Then,the temperature residual analysis of the model prediction values by sliding window was performed to determine the appropriate safety warning thresholds and rules.Finally,the temperature prediction model satisfying the requirements was applied to the real-time charging of electric vehicles for safety warning experiments.The experimental results show that the CNN-BiGRU model has higher prediction accuracy and predictioneffect compared with other prediction models,and the sliding window analysis method can provide safety warning for temperature abnormalities in the charging process of electric vehicles in advance. Keywords:electric vehicle;status monitoring;safety warning;residual analysis;convolutional neural networks;bi-directional gated recurrent unit0㊀引㊀言电动汽车能够缓解能源危机㊁减少碳排放和保护环境,符合 双碳 战略的目标,是当前各国政府和企业的重点发展对象[1-2]㊂而随着电动汽车的迅猛发展,其充电的安全性和可靠性得到了行业内的广泛重视[3]㊂电动汽车的动力来源主要是各类电池,一旦电池在充电过程中出现安全问题,电动汽车很有可能会发生火灾,从而造成不可挽回的经济损失,甚至是人员损伤㊂因此,在线监测电动汽车动力电池的充电状态,在电动汽车产生起火事故之前进行安全预警就显得十分的重要㊂目前,国内外关于电动汽车的研究成果很多[4-8],但关于电动汽车充电预警的内容相对较少㊂基于深度学习方法的安全预警,尤其是长短时记忆神经网络(long short-term memory,LSTM),因其具有分析时序数据的优点,在不同行业的安全预警领域得到了广泛的应用[9-13]㊂例如,文献[9]利用LSTM 建立了风机齿轮箱的状态监测模型,能够有效地对风电齿轮箱故障进行预警㊂文献[10]提出了一种基于LSTM的电力变压器的安全预警方法,能够实现对设备潜在故障进行初步预警㊂文献[11]研究了一种新的电池故障诊断方法,采用LSTM和等效电路模型实现了对电池故障的准确预警和对热失控电池的精准定位㊂文献[12]以LSTM为基础,构建了储能电站健康检测系统,能够对储能电站系统的故障进行提前预警㊂文献[13]采用卷积神经网络(convolutional neural network,CNN)和LSTM相结合的深度学习网络模型,实现了风力涡轮机轴承高速侧的人工智能监测和过温安全预警㊂电动汽车在每次充电过程中,动力电池的各项充电都会传输到监控平台中,这样就会使充电数据呈现大数据趋势㊂而LSTM由于结构复杂,参数较多,在处理大量数据时会出现模型收敛速度慢,训练时间较长等缺点[14]㊂门控循环单元(gated recurrent unit,GRU)是LSTM的增强版,具有结构简单㊁参数较少㊁模型收敛快等优点,能更契合实际应用[15]㊂电动汽车充电数据前后往往都存在较强的关联性,即某一时刻充电数据都受到历史和未来数据的影响,而GRU只能对充电数据进行单向处理㊂双向循环门控单元(bi-directional gated recurrent unit,BiGRU)具有兼顾历史和未来充电数据的特点[16],可以充分的对电动汽车充电数据信息进行深层次的利用㊂为了保证电动汽车充电安全,及时有效的预测充电事故的发生,防止电动汽车在充电过程中出现自燃事故,本文利用电动汽车充电数据,提出一种基于CNN-BiGRU的电动汽车充电状态监测和安全预警方法㊂CNN对监测的电动汽车充电历史数据进行充分利用和挖掘,提取到充电数据中隐藏的深层特征㊂利用BiGRU分析历史和未来数据的优点,对提取的深层特征进行时序分析,建立电动汽车正常充电的温度预测模型㊂制定预测输出模型精确度的评价标准,对温度预测模型的预测结果进行评判㊂采用滑动窗口分析法对温度预测模型的预测残差进行分析处理,确定好安全预警阈值㊂将满足要求的温度预测模型和确定好的预警阈值应用到电动汽车充电实时监测中,实现电动汽车充电过程的安全预警㊂1㊀问题描述1.1㊀电动汽车充电安全分析近年来,我国制定了很多标准[17-19],用来保证电动汽车的安全㊂但是在电动汽车㊁动力电池以及充电设备的安全方面,尚没有形成有效的安全预警方法和评价指标体系㊂而电动汽车充电安全预警就是从充电侧研究安全预警方法,充分利用电动汽车的历史和现在的充电数据,构建安全充电模型,在其每次充电时,对它进行 体检 和诊断,提前预警防止发生自燃等严重事故㊂基于恒流恒压充电方法的大功率直流充电,由于具有通用性强㊁控制方法简单㊁硬件电路容易实现和充电时间短等优点,被广泛的应用于电动汽车充321第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法电领域㊂电动汽车在大功率直流充电下会导致动力电池的温度迅速升高,如果不能对动力电池的温度进行有效的监控,电动汽车很有可能会因为动力电池的温度太高发生自燃或爆炸㊂因此,在电动汽车充电过程中对动力电池温度进行监测,是保证电动汽车充电安全的关键因素㊂1.2㊀电动汽车充电状态监测与安全预警分析电动汽车充电过程如图1所示,主要分为状态监测与安全预警两大部分㊂图1㊀电动汽车充电状态监测与安全预警结构图Fig.1㊀Electric vehicle charging status monitoring andsafety early warning structure diagram1)状态监测:电动汽车在充电时,充电设备与电池管理系统(battery management system,BMS)之间应遵守‘电动汽车非车载传导式充电机与电池管理系统之间的通信协议(GB /T 27930)“[20]进行信息通讯,可以获取到的主要参数如表1所示,并对表1中各参数进行状态监测㊂2)安全预警:由表1可知,动力电池的温度值可以被获取,因此,在对电动汽车充电过程中的参数进行状态监测的同时,训练动力电池的温度模型,用以判断电动汽车充电是否安全㊂具体实现方法:将监测的电动汽车充电数据划分为实时数据和历史数据;利用电动汽车的正常充电数据训练深度学习网络,构建深度学习网络的电动汽车正常充电的温度预测模型;将实时数据输入温度预测模型中预测温度并对预测值进行分析,判断电动汽车充电过程是否出现温度异常,实现电动汽车充电过程的安全预警㊂表1㊀电动汽车充电过程的主要参数表Table 1㊀Main parameters table of electric vehiclecharging process㊀㊀㊀㊀参数变化特点周期/ms 整车动力电池额定容量/Ah 定值250整车动力电池额定电压/V 定值250最高允许单体电压/V 定值500最高允许充电电流/A 定值500整车动力电池标称能量/kWh 定值500最高允许充电电压/V 定值500最高允许温度/ħ定值500整车动力电池初始SOC /%定值500整车动力电池初始电压/V 定值500整车动力电池需求电压/V 周期变化50整车动力电池需求电流/A 周期变化50充电电压测量值/V 周期变化250充电电流测量值/A周期变化250整车动力电池最高单体电压/V 周期变化250整车动力电池当前SOC /%周期变化250整车动力电池单体最高温度/ħ周期变化2502㊀电动汽车充电安全预警模型设计2.1㊀CNN-BIGRU 模型设计为了更好地体现数据特征,提高模型的收敛速度,获取更高的预测精确度,采用极差标准化的方法将数据集映射到[-1,1]之间㊂CNN 具有很强的时间序列的特征提取能力[21],并且卷积层和池化层的层数可以自由匹配,所以利用CNN 提取电动汽车充电数据之间的潜在关系,形成特征向量,其计算公式如图2中CNN 网络结构模型所示㊂BiGRU 具有很强的记忆能力,能够有效地保留历史输入数据[16,22],可以兼顾历史以及未来充电数据对当前时刻的影响,从而能够对电动汽车的历史充电数据进行深层次的分析㊂CNN-BiGRU 模型同时具有CNN 和BiGRU 2个网络的优点,其模型结构如图2中BiGRU 网络结构所示㊂2.2㊀预测精确度评价标准采取均方根误差e RMSE (root mean square error,RMSE)和平均绝对百分误差e MAPE (mean absolute percentage error,MAPE)2种误差测量方式作为评价温度预测模型准确性的指标[23],其中:1)e RMSE 反映了电动汽车温度实际值和预测值421电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀之间差异的标准偏差㊂它用于评价局部预测的准确性㊂e RMSE =ðni =1(Q i -Q ∗i )2n㊂(1)2)e MAPE 代表电动汽车温度预测值和实际值之间绝对误差的平均值㊂它用于反映充电预测数据的总体准确性㊂其计算公式如下:e MAPE=1n ðni =1|Q i -Q ∗i |Q iˑ100%㊂(2)上述2个公式中的Q i 和Q ∗i 分别为第i个时刻的电动汽车的实际温度数据和预测温度数据;n 为测试集的总体样本个数㊂e RMSE 和e MAPE 值越小,说明预测的温度数据越准确㊂图2㊀CNN-BiGRU 模型结构图Fig.2㊀CNN-BiGRU model structure diagram2.3㊀异常判别方法选取电动汽车正常充电数据训练CNN-BiGRU 模型,当电动汽车充电正常时,温度数据相对比较平稳,CNN-BiGRU 模型的温度预测误差相对较小㊂当电动汽车充电出现潜在故障时,随着充电的进行,故障程度也会加剧,电动汽车的温度会偏离正常充电区间,从而导致CNN-BiGRU 模型的温度预测误差变大㊂采用滑动窗口分析法,持续地对温度预测残差进行处理与分析,可以消除数据传输过程中错误充电数据对残差变化的影响,能够有效地避免误预警[24]㊂当滑动窗口的宽度为N 时,此窗口下残差的均值和标准差的计算公式如下:X =1N ðNi =1e i ;S =1N -1ðNi =1(e i-X )2㊂üþýïïïï(3)式中e i 为滑动窗口中第i 个采样点的残差㊂利用滑动窗口对正常充电的温度残差进行分析处理,得到正常充电的温度残差均值绝对值的最大值X max ,以及温度残差标准差的最大值S max ,预警阈值的计算公式为:X Y =ʃk 1X max ;S Y =k 2S max ㊂}(4)当均值和标准差都超过所计算的预警阈值时,进行安全预警㊂2.4㊀电动汽车状态监测与安全预警流程电动汽车的安全预警主要可以分为数据选取及预处理㊁离线模型训练和在线与安全预警3个阶段,电动汽车充电安全动态预警流程图如图3所示㊂其具体的实现过程如下:1)获取电动汽车正常充电过程历史数据,选取适合的模型输入参数;2)对选好的输入参数数据进行归一化和标准化处理,得到CNN-BiGRU 模型的标准输入数据;3)确定CNN-BiGRU 模型网络结构参数,利用标准化输入数据训练CNN-BiGRU 模型,更新模型的网络权重与偏置,得到训练好的CNN-BiGRU 模型;4)采用滑动窗口方法,计算电动汽车正常充电时的预测温度的残差均值与标准差,确定安全预警的阈值;521第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法5)获取电动汽车实时充电数据,进行状态监测并显示,并将实时数据输入温度预测模型中,预测电动汽车的充电温度;6)采用滑动窗口计算预测温度的残差均值和标准差,判断两者是否超过安全预警阈值,如果超过,则进行安全预警㊂图3㊀电动汽车状态监测与安全预警流程图Fig.3㊀Flow chart of electric vehicle condition monitoring and safety warning3㊀实验验证与分析3.1㊀数据选取在电动汽车充电过程中,BMS 按照国标GB /T27930,通过充电枪和电缆,以CAN 通信协议方式传输给充电设备㊂充电设备获取到电动汽车的充电信息,选取其中的充电电压需求值㊁充电电流需求值㊁充电电压测量值㊁充电电流测量值㊁动力电池当前SOC㊁单体最高电压㊁单体最高温度具有变化量的参数,作为温度预测模型的输入量㊂以宝骏E100㊁欧拉R1㊁帝豪EV450三款电动汽车作为实验对象,三款电动汽车的参数如表2所示㊂表2㊀电动汽车参数表Table 2㊀Electric vehicle parameter table电动汽车类型宝骏E100欧拉R1帝豪EV450动力电池类型LiFePO4LiFeMgPO4LiNiO2动力电池容量100Ah 120Ah 153Ah 选取数据量69355条69355条65122条3.2㊀模型搭建在硬件配置为Intel (R)Core (TM)i5-3210MCPU @2.50GHz,8GB 内存的计算机中,搭建Py-thon 3.5,Tensorflow 1.15.0的软件实验环境,并以Keras 深度学习网络框架搭建CNN-BiGRU 模型㊂CNN-BiGRU 模型中的CNN 作用是提取数据特征,BiGRU 的作用是进行电动汽车充电数据预测㊂CNN 中卷积层为1层,卷积核数目为32,卷积窗口的长度为4,卷积步长为1,最大池化层数目为1层,池大小为7,步长为1,CNN 网络层激活函数选取SELU 函数㊂BiGRU 中共有2层网络层,每层的神经元个数为90,网络层激活函数选取tanh 函数㊂实验中选用Adam 优化算法,时间步设置为100㊂3.3㊀正常充电模型温度预测结果分析为了验证CNN-BiGRU 模型对电动汽车充电过程温度预测的准确度和稳定性,分别与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiL-STM 模型进行比较分析㊂不同模型的预测结果如表3~表5㊁图4~图9所示㊂由表3可知,在宝骏E100电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.0589㊁0.0414㊁0.033㊁0.0242㊁0.024ħ,温度的e MAPE 分别都降低了0.2448%㊁0.1514%㊁0.1229%㊁0.0799%㊁0.0645%㊂621电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀表3㊀宝骏E100电动汽车不同模型的温度预测结果Table 3㊀Temperature prediction results of different modelsof Baojun E100electric vehicle算法类型e RMSE /ħe MAPE /%LSTM 0.07390.2978GRU 0.05640.2044BiLSTM 0.04800.1759BiGRU 0.03920.1329CNN-BiLSTM 0.03900.1175CNN-BiGRU0.01500.0530由图4所示,宝骏E100电动汽车的温度在随SOC 变化时,只有CNN-BiGRU 温度模型与实际温度值相近㊂图4㊀宝骏E100不同模型温度随SOC 的变化曲线Fig.4㊀Variation curve of temperature with SOC fordifferent models of Baojun E100由图5所示,宝骏E100电动汽车的CNN-BiG-RU 模型的实际温度值和预测温度值的差值大部分集中在-0.06ħ至0.06ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在宝骏E100的充电温度预测中,具有最好的预测效果㊂图5㊀宝骏E100的CNN-BiGRU 温度模型残差随SOC的变化曲线Fig.5㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Baojun E100由表4可知,在欧拉R1电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.1315㊁0.0482㊁0.0424㊁0.0319㊁0.0274ħ,温度的e MAPE 分别都降低了0.3655%㊁0.0857%㊁0.1214%㊁0.0484%㊁0.0711%㊂表4㊀欧拉R1电动汽车不同模型的温度预测结果Table 4㊀Temperature prediction results of different modelsof Euler R1electric vehicles算法类型e RMSE /ħe MAPE /%LSTM 0.18580.5313GRU 0.10250.2515BiLSTM 0.09670.2872BiGRU 0.08620.2142CNN-BiLSTM 0.08170.2369CNN-BiGRU0.05430.1658由图6所示,欧拉R1电动汽车的温度变化在SOC 较小时,BiLSTM 与实际温度值相近,在SOC 较大时,CNN-BiGRU 模型与实际温度值相近㊂图6㊀欧拉R1不同模型温度随SOC 的变化曲线Fig.6㊀Variation curves of temperature with SOC fordifferent models of Euler R1由图7所示,欧拉R1电动汽车的CNN-BiGRU 模型的实际温度值和预测温度值的差值大部分集中在-0.1ħ至0.3ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在欧拉R1电动汽车的充电温度预测中,具有最好的预测效果㊂由表5可知,在吉利帝豪EV450电动汽车充电数据的预测中,CNN-BiGRU 模型相比与LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,温度的e RMSE 分别提降低0.093㊁0.076㊁0.0582㊁0.004㊁0.0066ħ,温度的e MAPE 分别721第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法都降低了0.3506%㊁0.3227%㊁0.0784%㊁0.04%㊁0.0418%㊂图7㊀欧拉R1的CNN-BiGRU 温度模型残差随SOC 的变化曲线Fig.7㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for Euler R1表5㊀帝豪EV450电动汽车不同模型的温度预测结果Table 5㊀Temperature prediction results of different modelsof the Emgrand EV450electric vehicle算法类型e RMSE /ħe MAPE /%LSTM 0.16260.5463GRU 0.14560.5184BiLSTM 0.12780.2741BiGRU 0.07360.2357CNN-BiLSTM 0.07620.2375CNN-BiGRU0.06960.1957由图8所示,吉利帝豪EV450电动汽车的温度变化在整个SOC 变化过程中,只有CNN-BiGRU 模型与实际温度值相近㊂图8㊀帝豪EV450不同模型温度随SOC 的变化曲线Fig.8㊀Variation curve of temperature with SOC fordifferent models of Emgrand EV450由图9所示,吉利帝豪EV450电动汽车中的CNN-BiGRU 模型的实际温度值和预测温度值的差值大部分集中在-0.1ħ至0.3ħ之间,预测效果较好㊂综合而言,CNN-BiGRU 模型的在吉利帝豪EV450电动汽车的充电过程预测中,具有最好的预测效果㊂图9㊀帝豪EV450的CNN-BiGRU 温度模型残差随SOC 的变化曲线Fig.9㊀Variation curves of CNN-BiGRU temperaturemodel residuals with SOC for the Emgrand EV450综上分析,与传统的LSTM 和GRU 相比,BiL-STM 和BiGRU 模型可以对过去和未来的电动汽车充电数据进行充分分析,使得预测的温度数据更加准确㊂与BiLSTM 模型和BiGRU 模型相比,CNN-BiGRU 模型可以利用CNN 提取数据深层特征的能力,对充电数据进行更好的分析和挖掘,从而提高温度预测的准确度㊂于CNN-BiLSTM 模型相比,CNN-BiGRU 模型更加适合大数据量的处理,使得该模型的温度预测准确度要比CNN-BiLSTM 更高㊂从3款电动汽车车型实验结果可知,CNN-BiGRU 相比于LSTM 模型㊁GRU 模型㊁BiLSTM 模型㊁BiGRU 模型和CNN-BiLSTM 模型,具有更高的预测准确度和更强的泛化能力㊂3.4㊀安全预警分析由于电池过热是引起电动汽车起火事故的主要原因,所以采用温度残差的均值和标准差作为判断电动充电是否出现异常的判别条件㊂确定滑动窗口宽度为100,对残差进行分析处理㊂随着窗口的移动,宝骏E100㊁欧拉R1电动汽车的温度残差的均值和标准差变化如图10㊁图11和图12所示㊂由图10可知,正常充电状态下,宝骏E100模型821电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀预测残差的均值处于-0.0505~0.0505ħ之间,绝对值最大为0.0505ħ,残差的标准差最大值为0.0118ħ㊂由图11可知,正常充电状态下,欧拉R1模型预测残差的均值处于-0.1141~0.2884ħ之间,绝对值最大为0.2884ħ,残差的标准差最大值为0.0118ħ㊂由图12可知,正常充电状态下,吉利帝豪EV450预测残差的均值处于-0.0805~0.2777ħ之间,绝对值最大为0.2777ħ,残差的标准差最大值为0.005ħ㊂图10㊀宝骏E100温度残差均值和标准差随采样点的变化曲线Fig.10㊀Variation curves of mean and standard devia-tion of Baojun E100temperature residuals with sampling points根据运行人员经验,取k 1㊁k 2为2㊂由式(8)设定3款电动汽车均值的预警阈值为分别为ʃ0.101㊁ʃ0.5768㊁ʃ0.5554ħ,标准差的预警阈值分别为0.0236㊁0.0236㊁0.01ħ㊂选取宝骏E100㊁欧拉R1和吉利帝豪EV450电动汽车对应的故障充电数据输入到CNN-BiGRU 模型中,验证模型安全预警的有效性㊂故障充电预测结果及残差变化趋势如图13~图15所示㊂图11㊀欧拉R1温度残差均值和标准差随采样点的变化曲线Fig.11㊀Variation curves of mean and standard devia-tion of Euler R1temperature residuals with samplingpoints图12㊀帝豪EV450温度残差均值和标准差随采样点的变化曲线Fig.12㊀Variation curves of mean and standard devia-tion of Emgrand EV450temperature residuals with sampling points921第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法由图13(a)可以看出,残差均值从第57622个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图13(b)发现标准差在第57602个采样点时超过了标准差的预警界限,在57795个采样点时回落到了预警界限以下㊂该电动汽车实际温度故障信息是第57806个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第57622个采样点,就会做出预警㊂在宝骏E100电动汽车的充电安全预警实验中,能够提前184个采样点对异常进行识别,而表1中参数最小的更新周期为50ms,所以能够提前9.2s 对温度异常进行预警㊂图13㊀宝骏E100故障时充电温度残差均值和标准差随采样点的变化曲线Fig.13㊀Variation curves of mean and standard deviationof charging temperature residuals with sampling points during the fault of Baojun E100由图14(a)可以看出,残差均值从第57636个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图14(b)发现标准差到第57603个采样点之后,全部超过预警界限㊂该电动汽车实际温度故障信息是第57792个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第57636个采样点,就会做出预警㊂在欧拉R1电动汽车的充电安全预警实验中,能够提前156个采样点对异常进行识别,所以能够提前7.8s 对温度异常进行预警㊂图14㊀欧拉R1故障时充电温度残差均值和标准差随采样点的变化曲线Fig.14㊀Variation curves of mean and standard devia-tion of charging temperature residuals with sampling points during the fault of Euler R1由图15(a)可以看出,残差均值从第50773个采样点开始超过均值的预警界限,之后处于预警界限以上㊂观察图15(b)发现标准差到第50740个采样点之后,全部超过预警界限㊂该电动汽车实际故障温度信息是第50878个采样点发出的㊂根据本文方法,当均值和标准差同时超过预警阈值时发出预警信号,所以在第50773个采样点,就会做出预警㊂在帝豪EV450电动汽车的充电安全预警实验中,能够提前105个采样点对异常进行识别,所以能够提前5.25s 对温度异常进行预警㊂由图15~图17可知,错误的充电数据只会导致标准差变化超出阈值,而均值变化不会超过阈值,31电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第27卷㊀所以在充电数据出现几个离散点时,系统不会预警㊂由此可知,滑动窗口分析法能够有效的避免系统出现误预警的情况发生㊂图15㊀帝豪EV450故障时充电温度残差均值和标准差随采样点的变化曲线Fig.15㊀Variation curves of mean and standarddeviation of charging temperature residuals with sampling points during the fault of Emgrand EV4504㊀结㊀论本文针对电动汽车充电过程的安全问题,结合CNN 提取时间序列特征和BiGRU 从2个方向分析数据的能力,并利用滑动窗口分析法,提出了一种电动汽车充电过程安全预警方法㊂通过使用宝骏E100㊁欧拉R1㊁帝豪EV4503款电动汽车充电数据进行实验验证,结果表明,CNN-BiGRU 模型能够准确的预测电动汽车的温度变化趋势,并且于其他传统预测模型相比,温度的e RMSE 至少能够分别降低0.024㊁0.0274㊁0.004ħ,温度的e MAPE 至少能够分别降低0.0645%㊁0.0484%㊁0.04%,不依赖于电动汽车的动力电池类型,适用性较强㊂确定的预警阈值和规则能够实现对电动汽车充电温度异常的提前预警,预警时间分别提前了9.2㊁7.2㊁5.25s,有效避免电动汽车出现自燃事故㊂参考文献:[1]㊀周美兰,冯继峰,张宇.纯电动汽车复合储能系统及其能量控制策略[J].电机与控制学报,2019,23(5):51.ZHOU Meilan,FENG Jifeng,ZHANG Yu.Hybrid energy storage system for pure electric vehicles and its energy control strategy [J].Electric Machines and Control,2019,23(5):51.[2]㊀吴赋章,杨军,林洋佳,等.考虑用户有限理性的电动汽车时空行为特性[J].电工技术学报,2020,35(7):1563.WU Fuzhang,YANG Jun,LIN Yangjia,et al.Spatio-temporal behavior characteristics of electric vehicles considering users fi-nite rationality[J].Transactions of China Electrotechnical Socie-ty,2020,35(7):1563.[3]㊀钱立军,赵明宇,张卫国.一种电动汽车充电安全预警模型设计方法[J].电网与清洁能源,2016,32(12):114.QIAN Lijun,ZHAO Mingyu,ZHANG Weiguo.A design method of electric vehicle charging safety warning model[J].Power Sys-tem and Clean Energy,2016,32(12):114.[4]㊀胡杰,高志文.基于数据驱动的电动汽车动力电池SOC 预测[J].汽车工程,2021,43(1):1.HU Jie,GAO Zhiwen.Data-driven SOC prediction for electric ve-hicle power batteries based on data[J].Automotive Engineering,2021,43(1):1.[5]㊀丁晓林,王震坡,张雷.四轮轮毂电机驱动电动汽车驱动系统参数多目标优化匹配[J].机械工程学报,2021,57(8):195.DING Xiaolin,WANG Zhenpo,ZHANG Lei.Multi-objective op-timal matching of drive system parameters for four-wheel hub mo-tor-driven electric vehicles[J].Journal of Mechanical Engineer-ing,2021,57(8):195.[6]㊀杨光,宋凯,黄晓华,等.用于电动汽车无线充电线圈互操作性评价的量规设备研究[J].电工技术学报,2020,35(S2):363.YANG Guang,SONG Kai,HUANG Xiaohua,et al.Research on gauge equipment for interoperability evaluation of wireless chargingcoils for electric vehicles[J].Transactions of China Electrotechni-cal Society,2020,35(S2):363.[7]㊀申永鹏,孙建彬,王延峰,等.电动汽车混合储能装置小波功率分流方法[J].中国电机工程学报,2021,41(13):4636.SHEN Yongpeng,SUN Jianbin,WANG Yanfeng,et al.Wavelet power shunt method for electric vehicle hybrid energy storage de-vice[J].Proceedings of the CSEE,2021,41(13):4636.[8]㊀朱绍鹏,江旭东,王燕然,等.分布式四驱电动汽车并联制动控制研究[J].汽车工程,2020,42(11):1506.ZHU Shaopeng,JIANG Xudong,WANG Yanran,et al.Research on parallel braking control of distributed four-wheel drive electricvehicles[J].Automotive Engineering,2020,42(11):1506.131第7期高德欣等:基于深度学习的电动汽车充电状态监测与安全预警方法。

基于动态阈值的稳态模拟量异常预警方法
张吉亮;陈姝凡;曹浩
【期刊名称】《机电产品开发与创新》
【年(卷),期】2024(37)3
【摘要】在对生产生活中常见的电压、电流、温度等稳态模拟量进行异常预警分析时,当前监测类系统存在阈值维护工作量大、算法模型技术复杂和因单点异常判定导致了频繁预警和漏预警等问题。

针对上述问题,本文提出了一种基于动态阈值和滑动窗口式分析的稳态模拟量异常预警方法。

该方法能提高监测类系统预警功能的易维护性和预警有效性。

【总页数】3页(P169-171)
【作者】张吉亮;陈姝凡;曹浩
【作者单位】中国工业互联网研究院;江苏省工业互联网发展研究中心
【正文语种】中文
【中图分类】TP277
【相关文献】
1.一种基于动态阈值的突发流量异常检测方法
2.基于动态自学习阈值和趋势滤波的机械故障智能预警方法
3.基于组合赋值法的稳态电能质量预警阈值研究
4.基于κ中心点聚类的稳态电能质量预警阈值研究
5.基于机器视觉和动态阈值的电气设备运行异常关联感知方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于窗口波动模式识别的纺纱过程质量波动异常预警作者：张驰王祥荣胡胜陈臣李文汪成龙来源：《丝绸》2023年第10期摘要：纺纱过程受到多因素的影响，其质量波动呈现复杂性。

文章针对纺纱过程质量波动异常难以及时预警的问题，提出一种基于窗口波动模式识别的纺纱过程质量波动异常预警方法。

首先对纺纱过程参数时序集进行窗口分解，定义异常波动率对窗口序列的波动程度进行表征;然后根据窗口是否存在异常预期信号对模式进行判别，并构建参数优化的随机森林模型对窗口波动模式进行识别，据此构建纺纱过程质量波动异常预警策略。

通过细纱过程数据集进行验证，结果显示所提方法在实现对纺纱质量异常波动进行预警的同时还能够准确追溯异常波动源头，为纺纱生产质量稳定提供保证。

关键词：纺纱过程;质量波动;异常预警;随机森林;移动窗口中图分类号：TS111.9; TH165.4 文献标志码：A 文章编号： 1001-7003（2023）10-0053-09篇页数引用页码：101108DOI： 10.3969/j.issn.1001-7003.2023.10.008（篇序）收稿日期：2023-03-23;修回日期：2023-09-21基金项目：国家自然科学基金项目（72001166）;陕西省自然科学基础研究计划项目（2022JQ-721）;西安工程大学研究生创新基金项目（chx2022006）作者简介：胡胜（1988），男，副教授，博士，主要从事复杂工业过程建模与优化、质量管理与质量工程的研究。

纺纱过程由于其复杂环境及多源信息交互性等特点，其各环节中的成纱质量受到多种质量参数影响，且目前纱线质量控制方法还停留在事后质检的水平上[1]，只能发现废品而不能预防废品的产生，其结果直接导致企业的制造成本增加并造成更多经济损失[2]。

因此，针对纺纱过程质量波动问题，从早期挖掘异常波动的角度出发，对纺纱过程出现异常波动的时刻及异常原因进行预警分析，及时对纺纱过程稳定性进行判别具有重要意义。

第42卷第6期2023年11月大连工业大学学报J o u r n a l o fD a l i a nP o l y t e c h n i cU n i v e r s i t yV o l .42N o .6N o v .2023收稿日期:2022-11-25.基金项目:国家自然科学基金项目(62273242);辽宁省教育厅科学研究项目(L J 2019007).作者简介:郭金玉(1975-),女,副教授,E -m a i l :969554959@q q.c o m.D O I :10.19670/j .c n k i .d l g yd x x b .2023.0614基于可变滑动窗口K L P P 的故障检测郭金玉, 郭佳燕, 李 元(沈阳化工大学信息工程学院,辽宁沈阳 110142)摘要:为了提高K L P P 在故障检测过程中对非线性和时变特性的自适应能力,提出一种基于可变滑动窗口K L P P (VMWK L P P )的故障检测方法㊂利用训练数据建立K L P P 模型,并计算其统计量和控制限;对测试样本块进行检验,通过正常过程的变化来调节窗口的大小,选择最优的窗口大小㊂滑动窗口来添加新的样本块和丢弃旧的样本块,实现窗口数据样本的实时更新,以进一步更新K L P P 模型和控制限㊂将该方法运用于田纳西-伊斯曼过程中,仿真结果表明,与K L P P 和滑动窗口K L P P (MWK L P P )相比,VMWK L P P 方法在工业过程监控中具有明显的优越性㊂关键词:故障检测;核局部保持投影(K L P P );田纳西-伊斯曼过程;可变滑动窗口中图分类号:T P 277文献标志码:A文章编号:1674-1404(2023)06-0463-06F a u l t d e t e c t i o nb a s e do nv a r i a b l em o v i n g wi n d o wK L P P G U O J i n y u , G U O J i a ya n , L I Y u a n (C o l l e g eo f I n f o r m a t i o nE n g i n e e r i n g ,S h e n y a n g U n i v e r s i t y o f C h e m i c a l T e c h n o l o g y ,S h e n y a n g 110142,C h i n a )A b s t r a c t :T o i m p r o v e t h e a d a p t i v e a b i l i t y o f K L P P t o d e a l w i t h n o n l i n e a r a n d t i m e -v a r y i n gc h a r a c t e r i s t i c s i n f a u l tde t e c t i o n p r o c e s s ,af a u l td e t e c t i o n m e t h o db a s e do nv a r i a b l em o v i ng wi n d o w k e r n e l l o c a l i t yp r e s e r v i n gp r o j e c t i o n s (VMWK L P P )i s p r o p o s e d .T h e K L P P m o d e l i sb u i l tu s i n gt r a i n i n g d a t a ,a n di t ss t a t i s t i ca n dc o n t r o ll i m i ta r ec a l c u l a t e d .T h e n ,t h et e s ts a m p l e b l o c ki s c h e c k e d .T h e s i z eo f t h ew i n d o wi sv a r i e da c c o r d i n g t ot h ec h a n g e i nt h en o r m a l p r o c e s s ,a n dt h e o p t i m a lw i n d o ws i z e i ss e l e c t e d .T h e w i n d o wi s m o v e dt oa d dn e w s a m p l eb l o c k sa n dd i s c a r do l d s a m p l e b l o c k s ,s o a s t o r e a l i z e r e a l -t i m e u p d a t e o fw i n d o wd a t a s a m p l e s ,a n d f u r t h e r u p d a t e t h eK L P P m o d e l a n dc o n t r o l l i m i t .T h i sm e t h o d i sa p pl i e dt ot h eT e n n e s s e eE a s t m a n p r o c e s s ,t h es i m u l a t i o n r e s u l t ss h o w t h a t VMWK L P P h a s o b v i o u s a d v a n t a g e s o v e r K L P P a n d m o v i n g wi n d o w K L P P (MWK L P P )i n i n d u s t r i a l p r o c e s sm o n i t o r i n g .K e y wo r d s :f a u l td e t e c t i o n ;k e r n e ll o c a l i t y p r e s e r v i n g p r o j e c t i o n s (K L P P );T e n n e s s e e E a s t m a n p r o c e s s ;v a r i a b l em o v i n g wi n d o w 0 引 言主成分分析(p r i n c i p a l c o m p o n e n ta n a l ys i s ,P C A )[1-3]作为一种线性降维算法,广泛应用于工业过程监测㊂P C A 算法可将高维噪声和相关数据压缩到低维子空间㊂然而大多数工业过程具有非线性特征,P C A 可能会忽略非线性系统中的重要信息㊂为了解决这一问题,核主成分分析(k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s,K P C A)[4-6]被提出㊂K P C A利用核函数的映射原理,将数据矩阵转换到更高维的特征空间,实现对非线性工业过程的监测㊂P C A和K P C A算法有效提取数据集的全局特征信息,忽略了局部结构信息,降低了故障检测性能㊂为了更好地获取样本的局部信息,H u等[7]提出局部保持投影(l o c a l i t yp r e s e r-v i n gp r o j e c t i o n s,L P P)算法,通过分析原始数据的局部流形结构,保留有用的局部信息㊂但是, L P P是一种线性算法,会导致复杂非线性工业过程的监控性能下降㊂为了进一步提高L P P在非线性过程中的故障检测能力,D e n g等[8]提出稀疏核局部保持投影算法,采用特征样本选择技术使核局部保持投影(k e r n e ll o c a l i t y p r e s e r v i n g p r o j e c t i o n s,K L P P)模型稀疏化,降低核模型的计算复杂度,并将其在连续搅拌釜式反应器系统上进行实现㊂张学磊等[9]提出改进核局部保持投影故障检测方法,将K P C A融入K L P P中,使数据包含全局信息和局部信息,提高故障检测率㊂将多元指数加权移动平均(m u l t i v a r i a t ee x p o n e n-t i a l l y w e i g h t e d m o v i n g a v e r a g e,M EWMA)运用到该方法中提高对微小故障的检测率㊂目前,滑动窗口技术也被国内外学者广泛应用于故障检测与诊断领域㊂滑动窗口的基本原理是通过滑动窗口,抛弃旧的样本纳入新的样本,实现窗口数据的更新㊂L i等[10]提出递归主成分分析(r e c u r s i v eP C A,R P C A),将新数据加入矩阵更新协方差矩阵,并计算递归的P C A模型,在此基础上递归确定所用的控制限㊂W a n g等[11]提出快速滑动窗口主成分分析(f a s t m o v i n g w i n d o w P C A,F MW P C A)的应用方案㊂该方法依赖于R P C A和滑动窗口技术,通过递归计算过程变量的均值㊁方差和协方差矩阵,实时调整P C A模型,使具有更大的窗口大小的在线应用成为可能,其动态的监控效果要优于静态P C A㊂L i u等[12]提出滑动窗口K P C A方法,通过实时更新滑动窗口数据进而更新K P C A模型,提高故障检测效果㊂固定的窗口过大或者过小都会降低检测的正确性,所以调节窗口的大小来适应工业过程的变化的研究方向成为广大学者研究的热点㊂H e等[13]提出一种可变滑动窗口的P C A(v a r i a b l em o v i n g w i n d o wP C A,VMW P C A)检测方法,该方法在以逐样本和逐块方式递归更新相关矩阵的基础上,将移动窗口技术与经典秩-r奇异值分解算法相结合,构建新的P C A模型㊂与传统的滑动窗口P C A相比,VMW P C A算法提高了计算效率,降低了存储需求㊂为了提高K L P P对非线性工业过程的故障检测能力,增强对时变过程的实时监测能力,本研究提出一种基于可变滑动窗口K L P P(v a r i a b l e m o v i n g w i n d o w k e r n e l l o c a l i t yp r e s e r v i n gp r o-j e c t i o n s,VMWK L P P)的故障检测方法㊂利用K L P P可以保持数据结构的局部信息,并结合可变滑动窗口技术,采用样本块更新的方式,滑动窗口并抛弃旧的样本块和纳入新的样本块,以提高运行效率㊂通过正常过程的变化来调节窗口的大小,改变窗口内的数据样本,进而实时更新K L P P 模型以及控制限,提高对非线性和时变特性过程监控的自适应能力㊂1核局部保持投影算法K L P P算法能够保持原始数据的局部结构㊂假设原始数据集合X=[x1,x2, ,x N],x iɪm,其中m和N分别为变量个数和样本个数㊂Φ(㊃)是K L P P算法的非线性映射,将数据矩阵投影到高维特征空间得到Φ(X)=[Φ(x1),Φ(x2), ,Φ(x N)],这样便于理解和计算㊂在高维空间中使用L P P算法寻找一个投影矩阵A= [a1,a2, ,a l],将Φ(X)投影到低维空间得到保持邻域结构信息的低维数据矩阵Y=[y1,y2, , y N],即Y=A TΦ(X)㊂J K L P P(A)=m i n AðN i,j=1y i-y j2W i j=m i n AðN i,j=1A TΦ(x i)-A TΦ(x j)2W i j=m i n A A TΦ(X)(D-W)ΦT(X)A=m i n A A TΦ(X)LΦT(X)A(1)A TФ(X)DΦT(X)A=I其中,D为对角矩阵,对角线元素为矩阵W的列(或行)和,即D i i=ðj W i j;L=D-W为拉氏矩阵㊂加权矩阵W i j的计算如式(2)所示㊂W i j=e x p(-x i-x j/t),x i,x jɪN(x i,x j) 0,其他(2)其中,N(x i,x j)表示x i是x j的k近邻,或者x j是x i的k近邻㊂t为热核参数,根据经验设定㊂W i j 表示x i和x j之间的近邻关系㊂选取核函数为高斯核函数,K(x,y)= e x p(-x-y2/δ),其中δ为核参数,控制高斯核464大连工业大学学报第42卷函数的作用范围,其值越大,高斯核函数的局部影响范围就越大㊂一般取δ=5m ,m 是训练数据的维数[14]㊂定义核矩阵K ɪN ˑN ,核矩阵的计算如式(3)所示㊂K i j =K (x i ,x j )=<Φ(x i )㊃Φ(x j )>=ΦT (x i )㊃Φ(x j )(3)在应用K L P P 之前,对核矩阵K 进行中心化,得到式(4)㊂K =K -1N K -K 1N +1N K 1N(4)1N =1 1︙︙1 1ɪN ˑN式中:K 是中心化后的核矩阵㊂通过求解式(5)的最小特征值所对应的特征向量,得到保留局部结构信息的低维投影矩阵A ㊂K L K A =λK D K A(5)2 基于可变滑动窗口K L P P 的故障检测2.1 滑动窗口K L P P 算法在滑动窗口K L P P (m o v i n g wi n d o w k e r n e l l o c a l i t yp r e s e r v i n gp r o j e c t i o n s ,MWK L P P )算法中,移动固定长度的窗口对数据进行测试,当新的正常样本块可用时,通过从K L P P 模型中删除最老的样本并添加新样本,从而得到新的窗口数据,用来更新K L P P 模型㊂假设Φ(X 0k )=[Φ(x 0k ),Φ(x 0k +1), ,Φ(x 0k +L -1)]TɪL ˑm 为特征空间中窗口大小为L 的初始数据矩阵,其中x 0k 是样本块中包含的n 个样本数,初始的数据矩阵X 0k =[x 0k ,x 0k +1,,x 0k +L -1]T ɪL ˑm㊂删除特征空间中最旧的样本块的结果是Φ(X 0k ,k +1)=[Φ(x 0k +1),Φ(x 0k +2), ,Φ(x 0k +L -1)]T ɪ(L -n )ˑm ,其中X 0k ,k +1=[x 0k +1, ,x 0k +L -1]T ɪ(L -n )ˑm㊂当新样本块可用时,可以得到下一个转换的数据矩阵Φ(X 0k +1)=[Φ(x 0k +1), ,Φ(x 0k +L -1),Φ(x 0k +L )]T ɪL ˑm ,式中Φ(x 0k +L )是转换到特征空间的新样本块,X 0k +1=[x 0k +1,,x 0k +L -1,x 0k +L ]T ɪL ˑm㊂将更新后的数据样本Φ(x 0k +1)投影到K L P P 模型上得到得分矩阵T k +1㊂T k +1=K (x 0k +1)A =Φ(x 0k +1)T Φ(x 0k +1)A (6)应用T 2统计量及其控制限进行故障监测,T2统计量代表特征空间中变量的变化情况㊂T 2=T k +1Λ-1T Tk +1(7)其中,Λ是对角矩阵,即Λ=d i a g (λ1,λ2, ,λl )㊂T2统计量的控制限由F 分布得到[15]㊂T 2l i m ,α={l (n 2-1)/[n (n -l )]}=F α(l ,n -l )(8)式中:l 为样本块中的主成分个数,α为置信水平㊂2.2 可变滑动窗口原理在传统的MWK L P P 中,窗口大小是固定的㊂通常,窗口大小应该足够大,以覆盖建模和监视所需的样本数据㊂然而,较大的窗口会降低计算效率㊂当过程快速变化时,该窗口覆盖了太多过时的样本数据,使得MWK L P P 无法准确跟踪过程变化㊂较小的窗口容纳的数据少,可以提高计算效率,但窗口内的数据可能不能恰当地表示出变量之间的关系㊂太小的窗口可能会导致潜在的危险,因为生成的模型可能会快速地适应变化,以至于无法检测到异常行为㊂VMWK L P P 方法在k 时刻的窗口大小由式(9)计算[16]㊂L k =L m i n +(L m a x -L m i n )ˑe x p - αΔM k ΔM 0+βΔK kΔK 0ξ(9)式中:L m a x 为滑动窗口的最大值,L m i n 为滑动窗口的最小值,两者决定窗口大小的调节范围㊂α㊁β和ξ是由用户事前确定的参数㊂ΔM k =M k -M k -1是两个连续平均向量M k 和M k -1差的欧几里得范数㊂ΔK k =K k -K k -1是两个连续去中心化的核矩阵K k 和K k -1差的欧几里得范数㊂ΔM 0和ΔK 0分别是使用训练数据集获得的ΔM 和ΔK 的平均值㊂为了构建稳定的K L P P 模型,窗口大小的阈值由式(10)确定㊂L T h =l +2l m -l 22m(10)L m a x 和L m i n 由阈值L T h 确定㊂L m a x 通常足够大,从而使滑动窗口能够检测某些缓慢变化的故障㊂L m a x 越大,滑动窗口包含的样本数据越多,可能会导致计算效率的降低和模型适应性的退化㊂考虑到计算效率,L m a x 通常取(30~80)ˑL T h ㊂L m i n 越小,说明K L P P 模型对过程变化快的适应性越好㊂为了避免核矩阵的不准确性或不可靠性,L m i n 由L m i n ~(4~6)ˑL T h 定义,其最小值应该等于阈值L T h ㊂2.3 基于V MWK L P P 的故障检测步骤考虑窗口大小的变化,采用VMWK L P P 方法更新K L P P 模型㊂通过离线建模确定最优的564第6期郭金玉等:基于可变滑动窗口K L P P 的故障检测K L P P模型,然后进入在线监测阶段㊂离线建模过程:步骤1收集正常条件下的训练数据集并进行标准化处理,构造初始核矩阵并中心化;步骤2给定核参数,构造初始核矩阵K0,中心化核矩阵得到矩阵K0;步骤3建立K L P P模型,并确定保留的主成分个数l;步骤4计算监测指标T20,并确定其控制限T2l i m,0;步骤5根据l和m计算阈值L T h,确定L m a x和L m i n;步骤6计算ΔM0和ΔK0㊂首先,使用窗口大小为L=(L m a x+L m i n)/2的训练数据计算M和K的初始值㊂当窗口沿着训练数据滑动时,重复计算M㊁K㊁ΔM和ΔK㊂最后,计算ΔM和ΔK的均值分别获得ΔM0和ΔK0㊂在线监测过程:步骤1获取新的测试样本x0n e wɪn k+1ˑm,标准化处理得x0k+1ɪn k+1ˑm;步骤2计算新的数据块的核矩阵K n e wɪn k+1ˑL,并且[K n k+1]j=[K n k+1(x n k+1,x j)],其中x jɪm,j=1, ,L是正常样本;步骤3对核矩阵K n e w进行中心化得到K n e w,投影到K L P P模型上后计算监测指标T2n e w;步骤4如果T2n e w<T2l i m,0,过程是正常的,继续执行第5步;否则,停止更新并返回第1步;步骤5通过计算ΔM k+1/ΔM0和ΔK k+1/ΔK0来获得L k+1;步骤6如果L k+1ɤL k,确定滑动窗口大小,丢弃旧的(L k-L k+1)个样本数据,加入新的样本块后更新程序;否则,将新的样本块纳入确定的窗口后更新程序,并设置L k+1=L k+n k+1;步骤7更新K L P P模型并确定保留的主成分个数;步骤8计算控制限T2l i m,k+1并进行实时更新;步骤9返回步骤1,直到测试样本全部检测完毕㊂3仿真结果与分析3.1田纳西-伊斯曼过程田纳西-伊斯曼(T e n n e s s e eE a s t m a n,T E)过程是一个国际通用的模拟实际工业过程的仿真平台,国内外学者将其广泛应用于故障检测与诊断领域[17-20]㊂T E化工过程具有变量多㊁耦合性强的特点㊂T E过程共包含21种不同类型的故障数据,训练集在正常工况下运行25h得到500个数据样本,同样测试集运行48h得到960个样本,其中在测试集中第160个样本后引入故障㊂3.2仿真过程选取T E过程中的故障2㊁4㊁5㊁7㊁10㊁13㊁14和20作为测试数据,故障具体描述如表1所示㊂将K L P P㊁MWK L P P与VMWK L P P方法进行对比,通过误报率和故障检测率两个检测指标来衡量算法的优越性㊂表1 T E过程故障描述T a b.1 F a u l t d e s c r i p t i o n s f o r t h eT E p r o c e s s故障编号故障描述故障类型2组分B含量发生变化,A/C进料流量比不变(流4)阶跃4反应器冷却水入口温度发生变化阶跃5冷凝器冷却水入口温度发生变化阶跃7物料C压力损失(流4)阶跃10物料C的温度发生变化(流2)随机变量13反应动力学特性发生变化缓慢漂移14反应器冷却水阀门黏滞黏滞20未知未知K L P P㊁MWK L P P和VMWK L P P3种方法采用T2统计量进行过程监控,其中主成分个数均通过85%的累计方差贡献率确定㊂在MWK L P P 中,固定的滑动窗口大小设定为270;在VM-WK L P P中,采用基于训练数据集的离线学习得到初始K L P P模型的主成分个数为l=21,从而得到窗口的阈值L T h=16㊂参数L m a x㊁L m i n分别设为480(30ˑL T h)和64(4ˑL T h),α㊁β㊁ξ分别设为0.2㊁0.2和0.4,另外用测试集进行在线自适应过程监测,块样本包含的样本个数为4㊂图1给出了故障5的窗口大小L k的变化情况㊂可看出,如果数据样本正常,则根据正常过程的变化快慢,可确定新的滑动窗口大小,从而改变窗口内的数据样本,更有效地更新K L P P模型㊂最后窗口的大小会保持在一个相对稳定的水平,是为了防止模型容纳故障,造成故障检测的不准确性㊂图2为K L P P㊁MWK L P P和VMWK L P P3种方法对故障5的监测结果㊂从图2(a)可以看出,K L P P检测故障5时,故障初始出现可以检664大连工业大学学报第42卷图1 故障5窗口变化F i g .1 T h e c h a n ge o fw i n d o ws i z e of t h e f a u l t5 (a )K L PP(b )MWK L PP(c )VMWK L P P图2 故障5检测结果F i g.2 D e t e c t i o n r e s u l t s o f t h e f a u l t 5测到,但是后续故障都在控制限下方,没有被检测出来㊂所以,K L P P 只能检测出少部分故障数据,具有较低的检测率㊂从图2(b )中可以看到,使用固定窗口大小的传统MWK L P P 方法会产生一定的误报警,且在后续的故障检测中只能检测到少部分故障㊂与传统的K L P P 和MWK L P P 算法相比,VMWK L P P 方法在没有出现样本误报的情况下检测出了所有的故障㊂因此K L P P 和MWK L P P 对故障5的检测结果不理想,而VM -WK L P P 方法不仅全面地保持数据集的局部结构信息,还可以准确地检测到所有故障㊂表2是3种方法对8种故障的误报率和故障检测率效果㊂相比K L P P 和MWK L P P 两种算法,VMWK L P P 算法的误报率较低,故障检测率也优于其他两种算法,其中对故障5和故障7的检测率达到了100%㊂这说明VMWK L P P 方法的检测准确性较高,验证了该方法在非线性和时变性的工业过程检测中的有效性和可靠性㊂4 结束语针对现代工业过程存在的非线性和时变性等特点,提出一种基于可变滑动窗口K L P P 的故障检测方法㊂VMWK L P P 算法可保留非线性过程数据的局部信息,通过正常过程的变化,可以实时地调节滑动窗口大小,提高运算效率,降低内存需求;动态改变滑动窗口中的数据样本,同时更新K L P P 模型以及控制限,实现其对非线性和时变过程的自适应监控㊂将本文方法应用于田纳西-伊斯曼工业过程,仿真结果表明,与K L P P 和MWK L P P 方法相比,VMWK L P P 方法可以有效地降低误报率并提高故障检测性能,在非线性和时变性的工业过程检测中有明显的优势㊂所提出的方法对微小故障的效果不是很理想,下一步通过改进检测算法实现对微小故障的故障检测㊂参考文献:[1]Y U Y ,P E N G MJ ,WA N G H ,e t a l .I m pr o v e dP C A m o d e l f o r m u l t i pl ef a u l td e t e c t i o n ,i s o l a t i o na n dr e -c o n s t r u c t i o no fs e n s o r si nn u c l e a r p o w e r p l a n t [J ].A n n a l s o fN u c l e a rE n e r g y,2020,148:107662.[2]刘丽云,国蓉,牛鲁娜,等.基于主元分析方法的化工过程故障诊断与识别[J ].化工自动化及仪表,2020,47(5):398-406.764第6期郭金玉等:基于可变滑动窗口K L P P 的故障检测表2故障检测效果对比T a b.2 C o m p a r i s o n s o f f a u l t d e t e c t i o ne f f e c t%故障编号K L P P MWK L P P VMWK L P P误报率故障检测率误报率故障检测率误报率故障检测率2098.380.6398.50098.50 41.2529.254.3829.13093.00 51.2534.134.3838.750100 7097.254.3892.630100 101.2558.7516.2558.25098.50 131.8894.754.3896.882.50100 142.5099.7513.7589.38099.50 20053.251.8859.25090.50[3]B A L Z A N OL,C H IYJ,L U Y M.S t r e a m i n g P C Aa n ds ub s p ac et r a c k i n g:t h e m i s s i n gd a t ac a s e[J]. P r o ce e d i n g s of t h e I E E E,2018,106(8):1293-1310.[4]S C HÖL K O P FB,S M O L A A,MÜL L E RKR.N o n l i n-e a r c o m p o n e n ta n a l y s i sa sak e r n e le i g e n v a l u e p r o b l e m [J].N e u r a l C o m p u t a t i o n,1998,10(5):1299-1319.[5]HU Q,Q I N AS,Z HA N G Q H,e t a l.F a u l td i a g-n o s i sb a s e d o n w e i g h t e d e x t r e m el e a r n i n g m a c h i n e w i t h w a v e l e t p a c k e td e c o m p o s i t i o na n d K P C A[J].I E E ES e n s o r s J o u r n a l,2018,18(20):8472-8483.[6]S H I O K AWA Y,D A T E Y,K I K U C H IJ.A p p l i c a-t i o no f k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i sa n dc o m-p u t a t i o n a lm a c h i n e l e a r n i n g t o e x p l o r a t i o no fm e t a b o-l i t e s s t r o n g l y a s s o c i a t e d w i t hd i e t[J].S c i e n t i f i cR e-p o r t s,2018,8(1):3426.[7]HU KL,Y U A NJQ.M u l t i v a r i a t e s t a t i s t i c a l p r o c e s sc o n t r o l b a s e do n m u l t i w a y l o c a l i t yp r e s e r v i n gp r o j e c-t i o n s[J].J o u r n a l o fP r o c e s sC o n t r o l,2008,18(7/8): 797-807.[8]D E N G X G,T I A N X M.S p a r s ek e r n e l l o c a l i t yp r e-s e r v i n g p r o j e c t i o n a n d i t s a p p l i c a t i o n i n n o n l i n e a r p r o c e s s f a u l t d e t e c t i o n[J].C h i n e s e J o u r n a l o f C h e m i-c a l E n g i n e e r i n g,2013,21(2):163-170.[9]张学磊,徐进学,祝朋艳.基于改进核局部保持投影的故障检测方法研究[J].计算机应用与软件,2022,39 (5):115-124.[10]L IW H,Y U EH H,V A L L E-C E R V A N T E SS,e t a l.R e c u r s i v eP C Af o r a d a p t i v e p r o c e s sm o n i t o r i n g[J]. J o u r n a l o fP r o c e s sC o n t r o l,2000,10(5):471-486.[11]WA N G X,K R U G E R U,I RW I N G W.P r o c e s sm o n i t o r i n g a p p r o a c hu s i n g f a s tm o v i n g w i n d o wP C A[J].I n d u s t r i a l&E n g i n e e r i n g C h e m i s t r y R e s e a r c h, 2005,44(15):5691-5702.[12]L I U X Q,K R U G E R U,L I T T L E RT,e t a l.M o v-i n g w i n d o w k e r n e lP C Af o ra d a p t i v e m o n i t o r i n g o fn o n l i n e a r p r o c e s s e s[J].C h e m o m e t r i c sa n dI n t e l l i-g e n tL a b o r a t o r y S y s t e m s,2009,96(2):132-143.[13]H EXB,Y A N G Y P.V a r i a b l e MW P C Af o r a d a p-t i v e p r o c e s sm o n i t o r i n g[J].I n d u s t r i a l&E n g i n e e r-i n g C h e m i s t r y R e s e a r c h,2008,47(2):419-427.[14]Y O OCK,L E E I B.N o n l i n e a rm u l t i v a r i a t e f i l t e r i n ga n db i o p r oc e s sm o n i t o r i n g f o rs u p e r v i s i n g n o n l i n e a rb i o l o g ic a l p r o c e s s e s[J].P r o c e s s B i o c h e m i s t r y, 2006,41(8):1854-1863.[15]L E EJM,Y O O C K,L E EIB.F a u l td e t e c t i o no fb a tc h p r o c e s s e s u s i n g m u l t i w a y k e r n e l p r i n c i p a lc o m p o n e n t a n a l y s i s[J].C o m p u t e r s&C h e m i c a l E n-g i n e e r i n g,2004,28(9):1837-1847.[16]F A Z A IR,T A O U A L IO,HA R K A T M F,e t a l.A n e w f a u l td e t e c t i o n m e t h o d f o r n o n l i n e a r p r o c e s sm o n i t o r i n g[J].T h eI n t e r n a t i o n a lJ o u r n a lo f A d-v a n c e d M a n u f a c t u r i n g T e c h n o l o g y,2016,87(9): 3425-3436.[17]WA N GJP.R e s e a r c ho nT E p r o c e s s f a u l t d i a g n o s i sb a s e do nP C A[J].I n t e r n a t i o n a l C o r e J o u r n a l o fE n-g i n e e r i n g,2021,7(1):467-472.[18]D OWN SJ J,V O G E LEF.A p l a n t-w i d e i n d u s t r i a l p r o c e s s c o n t r o l p r o b l e m[J].C o m p u t e r s&C h e m i c a lE n g i n e e r i n g,1993,17(3):245-255.[19]W E IY Q,W E N G Z X.R e s e a r c ho n T E p r o c e s sf a u l td i ag n o s i s m e th o db a s e do n D B N a n dd r o p o u t[J].T h eC a n a d i a n J o u r n a l o f C h e m i c a l E n g i n e e r i n g, 2020,98(6):1293-1306.[20]J U R I C E K BC,S E B O R G D E,L A R I MO R E W E.I d e n t i f i c a t i o no ft h e T e n n e s s e e E a s t m a n c h a l l e n g e p r o c e s sw i t hs u b s p a c e m e t h o d s[J].C o n t r o lE n g i-n e e r i n g P r a c t i c e,2001,9(12):1337-1351.(责任编辑:刘发盛)864大连工业大学学报第42卷。

第25期2023年9月江苏科技信息Jiangsu Science and Technology InformationNo.25Spetember,2023作者简介:程逸雯(2002 ),女,江苏南京人,本科生;研究方向:状态估计,故障预警,神经网络㊂基于多元状态评估与BP 神经网络的燃气轮机故障预警研究程逸雯(江苏大学,江苏镇江212013)摘要:燃气轮机的透平故障,由于缺乏直接的诊断手段,经常在发现时已发展成严重故障,给发电企业造成巨大的经济损失,因此透平故障的早期预警具有较大的经济意义㊂文章针对燃气透平故障预警问题,采用多元状态估计方法(MSET )和BP (Back Propagation )神经网络方法进行了对比研究㊂文章首先介绍了这两种方法的预警原理,然后对一个燃气轮机透平故障实例采用这两种方法进行了详细分析,最后对这两种方法的预警结果进行了对比评价㊂结果表明,多元状态估计方法和BP 神经网络都可对燃气透平的故障进行早期预警,多元状态估计方法相对效果更好㊂关键词:燃气透平;故障预警;多元状态估计;BP 神经网络中图分类号:TK47㊀㊀文献标志码:A0㊀引言㊀㊀燃气轮机主要包含三大部件:压气机㊁燃烧室㊁燃气透平㊂由于受高温运行环境及频繁启停的影响,随着运行时间的增加,燃机透平会产生不同程度的性能衰退和部件损伤,甚至会造成各种严重事故,产生巨量的经济损失[1]㊂由于燃气轮机结构的高度集成化和精密化,对燃气透平进行诊断的直接手段有限,发现故障时往往已发展成严重故障㊂对燃气轮机透平的异常工况进行预警,能够在故障早期对设备进行检修,避免重大事故发生,减少经济损失㊂目前,燃气轮机的故障预警已有一定的研究㊂文献[2]应用多元状态估计方法(MSET)建立了压气机在正常运行状态下的非参数模型,利用滑动窗口确定预警阈值,并通过仿真试验进行了验证㊂文献[3]基于燃气轮机的运行数据,采用MSET 法建立了燃烧室在正常运行状态下的预警模型,并引入了相似度函数,可以更早地发现设备的故障隐患㊂文献[4]提出基于极端梯度提升和局部均值分解与核主元分析相结合的燃气轮机转子故障预警方法,利用转子的振动数据建立预测模型,并通过案例进行了验证㊂本文基于MSET 方法对燃气透平的故障预警进行研究,并同时采用BP(Back Propagation)神经网络方法进行了预警效果对比㊂1㊀常用故障预警技术㊀㊀重型燃机燃气透平的初温很高,F 级初温约1350ħ,H 级初温约1500ħ,未来初温可达1600ħ以上㊂在这种高温下,常规的测温技术早已不可用,生产厂家一般提供基于燃气透平排气分散度的燃烧保护系统进行在线故障监控,而实际应用中,当监控系统发出报警时,燃机热通道部件往往已损坏严重㊂由于缺少高温测量数据,对燃气透平的故障预警一般都采用间接的数据分析方法进行㊂本文对常用的多元状态估计方法和BP 神经网络方法进行介绍㊂1.1㊀多元状态估计方法(MSET )㊀㊀多元状态估计方法(MSET)首先由美国阿尔贡国家实验室研究并应用于设备预警系统中,在核电厂信号验证㊁仪表精度监控㊁组件运行失常等场景中得到了验证[5-6]㊂MSET 后来被田纳西大学核能实验室推广为更一般的非线性状态估计(Nonlinear State Estimation Technique,NSET)方法,并得到了广泛应用㊂Smart Signal 公司基于MSET 专利开发了一种监测设备性能的技术,并于2014年获得了中国专利[7]㊂多元状态估计(MSET)方法是将当前运行数据和已生成的历史运行数据进行对比,计算多元状态之间的相似度,从而进行故障预警的方法[5]㊂基于MSET 的状态估计基本流程[8]如图1所示㊂训练数据K 为正常运行状态下,各个观测参数(共n 个)的观测数据,用行向量表示某时刻所有观测参数的值㊂生产系统中的历史数据库导出的数据集一般都用表格的一行来表示某时刻的测点值,索引为时间戳,故本文采用行向量,从而与实际数据集一致,且与其他文献中采用列向量不同[8]㊂训练集K图1㊀MSET多元状态估计方法预警的基本流程必须包含系统全范围的动态参数,包括稳定状态和变工况状态,但不能够有故障数据在内㊂从某时间点开始的训练数据K可以用下式表示为矩阵:K=[X(t1),X(t2), ,X(t k)]T(1)X(ti)=[x1(t i),x2(t i), ,x n(t i)]T(2)从训练矩阵K中,抽取一部分(d个)能够代表系统运行状态的数据,组成状态矩阵D㊂状态矩阵D是一个dˑn的矩阵,其中d为其中所包含状态的数量,n为观测参数的个数㊂由抽取状态组成的状态矩阵可表示为:D=x1(t1)x2(t1) x n(t1)x1(t2)x2(t2) x n(t2)︙︙⋱︙x1(t d)x2(t d) x n(t d)éëêêêêêùûúúúúú(3)训练矩阵K中除去状态矩阵D中的状态数据后,余下部分便组成了剩余矩阵L((k-d)ˑn)㊂X obs 为系统当前观测值形成的新观测向量,对该观测向量的估计向量X est,通过状态矩阵D和权值向量W的点积计算得出:X est=D T㊃W(4)权值向量W表征状态估计向量和状态矩阵间相似性测度的大小,取状态估计向量X est和观测向量X obs的残差最小化如下:minε2=min[(X obs-D T㊃W)T㊃(X obs-D T㊃W)](5)㊀㊀式(5)的最小二乘解可表示为:W=(D㊃D T)-1㊃(D㊃X obs)大多数系统的状态数据间都会存在一定的相关性,而数据之间的相关性会导致矩阵不可逆,限制了权值向量W的求取㊂MSET方法利用基于相似性原理的相似性运算符 代替点积,通过计算数据状态间的相似程度来表征其权值,解决了数据相关所造成的矩阵不可逆,如下所示:W=(D D T)-1㊃(D X obs)(6)从而,系统当前状态估计向量和观测向量的关系如下:X est=D T㊃(D D T)-1㊃(D X obs)(7)基于正常数据的健康残差可得到设备预警的残差阈值㊂当计算出的实际残差(向量的L2范数)大于残差阈值时,触发设备报警,同时可计算出造成报警的主要测点如下:S res=X est-X obs(8)ε=|S res|(9)式(8)~(9)中:S res为残差向量;X est为估计向量;X obs为观测向量;ε为残差向量的L2范数㊂1.2㊀BP神经网络㊀㊀BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络[9],是20世纪末期神经网络算法的核心,也是如今发展迅猛的深度学习算法的基础㊂BP算法的基本思想是:学习过程由信号的正向传播和误差的反向传播两个过程组成,通过这两个过程的反复迭代,对神经网络各层的权值参数和偏置参数进行不断调整,直到达到预先设定的训练次数,或输出误差小于指定的阈值㊂BP神经网络应用于故障预警时,一般是基于大量的正常运行数据训练网络模型,基于得到的神经网络模型和观测向量的当前数据确定观测向量的期望数据,当观测数据和期望数据的残差超出了设定的阈值后触发报警,同时给出形成残差的主要测点㊂与MSET方法相比,除了模型不同,预警的思路是一致的㊂BP神经网络故障预警的基本流程如图2所示,变量命名和MSET方法保持一致㊂2㊀燃气轮机透平故障实例㊀㊀某联合循环机组(GE的9FA燃气轮机),在2022年9月揭缸检修时发现透平末级动叶出现长度超过5.08cm(2英寸)的不规则缺口,修复成本巨大㊂而图2㊀BP 神经网络预警基本流程在之前的运行过程中,运行人员并未观察到特别的异常情况;如果在动叶出现初期裂纹时能及时发现,则可避免故障范围的扩大和经济损失的大量增加㊂通过对检修前1年多的历史数据进行分析,可以大概推断出现初期故障的可能时间㊂该厂已实施了SIS㊁MIS 等信息化系统,从实时数据库中导出燃机相关测点2021年7月至2022年8月的历史数据,保存到CSV 文件中,然后进行数据分析㊂首先对机组的历史数据进行清洗,删除停机期间和启停机过程中的数据,仅保留机组正常运行期间的数据,再删除由于采集系统故障造成的错误数据(比如部分测点在燃机运行期间,出现了极少数的0值)㊂该燃机部分月份的发电功率-透平排气压力曲线如图3所示㊂燃机的功率与透平排气压力正常情况下应该呈现出比较规则的线性关系,如图3中从2021年7月至2022年1月的曲线㊂但是从2022年3月开始,曲线形状有了较大变化,出现少量与主体变化不一致的异常点,曲线形状也变得不规则了㊂运行人员根据运行经验,也指出功率-透平排气压力曲线出现了异常㊂可以大体认定从2022年3月开始,燃机透平已出现故障(由于2022年2月燃机基本处于停机状态,故不考虑2月)㊂图3㊀机组功率与透平排气压力关系的演化3㊀燃气透平数据分析㊀㊀选取2021年7 12月的机组运行数据为正常运行数据建立模型,然后根据2022年1 8月的实际运行数据计算估计数据,并与实际数据进行对比,观察残差变化情况㊂测点选取机组功率㊁透平排气压力㊁透平排气温度3个测点㊂经数据清洗后,有效的训练数据共379843条记录(数据采用周期是10s),每条记录包括1个时间戳和3个值,即机组功率㊁透平排气压力㊁透平排气温度3个测点同一时刻的值㊂3.1㊀MSET 方法3.1.1㊀数据归一化㊀㊀采用最大值-最小值法,对数据进行归一化处理,避免测点因取值工程范围差异对残差造成额外的影响:x scaled =x -x minx max -x min(10)式(10)中:x 为测点历史数据;x min 为测点历史最小值;x max 为测点历史最大值;x scaled 为测点归一化后历史数据㊂3.1.2㊀确定状态矩阵㊀㊀针对每一个测点,将(0,1)区间划分为100等份,搜索与每个分隔点最接近的历史记录并保存,删除重复记录后,最终得到状态矩阵,其测点数值分布如图4所示,可以看出基本覆盖了各个测点的整个变化区间㊂MSET 方法要求状态矩阵尽可能覆盖所有的运行工况㊂图4㊀状态矩阵中测点数值的分布3.1.3㊀确定健康残差及报警阈值㊀㊀健康残差取剩余矩阵(即除去状态矩阵后的训练集)中每个向量的估计值与原始值之差的L2范数,计算结果如图5~6所示(曲线中的斜直线是因为对应时间停机,相关数据被清洗掉了)㊂图5中功率测点的估计值和实际值比较吻合,差异很小;图6显示残差的最大值为0.12㊂图5㊀燃机功率实际值与估计值对比图6㊀正常运行数据对应的残差趋势㊀㊀根据经验,报警阈值选取剩余矩阵最大残差的1.3倍:E y =1.3E v (11)式(11)中:E y 为残差报警阈值;E v 为健康残差最大值㊂本案例中,健康残差最大值为0.12,残差报警阈值为0.156㊂3.1.4㊀计算观测向量的估计向量并计算残差㊀㊀根据2022年1月至8月底的历史数据,计算每个观测向量对应的估计向量,同时计算这两个向量的残差值,计算结果如图7所示㊂从2022年3月开始,残差出现了一些极大值㊂图7㊀观测数据的实际残差变化情况3.1.5㊀确定报警时间㊀㊀同时做出正常运行数据的健康残差㊁观测数据的实际残差㊁残差报警阈值的曲线,以确定报警时间,如图8所示㊂图8㊀健康残差㊁实际残差㊁报警阈值曲线㊀㊀从图8可见,实际残差从2022年3月开始,多次穿越残差报警阈值线㊂若在2022年3月进行异常预警,则与2022年9月检修时发现透平动叶故障相比,可以提前5个月发现设备出现异常情况,此时进行检修,很大可能避免透平动叶出现大型缺口的严重故障㊂3.2㊀BP 神经网络方法3.2.1㊀训练BP 神经网络模型㊀㊀采用经典的3层神经网络模型,输入层神经元个数为测点个数3,隐藏层的神经元个数选取20,输出层的神经元个数同输入层㊂经过10epochs 迭代后,模型的损失(loss)为0.00148,2次迭代间损失变化已很小㊂图9为透平排气压力对估计值和实际值曲线,可以明显看出有一些偏差㊂图10为健康残差变化曲线,健康残差的最大值为0.27,与MSET 方法类似,报警阈值取最大残差的1.3倍,为0.351㊂3.2.2㊀估计观测向量并计算残差㊀㊀根据估计向量和观测向量的残差,计算其L2范数得到总残差,变化曲线如图11所示㊂3.2.3㊀确定报警时间㊀㊀与MSET 方法类似,同时做出健康残差㊁实际残差㊁残差报警阈值的曲线,确定报警时间,如图12所示㊂从图12可以看出,从2022年3月份开始,实际残差值多次穿越报警阈值线,从而触发多次报警,与MSET 方法的结论相同㊂3.3㊀MSET 方法与BP 神经网络方法比较㊀㊀通过比较这两种方法可以发现,MEST 方法和BP 神经网络方法得到的预警时间基本一致,都从2022年3月份开始出现报警㊂但MEST 方法对正常数据的估计值要比BP 神经网络更加准确,其最大残差要远远小于BP 神经网络的最大残差㊂而对实际残差超㊀㊀图9㊀BP神经网络模型实际值与估计值图10㊀正常运行数据的健康残差图11㊀实际残差变化曲线图12㊀BP 神经网络方法确定的健康残差㊁实际残差㊁报警阈值曲线出报警阈值的程度来说,MSET 方法更加灵敏,其计算得到的实际残差高于报警阈值的程度要远大于BP 神经网络方法㊂对于本案例的分析,BP 神经网络方法仅拿来作对比验证,所以没有进行深度调优,相对于简单易用的MSET 方法来说,BP 神经网络方法能达到相同的预测效果,需要有更多的投入㊂4　结语㊀㊀燃气透平早期故障的智能预警,对于避免重大故障的发生和巨大经济的损失具有十分重要的意义[10]㊂本文对燃气透平的具体案例进行了预警研究,MSET方法和BP神经网络方法都可以做到提前预警,因此都可以用来对燃气透平进行早期的故障预警㊂经过比较,在不投入较大代价情况下,MSET方法对数据的估计值更精确一些,更适合用来对燃气透平进行预警㊂参考文献[1]应雨龙,李靖超,庞景隆,等.基于热力模型的燃气轮机气路故障预测诊断研究综述[J].中国电机工程学报,2019(3):731-743.[2]陆永卿,涂雷,茅大钧.基于MSET的压气机故障预警研究[J].上海电力大学学报,2021(2): 133-137.[3]黄伟,张泽发.基于相似度分析的电站燃气轮机燃烧室故障预警研究[J].上海电力大学学报,2020 (3):220-224.[4]章明明,茅大钧,董渊博.基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究[J].青海电力, 2022(3):14-21.[5]SINGER R M,GROSS K C,HERZOG J P,et al. Model-based nuclear power plant monitoring and fault detection:theoretical foundations[Z].1997. [6]GROSS K,SINGER R,WEGERICH S,et al. Application of a model-based fault detection system to nuclear plant signals[Z].1997.[7]J.P.赫措格.用于预报和预测的序列核回归建模系统:CN103842923A[P].2014-06-04.[8]刘鑫沛.基于相似性建模的发电设备故障预警方法研究[D].保定:华北电力大学,2014.[9]张妮,车立志,吴小进.基于数据驱动的故障诊断技术研究现状及展望[J].计算机科学,2017(S1): 37-42.[10]文成林,吕菲亚.基于深度学习的故障诊断方法综述[J].电子与信息学报,2020(1):234-248.(编辑㊀李春燕)Research on early warning of gas turbine based on multivariate state estimation andBP neural networkCheng YiwenJiangsu University Zhenjiang212013 ChinaAbstract Due to the lack of direct diagnostic methods turbine faults in gas turbines often develop into serious faults when discovered causing huge economic losses to power generation enterprises.Therefore early warning of turbine faults has great economic significance.The article compares the multivariate state estimation method MSET and BP Back Propagation neural network method for gas turbine fault warning.Firstly the warning principles of these two methods were introduced followed by a detailed analysis of a gas turbine fault example using these two methods. Finally the warning results of these two methods were compared and evaluated.The results show that both the multivariate state estimation method and the BP neural network can provide early warning for gas turbine faults and the multivariate state estimation method is relatively more effective.Key words gas turbine fault warning multivariate state estimation BP neural network。

sentinel 熔断机制Sentinel 熔断机制引言：在现代分布式系统中，应用程序间的依赖关系变得越来越复杂。

当一个服务出现故障或不可用时，这种复杂性会导致级联故障，从而影响整个系统的稳定性和可靠性。

为了解决这个问题，熔断机制应运而生。

本文将重点介绍 Sentinel 熔断机制以及其在分布式系统中的应用。

一、什么是熔断机制？熔断机制是一种用于防止故障扩散的设计模式。

它通过监控服务调用的状态，当调用失败率达到一定阈值时，熔断机制会暂时停止该服务的调用，并在一段时间后尝试重新调用。

这种机制可以有效地保护系统免受故障的影响，提高系统的可用性和稳定性。

二、Sentinel 熔断机制的基本原理Sentinel 是阿里巴巴开源的一款针对分布式系统的流量控制、熔断降级的解决方案。

它通过定义规则来对系统的流量进行实时监控，并根据流量的变化动态调整系统的行为。

Sentinel 的熔断机制基于令牌桶算法和滑动窗口算法，具体流程如下：1. 令牌桶算法：Sentinel 使用令牌桶算法来对请求进行限流。

每个请求需要从令牌桶中获取一个令牌，如果令牌桶中没有足够的令牌，则请求将被拒绝。

2. 滑动窗口算法：Sentinel 使用滑动窗口算法来统计请求的通过率和失败率。

通过统计一段时间内的请求情况，Sentinel 可以根据历史数据预测未来的请求情况，并根据预测结果进行熔断或降级操作。

3. 熔断机制：当请求的失败率超过预设阈值时，Sentinel 会触发熔断机制，暂时停止该服务的调用，并在一段时间后尝试重新调用。

这样可以避免故障的扩散，保护整个系统的稳定性。

三、Sentinel 熔断机制的应用场景Sentinel 熔断机制可以应用于各种分布式系统中，特别是在微服务架构中。

以下是一些常见的应用场景：1. 高并发时的流量控制：当系统面临高并发的请求时，通过设置合适的流量控制规则，可以有效地限制系统的负载，避免系统崩溃。

2. 依赖服务的故障保护：当一个服务依赖的其他服务出现故障时，通过设置合适的熔断规则，可以避免级联故障，保护整个系统的稳定性。

第51卷第23期电力系统保护与控制Vol.51 No.23 2023年12月1日Power System Protection and Control Dec. 1, 2023 DOI: 10.19783/ki.pspc.230497基于FDTW算法的故障录波数据智能比对方法戴志辉1，张富泽1，杨 鑫2，韩 笑1(1.华北电力大学电力工程系，河北 保定 071003；2.中国长江电力股份有限公司，湖北 宜昌 443002)摘要：针对智能变电站保护装置故障录波文件无通道标识信息、难以与同源通道故障录波器录波文件相互对应的问题，提出一种基于快速动态时间规整(fast dynamic time warping, FDTW)算法的故障录波数据智能比对方法。

首先，对各厂站提取的故障录波数据进行异常检测，确保故障录波文件中数据的质量。

其次，利用拉格朗日插值法进行采样频率转换，解决保护装置与故障录波器采样频率不一致的问题。

然后，利用欧氏距离对同源录波文件数据进行波形一致性对齐，以实现时钟同步。

最后，使用FDTW算法对无通道标识信息的故障录波数据进行智能比对。

算例分析表明，该方法能够对故障录波数据进行一致性处理，可以快速准确地计算待匹配录波波形的相似度，实现同源通道的录波数据匹配，具备较强的稳定性和实时性。

关键词：故障录波；FDTW；同源比对；欧氏距离；智能变电站Intelligent comparison method for fault record waveform data based on the FDTW algorithmDAI Zhihui1, ZHANG Fuze1, YANG Xin2, HAN Xiao1(1. Department of Electrical Engineering, North China Electric Power University, Baoding 071003, China;2. China Yangtze Power Co., Ltd., Yichang 443002, China)Abstract: An intelligent comparison method for fault waveform data is proposed based on the fast dynamic time warping (FDTW) algorithm to address the problem of the lack of channel identification information in fault recorder wave files of intelligent substation protection devices. This lack makes it difficult to correspond with the fault recorder wave files of the same source channel. First, anomaly detection is performed on the fault waveform data extracted from each substation to ensure the quality of the data in the fault waveform files. Second, the Lagrange interpolation method is used for sampling frequency conversion to deal with inconsistent sampling frequencies between the protection device and the fault waveform recorder. Then, the Euclidean distance is used to align the waveform consistency of the same source waveform files to achieve clock synchronization. Finally, the FDTW algorithm is used to intelligently compare the fault waveform data without channel identification information. Case studies show that the proposed method can process the fault waveform data into a consistent type, quickly and accurately calculate the similarity of waveforms to be matched, achieve the matching of the fault waveform data from the same source channel, and has strong stability and real-time performance.This work is supported by the National Natural Science Foundation of China (No. 51877084).Key words: fault record; FDTW; homology comparison; Euclidean distance (ED); intelligent substation0 引言智能变电站的快速建设及其自动化水平的不断提高，给故障录波技术的发展创造了良好环境[1]。