權利要求書： 1.一種基于典型變量分析與隱馬爾可夫的智能電廠送風機故障退化狀態(tài)預測方法，其特征在于，該方法包括以下步驟：(1)獲取過程分析數(shù)據(jù)：設送風機的閉環(huán)控制系統(tǒng)中包含J個過程變量，每次采樣可以得到一個1×J的向量，采樣M次后得到一個故障退化過程下的二維矩陣X(M×J)；

(2)提取能夠反映送風機發(fā)生故障時其閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程的特征；使用以下子步驟來提取特征：

(2.1)當送風機發(fā)生故障時，在其閉環(huán)控制系統(tǒng)的動態(tài)調節(jié)過程中，其過程變量的值與過去一段時間的測量值有關；用CA對送風機的閉環(huán)控制系統(tǒng)的故障數(shù)據(jù)進行分析，提取時序相關的特征Z；CA的具體步驟如下：(2.1.1)為了考慮數(shù)據(jù)的時序相關性，在每個時間點t，按如下方式構造過去向量xp(t)和未來向量xf(t)：

T T T T Jh

xp(t)＝[xt?1 ,xt?2 ,...,xt?h]∈R (1)T T T T Jl

xf(t)＝[xt ,xt+1 ,...,xt+l?1]∈R (2)其中，h、l代表滯后數(shù)，xt表示t時刻所采集的過程變量向量；

(2.1.2)對過去向量xp(t)和未來向量xf(t)進行標準化，然后將不同時刻的過去向量和未來向量按如下形式排列成過去矩陣Xp和未來矩陣Xf：T T T Jh×N

Xp＝[xp(t) ,xp(t+1) ,...,xp(t+M) ]∈R (3)T T T Jl×N

Xf＝[xf(t) ,xf(t+1) ,...,xf(t+M) ]∈R (4)其中，N＝M?h?l+1；

(2.1.3)CA的目標是找到過程變量的線性組合，以最大化過去矩陣Xp和未來矩陣Xf之間的相關性；此優(yōu)化問題可以通過下面的奇異值分解得到解決：其中，Σpp，Σff和Σpf分別是矩陣Xp和Xf的協(xié)方差矩陣和互協(xié)方差矩陣；對角陣Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相關值；

(2.1.4)求出狀態(tài)空間和殘差空間的投影矩陣：其中矩陣Uk由矩陣U的前k列組成，I為單位陣；

(2.1.5)將過去矩陣Xp投影到狀態(tài)空間和殘差空間得到狀態(tài)矩陣Z和殘差矩陣E：k×N

Z＝JXp∈R (8)Jh×N

E＝LXp∈R (9)T

(2.2)使用SFA對時序相關的特征Z進行分析，提取穩(wěn)態(tài)特征S和時變特征S，分別用來表征在閉環(huán)控制系統(tǒng)調節(jié)下，大型火力發(fā)電機組送風機的過程變量的時序相關性和變化速度；SFA的具體步驟如下：

T

(2.2.1)對輸入Z的協(xié)方差矩陣進行奇異值分解：T T

t＝OΓO(10)其中<·>t表示在時間上求均值；

T T

(2.2.2)對輸入Z進行白化處理，從而使Z中的變量不相關，同時為單位方差；白化后的數(shù)據(jù)為：

其中白化矩陣

(2.2.3)對A的一階差分 的協(xié)方差矩陣進行奇異值分解：(2.2.4)求出慢特征S:(2.2.5)將慢特征S劃分成兩個部分：其中R代表主導慢特征的個數(shù)，Sd為主空間，反映了時序數(shù)據(jù)的主要變化，Se為殘差空間， 是由公式(12)中酉矩陣P的第1～R列構成的矩陣， 是由公式(12)中酉矩陣P的第R+1～Jh列構成的矩陣；由于送風機的閉環(huán)控制系統(tǒng)結構較為復雜，在采集數(shù)據(jù)的過程中受到大量噪聲干擾，因此殘差空間Se中多為快速變化的噪聲，包含的有用信息很少，只需關注主空間Sd即可；主空間Sd中包含的特征為穩(wěn)態(tài)特征，其一階差分 為時變特征；

(3)根據(jù)送風機閉環(huán)控制系統(tǒng)的各個故障退化狀態(tài)所經(jīng)歷的時間，對穩(wěn)態(tài)特征Sd和時變特征 進行劃分，獲得相應故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征；

(4)建立模型：使用各個故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征來訓練對應的故障退化狀態(tài)的CHMM模型，建立包含各個故障退化狀態(tài)CHMM模型的故障退化狀態(tài)庫；

(5)在線預測：對于實時采集的數(shù)據(jù)，采用步驟(2)所述的方式提取特征，然后將提取的特征分別輸入故障退化狀態(tài)庫中的CHMM模型中，比較其輸出的概率，輸出概率最大的CHMM模型所對應的故障退化狀態(tài)即為當前送風機閉環(huán)控制系統(tǒng)所處的故障退化狀態(tài)。

2.根據(jù)權利要求1所述的方法，其特征在于，所述步驟(1)中的過程變量包括送風機風量、出口壓力、電機定子溫度、電機軸承溫度、電機電流、控制閥位置。

3.根據(jù)權利要求1所述的方法，其特征在于，所述步驟(2)中的故障包括潤滑油不足、冷卻器內粘附污物引起的主軸承溫度過高，油泵吸入口阻塞、油箱油位過低引起的系統(tǒng)油壓過低，葉片非工作面積灰、葉片磨損造成的振動。

說明書： 基于典型變量分析與隱馬爾可夫的送風機故障預測方法技術領域[0001] 本發(fā)明屬于閉環(huán)控制系統(tǒng)故障退化狀態(tài)預測領域，特別是針對一種基于典型變量分析與隱馬爾可夫的智能電廠送風機故障退化狀態(tài)預測方法。

背景技術[0002] 為了實現(xiàn)電力的可持續(xù)發(fā)展，火力發(fā)電機組日益趨向大型化和復雜化。隨著信息化和工業(yè)化的深度融合，推進大型火力發(fā)電機組的智能轉型升級，是加快構建高效、清潔、

低碳、可持續(xù)的電力工業(yè)體系的必然選擇。隨著智能電網(wǎng)建設的啟動，傳統(tǒng)的發(fā)電廠已不能

適應智能電網(wǎng)的發(fā)展需要。智能電廠是在信息化與工業(yè)化深度融合的背景下提出的，旨在

應對互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等信息領域新技術發(fā)展，提升電力行業(yè)的智能化水平。

[0003] 在大型火力發(fā)電機組中，送風機系統(tǒng)作為輔機系統(tǒng)之一，起著極為重要的作用。一方面，它直接關系到爐膛的安全燃燒，另一方面，它的高效率運行可以提高煤的利用率。若

其發(fā)生故障，往往會使主機主爐的正常工作受到影響，有時會造成嚴重事故，是電廠狀態(tài)監(jiān)

測的薄弱環(huán)節(jié)，也是造成大型火力發(fā)電機組非計劃停機的主要原因之一。在傳統(tǒng)檢修體制

中，由于沒有對送風機閉環(huán)控制系統(tǒng)的故障退化狀態(tài)進行預測，無法動態(tài)掌握送風機的運

行狀態(tài)和故障退化趨勢，不能結合送風機的實際情況調節(jié)生產(chǎn)，不利于維修人員的管理與

決策。對送風機閉環(huán)控制系統(tǒng)故障退化狀態(tài)進行預測可以掌握送風機在機組運行過程中的

健康狀態(tài)，有助于提前給出故障處理的對策和建議，從而消除安全隱患，降低發(fā)電機組非計

劃停機的風險，最大限度保障大型火力發(fā)電機組的安全可靠運行。

發(fā)明內容[0004] 本發(fā)明的目的在于提供一種基于典型變量分析與隱馬爾可夫的智能電廠送風機故障退化狀態(tài)預測方法。

[0005] 本發(fā)明的目的是通過以下技術方案實現(xiàn)的：一種基于典型變量分析與隱馬爾可夫的智能電廠送風機故障退化狀態(tài)預測方法，所述送風機主要由進氣箱、主風筒、后風筒、擴

壓筒、轉子、軸承箱、動葉片、動葉調節(jié)器和操作機構等構成。動葉片可在靜止狀態(tài)或者運行

狀態(tài)用液壓裝置改變安裝角。葉輪由一個整體軸承支撐，該軸承通過潤滑裝置不斷地輸入

清潔的潤滑油。為了使風機的振動不傳遞至進、出口管路，在兩端連接處都有膨脹節(jié)，電動

機和風機用兩個聯(lián)軸器和一個中間軸相連。該方法包括以下步驟：

[0006] (1)獲取過程分析數(shù)據(jù)：設送風機的閉環(huán)控制系統(tǒng)中包含J個過程變量，每次采樣可以得到一個1×J的向量，采樣M次后得到一個故障退化過程下的二維矩陣X(M×J)，所述

過程變量包括送風機風量、出口壓力、電機定子溫度、電機軸承溫度、電機電流、控制閥位置

等；

[0007] (2)提取能夠反映送風機發(fā)生故障時其閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程的特征。所述故障包括潤滑油不足、冷卻器內粘附污物等原因引起的主軸承溫度過高，油泵吸入口阻塞、

油箱油位過低等原因引起的系統(tǒng)油壓過低，葉片非工作面積灰、葉片磨損等原因造成的振

動等。使用以下子步驟來提取特征：

[0008] (2.1)當送風機發(fā)生故障時，在其閉環(huán)控制系統(tǒng)的動態(tài)調節(jié)過程中，其過程變量的值與過去一段時間的測量值有關。用CA對送風機的閉環(huán)控制系統(tǒng)的故障數(shù)據(jù)進行分析，提

取時序相關的特征Z。CA的具體步驟如下：

[0009] (2.1.1)為了考慮數(shù)據(jù)的時序相關性，在每個時間點t，按如下方式構造過去向量xp(t)和未來向量xf(t)：

[0010] xp(t)＝[xt?1T,xt?2T,...,xt?hT]T∈RJh(1)[0011] xf(t)＝[xtT,xt+1T,...,xt+l?1T]T∈RJl(2)[0012] 其中，h、l代表滯后數(shù)，xt表示t時刻所采集的過程變量向量。[0013] (2.1.2)對過去向量xp(t)和未來向量xf(t)進行標準化，然后將不同時刻的過去向量和未來向量按如下形式排列成過去矩陣Xp和未來矩陣Xf：

[0014] Xp＝[xp(t)T,xp(t+1)T,...,xp(t+M)T]∈RJh×N(3)[0015] Xf＝[xf(t)T,xf(t+1)T,...,xf(t+M)T]∈RJl×N(4)[0016] 其中，N＝M?h?l+1。[0017] (2.1.3)CA的目標是找到過程變量的線性組合，以最大化過去矩陣Xp和未來矩陣Xf之間的相關性。此優(yōu)化問題可以通過下面的奇異值分解得到解決：

[0018][0019] 其中，Σpp，Σff和Σpf分別是矩陣Xp和Xf的協(xié)方差矩陣和互協(xié)方差矩陣。對角陣Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相關值。

[0020] 奇異值分解(SingularalueDecomposition)是線性代數(shù)中一種重要的矩陣分解，定理如下：

[0021] 設A為m*n階復矩陣，則存在m階酉陣U和n階酉陣，使得：[0022] A＝U*S*’[0023] 其中S＝diag(σi,σ2,……,σr)，σi>0(i＝1,…,r)，r＝rank(A)。[0024] 推論：設A為m*n階實矩陣，則存在m階正交陣U和n階正交陣，使得：A＝U*S*’[0025] 其中S＝diag(σi,σ2,……,σr)，σi>0(i＝1,…,r)，r＝rank(A)。[0026] (2.1.4)求出狀態(tài)空間和殘差空間的投影矩陣：[0027][0028][0029] 其中矩陣Uk由矩陣U的前k列組成，I為單位陣。[0030] (2.1.5)將過去矩陣Xp投影到狀態(tài)空間和殘差空間得到狀態(tài)矩陣Z和殘差矩陣E：[0031] Z＝JXp∈Rk×N(8)[0032] E＝LXp∈RJh×N(9)[0033] 大型火力發(fā)電機組結構復雜，動態(tài)時變，強耦合性嚴重，因此大型火力發(fā)電機組送風機運行過程中采集的數(shù)據(jù)存在噪聲干擾。殘差矩陣E中包含了大量噪聲，變量時序相關性

弱，無法表征前置泵閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程的特性，只需使用時序相關的部分Z進行分

析即可。

[0034] (2.2)使用SFA對時序相關的特征ZT進行分析，提取穩(wěn)態(tài)特征S和時變特征 分別用來表征在閉環(huán)控制系統(tǒng)調節(jié)下，大型火力發(fā)電機組送風機的過程變量的時序相關性和變

化速度。SFA的具體步驟如下：

[0035] (2.2.1)對輸入ZT的協(xié)方差矩陣進行奇異值分解：[0036] t＝OΓOT(10)[0037] 其中<·>t表示在時間上求均值。[0038] (2.2.2)對輸入ZT進行白化處理，從而使ZT中的變量不相關，同時為單位方差。白化后的數(shù)據(jù)為：

[0039][0040] 其中白化矩陣[0041] (2.2.3)對A的一階差分 的協(xié)方差矩陣進行奇異值分解：[0042][0043] (2.2.4)求出慢特征S:[0044][0045] (2.2.5)將慢特征S劃分成兩個部分：[0046][0047][0048][0049] 其中R代表主導慢特征的個數(shù)，Sd為主空間，反映了時序數(shù)據(jù)的主要變化，Se為殘差空間。由于送風機的閉環(huán)控制系統(tǒng)結構較為復雜，在采集數(shù)據(jù)的過程中受到大量噪聲干擾，

因此殘差空間Se中多為快速變化的噪聲，包含的有用信息很少，只需關注主空間Sd即可。主

空間Sd中包含的特征為穩(wěn)態(tài)特征，其一階差分 為時變特征。

[0050] (3)大型火力發(fā)電機組送風機大多數(shù)故障的劣化過程緩慢，故障發(fā)生前期，在其閉環(huán)控制系統(tǒng)的動態(tài)調節(jié)作用下，送風機仍然能夠正常工作；當故障不斷劣化，超出閉環(huán)控制

系統(tǒng)的調節(jié)范圍時，送風機的故障狀態(tài)開始顯露并不斷惡化。因此，可以根據(jù)送風機閉環(huán)控

制系統(tǒng)的各個故障退化狀態(tài)所經(jīng)歷的時間，對穩(wěn)態(tài)特征Sd和時變特征 進行劃分，獲得相

應故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征。

[0051] (4)建立模型：使用各個故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征來訓練對應的故障退化狀態(tài)的CHMM模型，建立包含各個故障退化狀態(tài)CHMM模型的故障退化狀態(tài)庫。

[0052] (5)在線預測：對于實時采集的數(shù)據(jù)，采用步驟(2)所述的方式提取特征，然后將提取的特征分別輸入故障退化狀態(tài)庫中的CHMM模型中，比較其輸出的概率，輸出概率最大的

CHMM模型所對應的故障退化狀態(tài)即為當前閉環(huán)控制系統(tǒng)所處的故障退化狀態(tài)。

[0053] 本發(fā)明的有益效果在于：針對大型火力發(fā)電機組送風機，本發(fā)明提出了一種閉環(huán)控制系統(tǒng)故障退化狀態(tài)預測方法。使用CA和SFA相結合的方法來提取特征，由于大型火力

發(fā)電機組送風機的閉環(huán)控制系統(tǒng)結構復雜，運行過程中受到大量噪聲干擾，因此只對CA的

狀態(tài)空間和SFA的主空間進行分析，所提取的特征可以排除噪聲的干擾，更加充分地展現(xiàn)了

故障發(fā)生時閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程中變量的時序相關性和變化速度，全面反映了在閉

環(huán)控制系統(tǒng)調節(jié)下整個故障退化過程的特性。使用CHMM模型來預測大型火力發(fā)電機組送風

機的閉環(huán)控制系統(tǒng)故障退化狀態(tài)可以實現(xiàn)對火電機組的及時調整，從而避免惡性故障的發(fā)

生。

附圖說明[0054] 圖1(a)是本發(fā)明離線訓練的流程圖，圖1(b)是本發(fā)明在線預測的流程圖；[0055] 圖2(a)是提取的部分穩(wěn)態(tài)特征S的效果圖，圖2(b)是提取的部分時變特征 的效果圖。

[0056] 圖3是本方法的故障退化狀態(tài)預測結果。具體實施方式[0057] 下面結合附圖及具體實例，對本發(fā)明作進一步詳細說明。[0058] 火力發(fā)電作為國民經(jīng)濟中最重要的基礎產(chǎn)業(yè)之一，是衡量一個國家的經(jīng)濟水平和綜合國力的重要指標。大型火力發(fā)電機組中存在大量閉環(huán)控制系統(tǒng)，其中送風機主要由進

氣箱、主風筒、后風筒、擴壓筒、轉子、軸承箱、動葉片、動葉調節(jié)器和操作機構等構成。動葉

片可在靜止狀態(tài)或者運行狀態(tài)用液壓裝置改變安裝角。葉輪由一個整體軸承支撐，該軸承

通過潤滑裝置不斷地輸入清潔的潤滑油。為了使風機的振動不傳遞至進、出口管路，在兩端

連接處都有膨脹節(jié)，電動機和風機用兩個聯(lián)軸器和一個中間軸相連。在推動智能電廠發(fā)展

的過程中，對送風機的閉環(huán)控制系統(tǒng)故障退化狀態(tài)預測方法的研究具有重要意義。本發(fā)明

以嘉華火力發(fā)電廠3號機組為例，該機組的功率為10000MW。其送風機的閉環(huán)控制系統(tǒng)中包

含了33個過程變量。

[0059] 如圖1所示，本發(fā)明是一種基于典型變量分析與隱馬爾可夫的智能電廠送風機故障退化狀態(tài)預測方法，包括以下步驟：

[0060] (1)獲取過程分析數(shù)據(jù)：設送風機的閉環(huán)控制系統(tǒng)中包含J個過程變量，每次采樣可以得到一個1×J的向量，采樣M次后得到一個故障退化過程下的二維矩陣X(M×J)，所述

過程變量包括送風機風量、出口壓力、電機定子溫度、電機軸承溫度、電機電流、控制閥位置

等。本實例是由送風機自由端支撐軸承磨損引起的自由端支撐軸承溫度升高。對整個故障

退化過程數(shù)據(jù)采集2232個樣本，33個過程變量。所以訓練數(shù)據(jù)樣本為X(2232×33)。

[0061] (2)提取能夠充分反映送風機發(fā)生故障時，其閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程的特征，該步驟包括以下子步驟：

[0062] (2.1)當送風機發(fā)生故障時，在其閉環(huán)控制系統(tǒng)的動態(tài)調節(jié)過程中，其過程變量的值與過去一段時間的測量值有關。用CA對送風機的閉環(huán)控制系統(tǒng)的故障數(shù)據(jù)進行分析，提

取時序相關的特征Z。CA的具體步驟如下：

[0063] (2.1.1)為了考慮數(shù)據(jù)的時序相關性，在每個時間點t，按如下方式構造過去向量xp(t)和未來向量xf(t)：

[0064] xp(t)＝[xt?1T,xt?2T,...,xt?hT]T∈RJh(1)[0065] xf(t)＝[xtT,xt+1T,...,xt+l?1T]T∈RJl(2)[0066] 其中，h、l代表滯后數(shù)，xt表示t時刻所采集的過程變量向量?？梢酝ㄟ^檢查過程變量平方和的自相關性來確定滯后數(shù)h和l，當時間距離大于確定的滯后數(shù)時可以忽略過程變

量的自相關性。本實例采用此方法確定h＝l＝6，得到過去向量xp(t)(198×1)，未來向量xf(t)

(198×1)。

[0067] (2.1.2)對過去向量xp(t)和未來向量xf(t)進行標準化，然后將不同時刻的過去向量和未來向量按如下形式排列成過去矩陣Xp和未來矩陣Xf：

[0068] Xp＝[xp(t)T,xp(t+1)T,...,xp(t+M)T]∈RJh×N(3)[0069] Xf＝[xf(t)T,xf(t+1)T,...,xf(t+M)T]∈RJl×N(4)[0070] 其中，N＝M?h?l+1＝2221，Xp(198×2221)，Xf(198×2221)。[0071] (2.1.3)CA的目標是找到過程變量的線性組合，以最大化過去矩陣Xp和未來矩陣Xf之間的相關性。此優(yōu)化問題可以通過下面的奇異值分解得到解決：

[0072][0073] 其中，Σpp，Σff和Σpf分別是矩陣Xp和Xf的協(xié)方差矩陣和互協(xié)方差矩陣。對角陣Λ＝diag(γ1,γ2,...,γr,0,...,0)，γ1≥...≥γr，γi表示典型相關值。

[0074] (2.1.4)求出狀態(tài)空間和殘差空間的投影矩陣：[0075][0076][0077] 其中矩陣Uk由矩陣U的前k列組成，I為單位陣。典型變量個數(shù)k由累計相關性比例決定。在本實例中，取β＝60％，此時k＝62。

[0078] (2.1.5)將過去矩陣Xp投影到狀態(tài)空間和殘差空間得到狀態(tài)矩陣Z和殘差矩陣E：[0079] Z＝JXp∈Rk×N(8)[0080] E＝LXp∈RJh×N(9)[0081] 其中，Z(62×2221)，E(198×2221)。大型火力發(fā)電機組結構復雜，動態(tài)時變，強耦合性嚴重，因此大型火力發(fā)電機組送風機運行過程中采集的數(shù)據(jù)存在噪聲干擾。殘差矩陣E

中包含了大量噪聲，變量時序相關性弱，無法表征前置泵閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程的特

性，只需使用時序相關的部分Z進行分析即可。

[0082] (2.2)使用SFA對時序相關的特征ZT進行分析，提取穩(wěn)態(tài)特征S和時變特征 分別用來表征在閉環(huán)控制系統(tǒng)調節(jié)下，大型火力發(fā)電機組送風機的過程變量的時序相關性和變

化速度。SFA的具體步驟如下：

[0083] (2.2.1)對輸入ZT的協(xié)方差矩陣進行奇異值分解：[0084] t＝OΓOT(10)[0085] 其中<·>t表示在時間上求均值。[0086] (2.2.2)對輸入ZT進行白化處理，從而使ZT中的變量不相關，同時為單位方差。白化后的數(shù)據(jù)為：

[0087][0088] 其中白化矩陣[0089] (2.2.3)對A的一階差分 的協(xié)方差矩陣進行奇異值分解：[0090][0091] (2.2.4)求出慢特征S:[0092][0093] (2.2.5)將慢特征S劃分成兩個部分：[0094][0095][0096][0097] 其中R代表主導慢特征的個數(shù)，Sd為主空間，反映了時序數(shù)據(jù)的主要變化，Se為殘差空間。由于送風機的閉環(huán)控制系統(tǒng)結構較為復雜，在采集數(shù)據(jù)的過程中受到大量噪聲干擾，

因此殘差空間Se中多為快速變化的噪聲，包含的有用信息很少，只需關注主空間Sd即可。主

空間Sd中包含的特征為穩(wěn)態(tài)特征，其一階差分 為時變特征。在本實例中，取R＝45，此時穩(wěn)

態(tài)特征Sd(2221×45)，時變特征 根據(jù)其有效性保留前15個。

[0098] (3)根據(jù)送風機閉環(huán)控制系統(tǒng)的各個故障退化狀態(tài)所經(jīng)歷的時間，對穩(wěn)態(tài)特征Sd和時變特征 進行劃分，獲得相應故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征。在本實例中，智能電

廠大型火力發(fā)電機組送風機的閉環(huán)控制系統(tǒng)一共經(jīng)歷了3個故障退化狀態(tài)，因此按其各個

故障退化狀態(tài)所經(jīng)歷的時間將穩(wěn)態(tài)特征S和時變特征 劃分成3部分。

[0099] (4)建立模型：使用各個故障狀態(tài)下的穩(wěn)態(tài)特征和時變特征來訓練對應的故障退化狀態(tài)的CHMM模型，建立包含各個故障退化狀態(tài)CHMM模型的故障退化狀態(tài)庫。在本實例中，

需要訓練3個CHMM模型，分別代表故障退化狀態(tài)1(CHMM1)、故障退化狀態(tài)2(CHMM2)和故障退

化狀態(tài)3(CHMM3)。

[0100] (5)在線預測：對于實時采集的數(shù)據(jù)，采用步驟(2)所述的方式提取特征，然后將提取的特征分別輸入故障退化狀態(tài)庫中的CHMM模型中，比較其輸出的概率，輸出概率最大的

CHMM模型所對應的故障退化狀態(tài)即為當前閉環(huán)控制系統(tǒng)所處的故障退化狀態(tài)。圖3展示了

在線預測的結果。

[0101] 表1預測結果與真實結果對比[0102] 故障退化狀態(tài)1 故障退化狀態(tài)2 故障退化狀態(tài)3真實結果 t＜510 510＜t＜1514 t＞1514

預測結果 t＜535 535＜t＜1535 t＞1535

[0103] 由上表可以看出，本發(fā)明具有很高的預測精度。首先，在提取特征時，通過CA提取出過程變量中時序相關的部分，然后使用SFA對時序相關的部分進行分析來提取穩(wěn)態(tài)特征

和時變特征。該特征提取的方法可以充分展現(xiàn)故障發(fā)生時閉環(huán)控制系統(tǒng)動態(tài)調節(jié)過程中變

量的時序相關性和變化速度，全面反映了在閉環(huán)控制系統(tǒng)調節(jié)下整個故障退化過程的特

性。其次，準確預測送風機的閉環(huán)控制系統(tǒng)故障退化狀態(tài)可以實現(xiàn)對火電機組的及時調整，

從而避免惡性故障的發(fā)生。除了個別突變故障，送風機在其閉環(huán)控制系統(tǒng)的調節(jié)下，從正常

運行到出現(xiàn)故障征兆再到發(fā)生故障災害是一個較慢的過程，若早期發(fā)現(xiàn)，準確預測設備性

能退化趨勢，可以減少事故發(fā)生概率，進一步提高系統(tǒng)運行的安全性、可靠性和有效性。