(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111474896.3 (22)申请日 2021.12.0 3 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 杨静　江刘锋　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 代理人 陆丽莉　何梅生 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 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 (57)摘要 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。 权利要求书3页 说明书9页 CN 114154266 A 2022.03.08 CN 114154266 A 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,...,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 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 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TCNt， 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； 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TCNt中， 从而获得t+1时刻监测节点集集合TCNt+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Xj进行相关性 分析， 从而在t时刻监测节点集TCNt中选取相关的监测节点加入候选邻居监测节点集MB (Xj)； 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T CNt中， 从而获得t+1时 刻监测节点 集合TCNt+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(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′)； 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； 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。权　利　要　求　书 1/3 页 2 CN 114154266 A 22.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Xj和t时刻监测节点集TCNt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 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； 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： 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； 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； 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权　利　要　求　书 2/3 页 3 CN 114154266 A 3