(19)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 202111637049.4 (22)申请日 2021.12.2 9 (71)申请人 中国大唐集团科 学技术研究总院有 限公司华 东电力试验研究院 地址 236000 安徽省合肥市高新区创新大 道666号赛为智能大厦 申请人 大唐锅炉压力容器 检验中心有限公 司 (72)发明人 邓中乙　徐民　陈俊　毛刘军　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 叶濛濛 (51)Int.Cl. G06K 9/62(2022.01) G06K 9/00(2022.01)G06N 5/00(2006.01) (54)发明名称 一种火电厂辅机设备故障识别方法、 系统、 设备和存 储介质 (57)摘要 本发明提供了一种火电厂辅机设备故障识 别方法， 包括， 采集历史故障时刻的辅机运行参 数， 并根据故障类型对数据进行标注； 对故障数 据进行小波分解重构； 对重构后的历史故障数据 进行聚类； 对历史数据进行归一化处理； 对聚类 后的历史故障数据与待识别故障数据基于运行 参数的变化值和实际值进行分类匹配， 输出故障 类型。 本发明通过小波分解重构， 滤除高频噪声， 还原故障数据的真实表征， 然后将故障数据进行 无监督分类， 之后再通过参数的变化值和实际值 两个维度比对待识别数据和历史故障数据， 考虑 了不同区间参数表征不同且就参数本身与变化 值两方面分析， 提高分类结果的准确性， 能够准 确的判断待识别数据的故障类型。 权利要求书3页 说明书10页 附图2页 CN 114492588 A 2022.05.13 CN 114492588 A 1.一种火电厂辅 机设备故障识别方法， 其特 征在于： 包括， S1： 采集历史故障时刻的辅 机运行参数， 并根据故障类型对数据进行 标注； S2： 对故障数据进行小 波分解， 对分解后的低频信号进行重构； S3： 对重构后的历史故障数据进行聚类； S4： 对历史数据进行归一 化处理； S5： 对聚类后的历史故障数据与待识别故障数据基于运行参数的变化值和实际值进行 分类匹配， 输出故障类型。 2.根据权利要求1所述的一种火电厂估计设备故障识别方法， 其特征在于： 所述的小波 分解和重构方法包括， 步骤i： 对每一项参数x(t)， 共计n项， 添加项生成分解特征矩阵， 进行5次分解， 新生成 特征矩阵x(t) ′共计n+10项， 其中x(t) ′前5项依次为x(t)5， x(t)4， x(t)3， x(t)2， x(t)1， 中间n 项为x(t)且顺序不变， 最后5项依次为x(t)n， x(t)n‑1， x(t)n‑2， x(t)n‑3， x(t)n‑4， 其中， x(t)1表 示x(t)中的第1项； 步骤ii： 定义低频分解滤波器Lo_D矩阵与高频分解滤波器Hi_D矩阵， “db3”小波Lo_D＝ [0.0352， ‑0.0854，‑0.1350， 0.4599， 0.8069， 0.3327]， Hi_D＝[ ‑0.3327， 0.8069， ‑0.4599，‑ 0.1350， 0.0854， 0.0352 ]， 使用“valid”方式对x(t) ′与Lo_D进行卷积， 卷积 结果x1L(t)共计 (n+5)/2项， x1L(t)为1层低频分解信号； 步骤iii： 使用步骤ii中的方法继续对x1L(t)再进行4层小波分解， 获取x2L(t)， x3L(t)， x4L(t)， x5L(t)； 步骤iv： 对5层低频分解信号x5L(t)进行小波重构， 定义重构特征矩阵为x5L(t)′， x5L (t)′中偶数项为0， 奇数项为x5L(t)不变； 步骤v： 定义重构低频滤波器Lo_R＝[0.3327,0.8069,0.4599, ‑0.1350, ‑0.0854, 0.0352]， 重构高频滤波器Hi_R＝[0.0352,0.0854, ‑0.1350,‑0.4599,0.8069, ‑0.3327]， 使 用“full”方式对x5L(t)′与Lo_R进行卷积， 得到x4L(t)′， x5L(t)′共有a项， x4L(t)′共有b项， 计 算D＝(a‑b)/2， 令C为D最小整数部分， E为D最大整数部分， 计 算F＝a‑E； 获取x4L(t)′中由C项 开始至F项结束 项生成4层重构低频信号x4(t)″； 步骤vi： 再重复步骤iv和v进行4次分解重构， 依次获得x3(t)″， x2(t)″， x1(t)″， x(t)″； 其中x(t) ″即为对x(t)进行5层小 波分解重构后得到的结果。 3.根据权利要求1所述的一种火电厂辅机设备故障识别方法， 其特征在于： 使用k ‑ means算法对历史故障数据进行聚类， 方法为， 随机选择k个初始质心； 将所有样本分别分配到距离最近的质心所属的簇 中； 更新质心 为每个簇中所有样本的平均值； 重新对样本进行聚类， 直到更新前后所有簇中的元素不再 变化。 4.根据权利要求3所述的一种火电厂辅机设备故障识别方法， 其特征在于： 在不同的质 心数k下， 分别对故障数据进行聚类， 然后分别计算 不同质心数k下的聚类 轮廓系数S(i)， 其中， a(i)代表样本i到同簇其他样本的平均距离； b(i)代表样本i到其他簇的样本平 均距离； S(i)接近1， 说明样本 聚类合理； S(i)接近 ‑1， 说明样本i更应该被分到另外的簇； S权　利　要　求　书 1/3 页 2 CN 114492588 A 2(i)接近0， 说明样本i在两个簇边界上； 对所有样本的轮廓系数进行求和， 数值最高的结果对应的质心数k及其分类结果即为 最优聚类结果。 5.根据权利要求3所述的一种火电厂辅机设备故障识别方法， 其特征在于： 所述k ‑ means聚类的分类数为 k∈[3,25]。 6.根据权利要求1所述的一种火电厂辅机设备故障识别方法， 其特征在于： 所述归一化 处理的方法为， 其中， x(t) ″max和x(t)″min别为x(t) ″中各项参数的最大值和最小值。 7.根据权利要求1所述的一种火电厂辅机设备故障识别方法， 其特征在于： 通过随机森 林算法对待识别故障数据进行分类匹配识别， 方法为， 步骤a： 将样本数据分为训练集和测试集， 有放回的选取训练集内的N个样本构成样本 集Dt＝{Z1,Z2......,ZN}， 其中， Zj为样本的归一化特征向量， j＝1,2, ···,N， 总共选取T 个样本集， 构建T棵决策树， 即t＝1,2, ···,T； 步骤b： 对归一化特征向量Zj随机选择u个划分特征， 设第v个划分特征为WV∈[1,n]， 并 对每个划分特征随机选择一个阈值δv， 其中v＝1,2, ···,u； 判断Zt[WV]是否小于δv， 若小 于 δv， 则将Zt划分到根节点的左子节点 集 中， 否则划分到根节点的右子节点子集 中； 步骤c： 针对第v种划分特 征， 计算其基尼系数， 计算公式如下： 其中 和 的纯度用基尼值 来度量， 数据集Gi ni()计算公式如下： 其中γ为故障的类别总数， pz为第z类样本所占的比例， z＝1,2, ···,γ； 步骤d： 在u种划分方式中， 选取基尼系数最小 的作为最优划分方式， 标记为v*， 是最优 划分特征WV*及其相应最佳阈值δv*的序号， 和 分别为该根节点的左右子节点子集， 简单记为 和 步骤e： 当决策树深度大于等于d时， 不再对子节点进行划分， 当决策树深度小于d时， 如 果 包含样本个数小于阈值 ε， 或 属于同一类别， 则 作为叶子节点不再划分； 如果 中 的样本数超过阈值ε， 或者 中包括至少两个类别的数据， 则 重复步骤c和d， 直到所有叶子 节点不再划分； 对右子节点 进行同样的操作。 步骤f： 将第t棵决策树上的叶子节点记为xt， 其分类概 率计算公式如下：权　利　要　求　书 2/3 页 3 CN 114492588 A 3