| 主权项 |
1.一种汽轮机组振动与过程信号异常搜索分析方法，其特征是所述方法包括下列步骤：步骤1：以汽轮机组正常状态的历史数据作为训练对象，对设定组数的历史数据，根据采集时间的先后顺序组成设定组数的时间序列；步骤2：将每组时间序列划分为时间子序列，计算时间子序列的模式特征值并进行规范化处理；所述将每组时间序列划分为时间子序列包括：步骤101：设定检测窗口的大小为m，设定时间序列的维度为n，所述维度n为时间序列的序列点的个数；步骤102：设定时间序列X＝{x(t<sub>1</sub>),x(t<sub>2</sub>),...,x(t<sub>n</sub>)}的每个序列点所对应的阀门编码为M<sub>1×n</sub>＝(0,0,...,0)；其中，x(t<sub>i</sub>)为t<sub>i</sub>时刻采集的信号记录值，1≤i≤n，n为时间序列的维度，即时间序列的序列点个数；步骤103：当时间序列X中的序列点为其所在的检测窗口内的极大值或极小值时，则按公式<img file="FDA00002712820600011.GIF" wi="1178" he="149" />对阀门编码进行变异操作；其中，j表示时间序列的检测窗口，1≤j≤m；max X<sub>m</sub>(j)表示第j个检测窗口的最大序列值序列，min X<sub>m</sub>(j)表示第j个检测窗口的最小序列值序列；步骤104：将阀门编码M<sub>1×n</sub>为1的序列点设为时间序列分割点，时间序列的首尾两个序列点也被定义为分割点，之后将时间序列X＝{x(t<sub>1</sub>),x(t<sub>2</sub>),...,x(t<sub>n</sub>)}划分为时间子序列{x(t<sub>1</sub>)…x(t<sub>d1</sub>)},{x(t<sub>d1</sub>)…x(t<sub>d2</sub>)},…,{x(t<sub>dk</sub>)…x(t<sub>n</sub>)}；所述计算时间子序列的模式特征值并进行规范化处理包括：步骤201：计算时间子序列{x(t<sub>i1</sub>),x(t<sub>i2</sub>),...,x(t<sub>iv</sub>)}的模式特征值，所述模式特征值包括：模式高度sph、模式长度spl、模式斜率spk、模式均值<img file="FDA00002712820600021.GIF" wi="88" he="65" />和模式标准差spσ；其中，v为时间子序列的序列点的个数；计算模式高度sph利用公式sph＝x(t<sub>iv</sub>)-x(t<sub>i1</sub>)；计算模式长度spl利用公式spl＝iv-i1+1计算模式斜率spk利用公式<img file="FDA00002712820600022.GIF" wi="415" he="133" />计算模式均值<img file="FDA00002712820600023.GIF" wi="77" he="65" />利用公式<maths num="0001"><![CDATA[<math><mrow><mi>sp</mi><mover><mi>x</mi><mo>‾</mo></mover><mo>=</mo><mfrac><mn>1</mn><mi>spl</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><msub><mi>t</mi><mrow><mi>i</mi><mn>1</mn></mrow></msub></mrow><msub><mi>t</mi><mi>iv</mi></msub></munderover><mi>x</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></math>]]></maths>计算模式标准差spσ利用公式<img file="FDA00002712820600025.GIF" wi="600" he="152" />步骤202：利用公式<img file="FDA00002712820600026.GIF" wi="439" he="112" />对时间子序列{x(t<sub>i1</sub>),x(t<sub>i2</sub>),...,x(t<sub>iv</sub>)}的模式特征值进行规范化处理；其中，s<sub>l</sub>为模式特征值，s<sub>min</sub>为所有模式特征值的最小值，s<sub>max</sub>为所有模式特征值的最大值；步骤3：将经过步骤2处理的模式特征值组成模式特征值集合；步骤4：从模式特征值集合中抽取各类模式特征的极大值，按从大到小的顺序排列，形成模式特征极值序列；步骤5：求取模式特征极值序列的异常特征边界；所述求取模式特征极值序列的异常特征边界具体是：设定ε＞0，选取满足不等式<img file="FDA00002712820600031.GIF" wi="129" he="100" />的最小整数p，将模式特征极值序列前p位的平均值作为异常特征边界；或者直接将模式特征极值序列的第p位的模式特征值作为异常特征边界；其中，N为时间序列的设定组数；步骤6：确定异常时间子序列；所述确定异常时间子序列包括：步骤301：将分割后的时间子序列映射到五维特征空间<img file="FDA00002712820600032.GIF" wi="512" he="64" />中，对C中的每一点u，分别在特征空间C和它的每一个特征值的特征子空间上求解其k-MD(u)，并且将求解后的值规范化后分别记为：k-MDO(u)，k-MDO<sub>1</sub>(u)，k-MDO<sub>2</sub>(u)，k-MDO<sub>3</sub>(u)，k-MDO<sub>4</sub>(u)和k-MDO<sub>5</sub>(u)；其中，k-MD(u)是指对象u的k平均模式特征距离，<img file="FDA00002712820600033.GIF" wi="612" he="130" />k-D(u)是指对象u的K<sup>th</sup>模式特征距离；步骤302：利用公式<maths num="0002"><![CDATA[<math><mrow><mi>k</mi><mo>-</mo><mi>MDOF</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>=</mo><mi>k</mi><mo>-</mo><mi>MDO</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mo>{</mo><mi>k</mi><mo>-</mo><mi>MD</mi><msub><mi>O</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>}</mo></mrow></math>]]></maths>计算点u的k－均距异常因子，k－均距异常因子最大值对应的时间子序列即为异常时间子序列；步骤7：判断异常时间子序列是否超过异常特征边界，如果是，则将该异常时间子序列存储到异动序列中；步骤8：对异动序列进行基于确定系数的优选回归分析，根据预警机制规则找到匹配的预警等级。 |
