基于dw距离的相似搜索在das序列分类中的应用

基于dw距离的相似搜索在das序列分类中的应用

0基于动态时间弯曲的时间序列相似搜索随着数据采集系统（das）在电压电气中的广泛应用，大量的过程数据可以长期收集，并且基于数据分析的故障诊断方法得到了迅速发展。DAS数据均为时态数据,其中绝大部分是由模拟量或开关量组成的时间序列。自1993年Agrawal等人发表了时间序列相似搜索的研究论文后,相关研究在金融、医学、生物、网络等领域逐步展开,在电站故障诊断中,时间序列相似搜索也得到了一定的应用。大多数时间序列相似搜索算法采用Euclidean距离及其扩展作为相似性测度,但Euclidean距离存在一定的局限,无法处理存在相位差的序列集。此处相位差是指两个序列中变化相似的部分,在时间轴上没有对齐。由于电站存在物理和化学过程滞后,导致很多变化趋势相同的DAS测点之间存在相位差,给基于Euclidean距离的相似搜索带来了障碍。为解决这一问题,动态时间弯曲(DTW)距离被引入时间序列相似搜索中。DTW技术最早应用于自动语音识别领域,用来处理不同语速给语音识别带来的影响。采用DTW距离作为相似性测度可以克服时间序列之间的相位差问题。本文根据电站DAS数据的特点,把DTW技术引入到电站故障诊断中,研究了DTW技术在典型时间序列数据集中的分类效果,提出了基于DTW技术的电站故障诊断方法,并在实践中得到了应用。1基于1-nn相似匹配算法的ur时间序列分类算法DTW距离可以度量等长或非等长序列间的相似性,考虑到DAS系统一般均为同步采样,同一时段内序列长度相等,即使对于非等长序列,也可通过插值重采样的方法使序列长度一致。因此,为简便起见,在本文分析中假设DAS系统中数据序列长度一致。设有长度为n的时间序列Q和C,Q=q1,q2,⋯,qi,⋯,qn‚C=c1,c2,⋯,ci,⋯,cn。Q=q1,q2,⋯,qi,⋯,qn‚C=c1,c2,⋯,ci,⋯,cn。则这两个序列的Euclidean距离为:DEUC(Q,C)=√n∑k=1(qi-ci)2为了计算这两个序列的DTW距离,构造一个n维矩阵,其中元素(i,j)的值为:d(i,j)=(qi-cj)2矩阵中从(1,1)开始到(n,n)结束的连续元素的组合称为规整路径。若某一条规整路径W上的元素之和在所有路径中为最小,那么这个最小值即为Q和C的DTW距离。设W的第k个元素为W(k)=(i,j)k,则Q和C的DTW距离为:DDΤW(Q,C)=minW√k=Κ∑k=1d(W(k))其中,K是W的长度,n≤K≤2n-1。计算Euclidean距离时,是两个序列对应元素之间进行匹配,而计算DTW距离是通过动态规划算法寻求两个序列的最佳匹配,使得各匹配元素对的距离之和最小,如图1所示。直观分析图2中的时间序列,(a)与(c)的相似度高于(a)与(b)的相似度,但由于(a)与(c)之间存在相位差,所以计算Euclidean距离的结果为DEUC(a,b)<DEUC(a,c),即序列(a)和(b)的相似度更高。图2中序列的DTW距离计算结果为DDTW(a,c)<DDTW(a,b),即序列(a)和序列(c)更相似,符合人的直观分析。因此,DTW距离更适合于分析电站DAS信号的相似性。分别采用基于Euclidean距离和DTW距离的1-NN相似匹配算法,对公认的UCR时间序列数据集进行分类,分类结果如表1所示。在大部分的数据集上,采用DTW距离的分类精度优于Euclidean距离,表明基于DTW距离的相似搜索方法更符合大部分实际应用情况。2dtw技术故障诊断流程因为DTW技术具有优越性,把基于DTW距离的相似搜索应用于电站故障诊断,其基本思想为:故障信息会反映在很多DAS测点的变化上,并且这些测点之间具有相似的变化趋势;在故障发生时段选取某测点为故障特征信号,采用基于DTW距离的相似搜索算法在同时段的DAS系统中寻找与特征信号最相似的K个测点;这K个测点包含了大部分的故障信息,结合领域知识分析这K个故障相关测点,进而开展故障诊断。相似搜索之前,需要对数据进行标准化,以消除期望和方差的影响。对于方差接近零的测点,可认为不包含故障信息,不进行分析。基于DTW技术的故障诊断方法设计如下,并通过两个实际案例说明该方法的应用效果。输入:选定的特征测点数据(基准序列);同时段DAS系统所有测点的数据(匹配序列集);保留测点个数K;方差阈值ε。输出:与特征测点最相似的K个DAS测点。流程:(1)基准序列变换为标准序列(标准基准序列);(2)对于每一个匹配序列;①若方差大于ε:(a)变换为标准序列(标准匹配序列);(b)计算标准基准序列和标准匹配序列之间的DTW距离DDTW1;(c)把标准匹配序列取反,计算标准基准序列和负标准匹配序列之间的DTW距离DDTW2;(d)原基准序列和匹配序列之间的DTW距离DDTW=min(DDTW1,DDTW2);(3)DDTW最小的K个测点即为与特征测点最相似的K个测点;(4)根据这K个测点进行故障诊断。2.1号瓦瓦温为故障识别的点某台210MW汽轮机在顺序阀工况下调峰运行时经常发生1号、2号瓦瓦温超温故障,最严重时导致若干次2号瓦烧瓦事故。图3是某一天发生该故障的运行数据。2号瓦瓦温是最显著的故障特征。为寻找其它故障相关测点,采用基于DTW技术的故障诊断方法,以2号瓦瓦温为故障特征测点,对该机组DAS中所有测点在这一天的运行数据进行计算。算法的其它输入参数为:K=15,ε=0.01。表2中列出与2号瓦瓦温变化趋势相似度最高的一部分测点,其中距离越小表示相似度越高。表2中,轴心位移与高压调节阀阀后压力这两类测点比较特殊,分别见图4和图5。从图中可以看出,它们与2号瓦瓦温的变化趋势非常相似。对这两类测点进行重点分析后推断出,瓦温升高的直接原因是转子大幅度位移增加了轴承载荷,间接原因是顺序阀工况下高压调节阀进汽时在调节级上产生的不平衡汽流力。通过进一步机理分析和实验研究,验证了上述推断的正确性。2.2振动信号的周期特性某电厂200MW汽轮机组在某日某时1:47:30从170MW甩负荷,在随后的机组重启过程中,工作人员采用电调升速未成功遂切为液调运行,在1:56:30时转子受到损坏。初步判断事故是由1:56:10至1:56:30主汽流量大量增加导致转子超速引起,但根据机组特性(轴承摩擦功耗等),这些蒸汽流量无法使得转速超过3000r/min,且机组DAS系统记录的转速信号在事故发生时远远小于额定转速,如图6所示。根据现场实际情况判断,在甩负荷之后,转速信号的测量出现问题。为了确认转子是否超速,需要根据其它信号对事故过程中转速信号的实际变化进行估计。在对振动、温度等重要信号的排查过程中,发现轴瓦的振动信号在事故发生前呈现出周期性变化,如3号、5号瓦瓦振(见图7),在事故发生前存在周期性的波动,直到事故发生时才迅速增大。不同轴瓦呈现相同的周期性波动,必定是受到转子的影响,考虑到瓦振与转子转速具有密切联系,可认为瓦振信号在一定程度上蕴含了转速的信息。直接利用瓦振信号无法复现转速,因此以5号瓦瓦振从1:48:00到1:56:10的周期性波动部分为特征数据,采用基于DTW技术的故障诊断方法,在DAS系统中搜索与转速相关的测点,算法的其它输入参数为:K=20,ε=0.01,结果见表3。表3中,除了振动信号,还有高中低压缸相对差胀、发电机励磁电压和定子电压以及低压缸排汽温度与5号瓦瓦振相似。图8和图9展示了甩负荷前到事故发生后这些测点的变化情况。从图中可以看出,高中低压缸相对差胀和低压缸排汽温度的变化趋势都与5号瓦瓦振相似,但发电机励磁电压和定子电压并没有类似的周期性波动。考虑到算法分析的数据在1:48:00到1:56:10时段内,这些测点的周期性波动也都介于这一时段,因此把发电机励磁电压和定子电压在这一时段内的数据序列单独绘制出来,见图9。由图可知,在轴瓦振动信号周期性波动过程中,发电机励磁电压和定子电压也发生相似的周期性波动。根据汽轮机原理可知,高中低压缸相对差胀、发电机励磁电压、定子电压和低压缸排汽温度都与转速有关。转速升高的情况下,因为转子的泊松效应,相对差胀会明显变化;因为电磁感应作用,励磁电压和定子电压会增大;因为鼓风损失增加,低压缸排汽温度会升高。虽然甩负荷后发电机解列灭磁开关投入,但励磁机在剩磁场作用下仍会对转子旋转感应出残压,且与转速近似成正比关系。根据发电机励磁电压、定子电压以及机组最近一次大修后甩负荷试验惰走转速曲线,估算出1:48:00至1:56:10转速的变化情况,见图10,并通过高中低压缸相对差胀和低压缸排汽温度进行了验证。由图10可知,事故发生前(1:56:10时),转速已经达到3000r/min。此时由于误操作,导致大量主蒸汽进入汽缸(图6),使得转子继续升速并在1:5