一种动态环境下储运动力机组的安全监测方法

摘要

一种动态环境下储运动力机组的安全监测方法，包括：预先确定多个安全监测指标；选取储运动力机组的多个监测样本，每个监测样本包含多个采集时间点，在每个采集时间点上采集多个安全监测指标的参数值，根据采集的参数值生成对应的安全监测值；为每个样本在每个采集时间点上的每个安全监测值生成不同角度的多个自适应权值系数，生成每个安全监测值的一个最优融合权重系数；生成每个样本在每个采集时间点的安全状态值；生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值；生成每个样本的综合安全等级值；根据生成的每个样本的综合安全等级值对储运动力机组进行安全预警。

说明书

技术领域

本发明涉及安全工程技术领域，特别涉及一种动态环境下储运动力机组的安全监测方法。

背景技术

现代油气储运动力机组日趋大型化、高速化、自动化和智能化，并与油气的生产、运输过程紧密相连，形成大系统。这类系统一旦发生故障可能导致严重甚至灾难性的安全事故，并造成重大经济损失。储运动力机组内部以及与环境有着不确定、动态连续的相互作用和关系网，机组与外部环境以及子系统之间存在能量、信息或物质的交换。储运动力机组在不同寿命阶段、不同工艺操作、不同工况环境下影响其动态安全度的因素不同，而传统的静态安全监测由于监测模式和指标体系固定、状态参数单一，且大多忽略了时间因素的影响，因而对于动态运行环境中的机组安全状况往往不能实时跟踪并做出准确可靠的监测，存在一些局限性：①依赖主观知识和经验的判断；②提取的客观信息不全面；③适用于权重维数较低(权重维数＜10)的情况，当权重矩阵维数较大(权重维数≥10)时，数学组合模型所需的约束将增多，从而增加了不确定性以及数学优化求解的难度与计算量。

因此，从工程实际出发，由于系统安全不仅体现在某个时间点上的状态，还与其变化趋势及历史运行特点密切相关，为了对系统安全水平做出全面准确的监测，将其历史、现状及未来可能的状态综合起来分析，立足安全现状，兼顾历史和将来，以时间立体视角对动力机组的动态安全进行综合监测的方法亟待研究。

发明内容

为了解决现有技术的缺陷，本发明实施例提供了一种动态环境下储运动力机组的安全监测方法，该方法可以早期、准确、全面地对安全状况进行预警。

为了实现上述发明目的，本发明实施例提供一种动态环境下储运动力机组的安全监测方法，所述方法包括：预先确定多个安全监测指标；选取所述储运动力机组的多个运行状态作为多个监测样本，每个监测样本包含多个采集时间点，在每个采集时间点上采集所述多个安全监测指标的参数值，根据采集的所述参数值生成对应的安全监测值；为每个样本在每个采集时间点上的每个安全监测值生成不同角度的多个自适应权值系数，根据所述多个自适应权值系数生成所述每个安全监测值的一个最优融合权重系数；根据每个样本在每个采集时间点上的多个安全监测值及其对应的最优融合权重系数，生成每个样本在每个采集时间点的安全状态值；根据每个样本在每个采集时间点的安全状态值，生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值；根据每个样本的所述历史安全等级值、当前安全等级值以及未来安全等级值，生成每个样本的综合安全等级值；根据生成的每个样本的综合安全等级值对所述储运动力机组进行安全预警。

可选地，所述根据采集的所述参数值生成对应的安全监测值包括：对不同类型的参数值进行一致化和规范化处理，生成同类型、无量纲的安全监测值。

可选地，所述不同角度的多个自适应权值系数包括：采用层次分析赋权、变异系数赋权、复相关系数赋权、离差最大化赋权、信息熵值赋权以及理想最优赋权所生成的多个自适应权值系数。

可选地，根据每个样本在每个采集时间点上的多个安全监测值及其对应的最优融合权重系数，生成每个样本在每个采集时间点的安全状态值；包括：采用下述算法求得每个样本在每个采集时间点的安全状态值：i＝1，2，...，n；其中：i为样本序号，n为样本总数，k为采集时间点序号，j为安全监测指标序号，m为安全监测指标总数，r_ij(k)为第i个样本在第k个时间点上的第j个安全监测值，w_j(k)为与r_ij(k)对应的最优融合权重系数，u_i(k)为第i个样本在第k个时间点的安全状态值。

可选地，所述根据每个样本在每个采集时间点的安全状态值，生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值包括：根据每个样本在每个采集时间点的安全状态值，采用线性集结方式或非线性集结方式生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值。

可选地，若采用线性集结方式生成每个样本的历史安全等级值，所采用的算法为：i＝1，2，…，n；若采用非线性集结方式生成每个样本的历史安全等级值，所采用的算法为：i＝1，2，…，n；其中，T为历史时间跨度，为第i个样本在历史时间区间[k₀，k₀+T-1]上的历史安全等级值。

可选地，若采用线性集结方式生成每个样本的当前安全等级值，所采用的算法为：i＝1，2，…，n；若采用非线性集结方式生成每个样本的当前安全等级值，所采用的算法为：i＝1，2，…，n；其中，r_ij(k₀+T)为第i个样本在当前时刻k＝k₀+T的第j个安全监测值，μ_j为与r_ij(k₀+T)对应的最优融合权重系数，为在当前时刻k＝k₀+T上的当前安全等级值。

可选地，若采用线性集结方式生成每个样本的未来安全等级值，所采用的算法为：j＝1，2，…，m；i＝1，2，…，n；若采用非线性集结方式生成每个样本的未来安全等级值，所采用的算法为：i＝1，2，…，n；其中，N为未来时间跨度，[k₀+T+1，k₀+T+N]为未来时间区间，为根据时间序列预测模型获得的、第i个样本在未来时间区间内第k个时间点的第j个安全监测值的预测值；为在未来时间区间内的平均值，ρ_j为对应的最优融合权重系数，为第i个样本在未来时间区间[k₀+T+1，k₀+T+N]上的未来安全等级值。

可选地，所述根据每个样本的所述历史安全等级值、当前安全等级值以及未来安全等级值，生成每个样本的综合安全等级值，包括：为每个样本的所述历史安全等级值、当前安全等级值以及未来安全等级值分别设置加权系数，所设置的三个加权系数的和为1；对所述历史安全等级值、当前安全等级值以及未来安全等级值进行加权求和，获得每个样本的综合安全等级值。

可选地，当所述历史安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的历史安全等级值；当所述当前安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的当前安全等级值；当所述未来安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的未来安全等级值。

本发明实施例的技术方案能够取得以下有益技术效果：

(1)将功能驱动赋权原理与差异驱动赋权原理相融合，既体现主观经验，又吸取客观实际数据提供的动态信息；既反映监测对象整体差异，又突出各状态的局部差异。

(2)利用博弈原理对多角度自适应调配的权重系数进行综合，分析各种权重调配机制之间相互竞争又协调一致的关系，极小化最优融合权重与各个基本权重之间的偏差，从而尽可能的保留了各角度下的权重信息，优势互补。改变了传统静态监测中指标权重基本固定不变的现象，同时避免了传统组合权重法构建过程中受主观不确定因素的影响。

(3)利用系统历史数据、当前状态数据以及预测数据从时间立体视角对系统动态安全进行综合监测，即立足当前状态，又结合了未来发展趋势和历史整体运行规律，对未来的危险具有一定预见性，并能准确捕捉未来退化趋势，使最终的监测值具有实际意义和导向作用。提高了动态环境下安全监测的准确性，并适用于各指标间有较强关联的场合，对潜在危险(故障苗头)具有敏感性，有利于提高预警控制的及时性，适时采取预防性维修。

附图说明

图1为本发明实施例方法的整体流程图；

图2为本发明实施例动态环境下设备安全的自适应综合监测方法具体实现流程图；

图3为本发明实施例时间立体视角综合安全监测算法原理图；

图4为本发明实施例各监测指标的观测样本空间图；

图5为本发明实施例监测指标样本数据预处理结果对比图；

图6为本发明实施例各指标多角度自适应赋权及最优融合权重系数对比图；

图7为本发明实施例各指标多角度自适应赋权及最优融合权重系数综合对比图；

图8为本发明实施例各子系统多角度自适应赋权及最优融合权重系数对比图；

图9为本发明实施例各子系统多角度自适应赋权及最优融合权重系数综合对比图；

图10为本发明实施例观测样本的当前安全等级值对比图；

图11为本发明实施例观测样本各子系统动态融合安全等级值分布雷达图；

图12为本发明实施例时间立体视角综合安全等级值分布对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种动态环境下储运动力机组的安全监测方法。该方法分别从系统运行功能与安全重要性、主观与客观信息、数据样本整体差异与局部差异、样本所含信息量与样本之间的独立性等多个角度进行研究，提出了指标权重的自适应调配机制，并进一步利用博弈原理将多角度动态权重系数矩阵进行融合，得到了一个最具代表性的最优融合权重，尽可能的保留了各角度下的权重信息，优势互补。在自适应安全监测指标体系的基础上，进一步利用系统历史数据、当前状态数据以及未来预测数据从时间立体视角对系统动态安全进行综合监测。监测结果既立足当前状态，又结合了未来发展趋势和历史整体运行规律，具有实际意义和导向作用。

本发明实施例的方法通过安全监测指标权重的动态自适应分配，以及基于时间立体视角的综合监测，将机组安全状态监测和趋势分析相结合，改变了传统静态监测中指标权重基本固定不变的现象。同时避免了传统组合权重法构建过程中受主观不确定因素的影响，能够实时动态跟踪并预示机组系统的安全状态，从而能够及时、迅速地发现故障先兆，提高了动态环境下安全监测的准确性。

图1为本发明实施例的整体流程图，如图1所示，该方法包括：

S101、预先确定多个安全监测指标；

具体地，该步骤可以细分为以下两步：

(1)安全监测指标的初步确定：根据现场状态监测参量，储运动力机组内在结构、功能特点以及历史维修/事故记录，初步确定机组的安全监测指标集合；

(2)安全监测指标的定量筛选：采用最小均方差法、极大极小离差法、条件广义方差极小法、极大不相关法以及典型指标法，或几种方法相结合对步骤(1)初步建立的安全监测指标集进行精简，确定最终的安全监测指标。

S102、选取所述储运动力机组的多个运行状态作为多个监测样本，每个监测样本包含多个采集时间点，在每个采集时间点上采集所述多个安全监测指标的参数值，根据采集的所述参数值生成对应的安全监测值；

具体地，该步骤可以细分为：对采集到的与不同类型的安全监测指标对应的参数值进行一致化和规范化处理，生成同类型、无量纲的安全监测值。

在指标集中，可能含有“极大型”指标(数值越大越安全)、“极小型”指标(数值越小越安全)、“居中型”指标(也称“区间型”指标，数值处于某一区间则安全)。本发明实施例的方法必须将采集到的每个样本的参数值首先进行一致化处理，如都转化为“极大型”指标，这样所得到的结果才有意义，否则，最终的监测结果将不能实际反映机组的安全状况。此外，指标集之间由于各自量纲及量级的不同而存在着不可公度性，因此，还需要对对采集到的指标参数作无量纲化处理(也称指标数据的标准化、规范化)。

本发明实施例特别设计了一种岭形分布函数将一致化处理与规范化处理结合起来(统称为指标的预处理)，针对不同类型的指标，具体预处理方法利用公式(1)至(3)进行计算，本发明实施例将所有类型的指标都转化为“极大型”指标。当然，实际应用中，也可以对下述公式进行适当修改而将所有类型的指标都转化为“极小型”指标或其他类型指标。

该岭形分布函数的定义如下：

对于极小型指标x，令

$x^{*}=\left(\begin{array}{cc}1,& x\le a_1\\ \frac{1}{2}-\frac{1}{2}\sin \frac{\pi }{a_2-a_1}(x-\frac{a_1+a_2}{2}),& a_1<x\le a_2\\ 0,& x>a_2\end{array}\right)---\left(1\right)$

其中a₁、a₂为极小型指标x的岭形分布函数控制参数，且a₁＜a₂。(-∞，a₁]为极小型指标x的安全区间，设其对应的安全监测值x^*为1；(a₂，+∞)为极小型指标x的危险区间，设其对应的安全监测值x^*为0；而(a₁，a₂]为极小型指标x介于安全与危险状态之间并具有一定不确定性的区间范围，利用岭形分布函数计算其安全监测值。

对于极大型指标x，令

$x^{*}=\left(\begin{array}{cc}0,& x\le a_1\\ \frac{1}{2}+\frac{1}{2}\sin \frac{\pi }{a_2-a_1}(x-\frac{a_1+a_2}{2}),& a_1<x\le a_2\\ 1,& x>a_2\end{array}\right)---\left(2\right)$

其中a₁、a₂为极小型指标x的岭形分布函数控制参数，且a₁＜a₂。(-∞，a₁]为极大型指标x的危险区间，设其对应的安全监测值x^*为0；(a₂，+∞)为极大型指标x的安全区间，设其对应的安全监测值x^*为1；而(a₁，a₂]为极大型指标x介于安全与危险状态之间并具有一定不确定性的区间范围，利用岭形分布函数计算其安全监测值。

对于中间型指标x，令

$x^{*}=\left(\begin{array}{cc}0,& x\le a_1\\ \frac{1}{2}+\frac{1}{2}\sin \frac{\pi }{a_2-a_1}(x-\frac{a_1+a_2}{2}),& a_1<x\le a_2\\ 1,& a_2<x{\le a}_3\\ \frac{1}{2}-\frac{1}{2}\sin \frac{\pi }{a_2-a_1}(x-\frac{a_1+a_2}{2}),& a_3<x\le a_4\\ 0,& x>a_4\end{array}\right)---\left(3\right)$

其中a₁、a₂、a₃、a₄为岭形分布函数的控制参数，且a₁＜a₂＜a₃＜a₄。(-∞，a₁]、(a₄，+∞)为中间型指标x的危险区间，设其对应的安全监测值x^*为0；(a₂，a₃]为中间型指标x的安全区间，设其对应的安全监测值x^*为1；而(a₁，a₂]、(a₃，a₄]为中间型指标x介于安全与危险状态之间并具有一定不确定性的区间范围，利用岭形分布函数计算其安全监测值。

S103、为每个样本在每个采集时间点上的每个安全监测值生成不同角度的多个自适应权值系数，根据所述多个自适应权值系数生成所述每个安全监测值的一个最优融合权重系数；

具体地，本发明实施例对每个安全监测值采用层次分析赋权、变异系数赋权、复相关系数赋权、离差最大化赋权、信息熵值赋权以及理想最优赋权，从各角度计算系统的多个动态自适应权值系数。赋权方法包括(参考文献：郭亚军，综合评价理论与方法，科学出版社，2002-08)：(1)功能驱动：从宏观方面，根据各指标随动态环境的变化反映系统安全度能力的不同，从指标功能角度进行权重的宏观调配；(2)差异驱动：从微观方面，在动态环境下根据实时采集的样本数据本身提供的信息，提取安全监测指标参数值变化的整体差异与局部差异，从而对各个指标进行动态客观赋权。

在实现了多角度动态赋权之后，针对多个从不同角度反映安全指标变化特征信息的权值系数，进一步基于博弈原理寻找一个线性函数来综合表示多个角度上的权值系数在各个指标上的差异，构造具有代表性的最优融合权重系数。本发明实施例通过下述算法得到每个安全监测值的一个最优融合权重系数。

对于每个样本在每个采集时间点上的多个安全监测值，令从基于功能驱动和差异驱动的多角度权重自适应调配机制得到的Q个权重向量为：

$W_i^T=(w_{i1},w_{i2},···,w_{\mathrm{ik}},···,w_{\mathrm{im}});$

其中：i为赋权角度的序号，Q为赋权角度的总数，m为安全监测指标的总数。可选地，本实施例从前述的6个角度进行赋权，所以Q＝6；w_ik为第k个安全监测值采用第i个角度赋权得到的自适应权值系数。

的线性组合为：(α_i＞0)    (4)

W为基于基本权重集的一种可能的综合权重向量，它的全体表示可能的融合权重向量集。对式(4)中的Q个线性组合系数α_i进行优化以寻找最满意的融合权向量，优化目标是使W与各个W_i的离差极小化。因此，可以得出下列优化对策模型：

(j＝1，2，…，Q)    (5)

式(5)是一组包含有多个目标的交叉规划模型，求解该模型能够获得一个与多角度权重赋值方法在整体意义上相协调、均衡一致的融合权重结果。根据矩阵的微分性质，可得出使式(5)最优的一阶导数条件为：

$\underset{i=1}{\overset{Q}{\Sigma }}{\alpha }_i{W}_i{W}_j{W}_i^T=W_j{W}_j^T---\left(6\right)$

式(6)对应下面的线性方程组：

通过求出上述方程的解α_i，并将其代入式(4)即可求出最优融合权重向量W＝(w₁，w₂，…，w_k，…，w_m)，该权重向量W中的每一个元素w_k即为该特定样本在特定的采集时间点上的第k个安全监测值的最优融合权重系数。

S104、根据每个样本在每个采集时间点上的多个安全监测值及其对应的最优融合权重系数，生成每个样本在每个采集时间点的安全状态值；

本发明实施例采用下述算法求得每个样本在每个采集时间点的安全状态值：

$u_i\left(k\right)=\underset{j=1}{\overset{m}{\Sigma }}{w}_j\left(k\right)r_{\mathrm{ij}}\left(k\right),$i＝1，2，...，n；(8)

其中：i为样本序号，n为样本总数，k为采集时间点序号，j为安全监测指标序号，m为安全监测指标总数，r_ij(k)为第i个样本si在第k个时间点上关于第j个安全监测指标x_j的安全监测值，w_j(k)为与r_ij(k)对应的最优融合权重系数，对任意k时刻，有w_j(k)≥0，且u_i(k)为第i个样本s_i在第k个时间点的安全状态值。

S105、根据每个样本在每个采集时间点的安全状态值，生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值；

S106、根据每个样本的所述历史安全等级值、当前安全等级值以及未来安全等级值，生成每个样本的综合安全等级值；

下面对S105和S106的具体过程进行详细描述。

本发明实施例在最优融合权重计算的基础上，进一步利用系统历史数据、当前状态数据以及未来预测数据从时间立体视角对系统动态安全进行综合监测。可选地，本发明实施例可以根据每个样本在每个采集时间点的安全状态值，采用线性集结方式或非线性集结方式生成每个样本的历史安全等级值、当前安全等级值以及未来安全等级值。

①生成每个样本的历史安全等级

若采用线性集结方式生成每个样本的历史安全等级值，所采用的算法为：

$y_i^{\left(1\right)}=\frac{1}{T}\underset{k=k_0}{\overset{k_0+T-1}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}{w}_j\left(k\right)r_{\mathrm{ij}}\left(k\right),$i＝1，2，…，n；(9)

若采用非线性集结方式生成每个样本的历史安全等级值，所采用的算法为：

$y_i^{\left(1\right)}=\frac{1}{T}\underset{k=k_0}{\overset{k_0+T-1}{\Sigma }}\underset{j=1}{\overset{m}{\Pi }}{r}_{\mathrm{ij}}{\left(k\right)}^{w_j\left(k\right)},$i＝1，2，…，n；(10)

其中，T为历史时间跨度，为第i个样本s_i在历史时间区间[k₀，k₀+T-1]上的历史安全等级值。

②生成每个样本的当前安全等级

若采用线性集结方式生成每个样本的当前安全等级值，所采用的算法为：

$y_i^{\left(2\right)}=\underset{j=1}{\overset{m}{\Sigma }}{\mu }_j{r}_{\mathrm{ij}}(k_0+T),$i＝1，2，…，n；(11)

若采用非线性集结方式生成每个样本的当前安全等级值，所采用的算法为：

$y_i^{\left(2\right)}=\underset{j=1}{\overset{m}{\Pi }}{r}_{\mathrm{ij}}{(k_0+T)}^{{\mu }_j},$i＝1，2，…，n；(12)

其中，r_ij(k₀+T)为第i个样本s_i在当前时刻k＝k₀+T的第j个安全监测值，μ_j为与r_ij(k₀+T)对应的最优融合权重系数，为在当前时刻k＝k₀+T上的当前安全等级值。

③生成每个样本的未来安全等级

若采用线性集结方式生成每个样本的未来安全等级值，所采用的算法为：

${\bar{r}}_{\mathrm{ij}}=\frac{1}{N}\underset{k=k_0+T+1}{\overset{k_0+T+N}{\Sigma }}{\hat{r}}_{\mathrm{ij}}\left(k\right);$j＝1，2，…，m；i＝1，2，…，n；(13)

$y_i^{\left(3\right)}=\underset{j=1}{\overset{m}{\Sigma }}{\rho }_j{\bar{r}}_{\mathrm{ij}};---\left(14\right)$

若采用非线性集结方式生成每个样本的未来安全等级值，所采用的算法为：

$y_i^{\left(3\right)}=\underset{j=1}{\overset{m}{\Pi }}{\left({\bar{r}}_{\mathrm{ij}}\right)}^{{\rho }_j},$i＝1，2，…，n；(15)

其中，N为未来时间跨度，[k₀+T+1，k₀+T+N]为未来时间区间，为根据时间序列预测模型(如神经网络模型、ARMA模型等)获得的、第i个样本s_i在未来时间区间内第k个时间点的第j个安全监测指标x_j的预测值；为在未来时间区间内的平均值，ρ_j为对应的最优融合权重系数(w_j，μ_j与ρ_j可以根据观测数据自适应调配)，为第i个样本在未来时间区间[k₀+T+1，k₀+T+N]上的未来安全等级值。

④生成每个样本的综合安全等级

可选地，该步骤包括：为每个样本的所述历史安全等级值、当前安全等级值以及未来安全等级值分别设置加权系数，所设置的三个加权系数的和为1；对所述历史安全等级值、当前安全等级值以及未来安全等级值进行加权求和，获得每个样本的综合安全等级值。

可选地，该步骤还包括：当所述历史安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的历史安全等级值；当所述当前安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的当前安全等级值；当所述未来安全等级值的加权系数为1，其余两个加权系数为零时，获得的综合安全等级值为该样本的未来安全等级值。

本发明实施例中，第i个样本s_i集“历史”、“现状”、“未来”于一体的综合监测函数可由式(16)表示；

$y_i=\underset{k=1}{\overset{3}{\Sigma }}{\lambda }_k{y}_i^{\left(k\right)},$i＝1，2，…，n    (16)

其中λ₁，λ₂，λ₃分别对应系统“历史”，“现状”以及“未来”安全等级的权重系数，可根据安全监测目的进行确定。例如，取λ₁≡λ₃≡0，λ₂≡1时，侧重对设备系统安全现状进行监测；取λ₁≡λ₂≡0，λ₃≡1时，则侧重对设备系统未来的安全发展态势进行预测。

S107、根据生成的每个样本的综合安全等级值对所述储运动力机组进行安全预警。

图2为图1所示方法的详细流程图，图3为图1所示方法所采用的具体算法流程图。若以线性集结方式综合监测，则利用式(9)，式(11)，式(13)，式(14)和式(16)；若采用非线性集结方式，则利用式(10)，式(12)，式(15)和式(16)，从“历史”“现状”“未来”的时间立体视角对设备安全状态进行综合监测。

下面以一个实际的工程项目为例来详细说明本发明实施例的安全监测方法。

“涩-宁-兰”输气管线湖东增压站天然气燃压机组系统由索拉大力神130型燃气轮机和曼透平RV050/04型离心压缩机组成。由于其工况调节频繁、自然环境恶劣，为了避免设备发生非正常停机、天然气泄漏等事故，并希望从根本上消除产生故障的不利因素，必须对燃压机组系统的安全状况进行动态综合监测。2008年5月现场采集动态环境下燃压机组实时状态监测数据，对其进行安全自适应综合监测。

第一步，安全监测指标的确立

对燃压机组系统07年9月26日到08年5月17日期间产生的故障报警原因和次数进行统计见表1所示。

表1燃压机组系统故障统计一览表

综合考虑系统机械结构、工艺操作以及电气控制特点，通过现场测得的观测数据、机组故障统计信息，并结合工作人员的经验知识，制定了一系列能够监测机组安全运行的指标集，如表2所示。

第二步，安全监测指标的定量筛选

于2008年5月14日8时59分40秒至18时26分6秒时段内采集各指标的观测数据，从中构建代表各个不同运行状态下的安全监测样本数据20组。分别利用最小均方差法、极小极大离差法以及选取典型指标法对初始指标集进行筛选，计算结果见表3所示。综合考虑三种筛选方法所得结果，其中指标X1_1，X1_3，X1_4，X2_4，X3_4，X3_5，X3_7，X4_5的样本均方差与极小极大离差均很小，接近于零；且这些指标与其他剩余指标的平均相关程度较大，可由其他指标替代。因此舍去上述8个安全监测指标，最终得到30个关键的安全监测指标，分别反映机组不同子系统、不同部件以及不同动态环境下的安全状况，从而建立20×30维的样本数据矩阵，即监测样本空间，图4为各安全监测指标的观测样本空间，横坐标为样本编号，纵坐标为各指标的参数值，其中各指标代码含义和指标参量单位见表2所示。

表2燃压机组安全监测指标集

表2燃压机组安全监测指标集(续)

注1)燃气透平转速NGP(以百分比表示的燃气发生器转速)：100％＝11220转/分钟；

注2)动力透平转速NPT(以百分比表示的动力涡轮转速)：100％＝8856转/分钟；

注3)离心压缩机/燃气轮机转子径向位移、轴向位移为各个测点的平均值。

第三步，安全监测指标的预处理

将图4精选指标集中的“极小型”、“区间型”、“居中型”等非“极大型”指标进行一致化处理，如“X4_8”(压缩机润滑油压力)指标为“区间型”指标，而燃气轮机的“转子径向位移X3_8”则为“极小型”指标，应利用式(1)至(3)将其均转化为“极大型”指标，并经规范化处理，去除量纲与数量级的差异给安全监测带来的误差。安全监测指标样本数据预处理后的结果如图5所示，其纵坐标反映归一化的指标值，表示安全度，无量纲；横坐标为样本编号。

表3监测指标定量筛选计算结果

第四步，多角度动态自适应权值调配

分别使用层次分析赋权、变异系数赋权、复相关系数赋权、离差最大化赋权、熵值赋权、基于理想最优赋权构建动态赋权模型。图6为各指标多角度自适应赋权及最优融合权重系数图。其中，赋权法标号：1、层析分析法权值系数；2、变异系数法权值系数；3、复相关系数法权值系数；4、离差最大化法权值系数；5、熵值法权值系数；6、理想最优法权值系数。指标序号1至30分别对应表2中筛选后指标X1_2至X6_10。

第五步，最优博弈融合权值

再次参考图6，赋权法编号7为根据前6种得出的最优融合权重系数。将多角度自适应调配的权重系数矩阵代入公式(4)进行求解，得到基于博弈原理的最优融合权重系数。融合赋权公式(4)中的加权系数α_i的计算结果见表4所示，其中与熵值赋权法对应的加权系数最小，接近零值。

图7为各指标多角度自适应赋权及最优融合权重系数综合比对图，指标序号1至30，分别对应表2中筛选后指标X1_2至X6_10；图8为各子系统多角度自适应赋权及最优融合权重系数图；图9为各子系统多角度自适应赋权及最优融合权重系数综合比对图，子系统序号1至6分别对应表2中子系统X1至X6。参照附图6、附图7可以看出，熵值赋权法对各个指标的赋权几乎相等，在整个安全监测过程中含有的信息较少且意义不大。因此，利用权重的最优博弈融合法可以在不同的权重之间进行协调，最大程度的保留各角度权重信息，得到一个最优融合权重。

表4最优博弈融合法中的加权系数

第六步，动态安全现状监测

将最优融合权值和观测样本数据分别采用线性集结式和非线性集结式进行安全现状综合监测，得到各组样本当前安全等级值见附图10所示，发现第12组样本(对应时间：2008年5月14日上午9时30分)安全等级值最低，存在危险。与现场工况调节记录进行比对，发现该时段为燃压机组电源切换过程(市电切换为发电机，存在120秒过渡区)，机组转速减低，流量减少，但由于回流阀未打开而使机组发生喘振(喘振余量＜20％)，机组振动加剧，处于危险状态。打开回流阀后，机组逐渐恢复正常工况，故后续时段对应样本的安全等级值又逐渐升高。现场实验结果证实了本专利中综合安全监测方法的准确性。

同时附图10也表明线性集结式对样本之间的差异不敏感。若样本中多数指标处于正常安全范围，则会产生很强的“互补性”，容易忽略有少数发生偏差的指标，可能会忽视安全隐患，发生危险漏报的现象。而非线性集结式对指标数据的波动相对较敏感，只要有某个指标偏离正常安全范围，则整体的安全等级值就会迅速降低，即遵循“木桶原理”，从而有利于发现隐患，漏报率低。但由于非线性集结式的差异敏感特性，在机组工况复杂的环境下，可能会产生误报警。因此，在实际应用中可采取以基于非线性集结式的安全等级值为主要标准，同时参考线性集结式安全等级值，在不放过任何一个可能的危险的同时，避免受动态环境下指标观测值正常波动的影响。

图11为观测样本各子系统动态融合安全等级值分布雷达图，该图表明不同样本所对应的各个时期燃压机组各个子系统的安全度。其中0°对应箱体系统X1，60°对应燃气轮机润滑系统X2，120°对应燃气轮机主体系统X3，180°对应离心压缩机系统X4，240°对应燃料系统X5，300°对应干气密封系统X6。在样本12中除燃料系统外，其他各子系统的安全等级值均小于0.5，处于危险状态。而燃料系统主要依赖于燃压机组外部的调压撬提供燃料，其运行相对独立，因此机组发生喘振故障过程中，燃料系统的安全状态仍然良好。该实验结果也证实了本专利中的指标权重自适应调配机制的合理性与准确性。

综上，本专利中的动态自适应安全监测指标体系的建立机制与非线性集结式的安全监测模型相结合，可以准确的对设备现状的安全性进行监测，并适用于各指标间有较强关联的场合，对潜在危险(故障苗头)具有敏感性，有利于提高预警控制的及时性。

第七步，时间立体视角综合安全监测

进一步针对机组的动态安全性根据本专利发明内容从“历史”“现状”“未来”的时间立体视角进行自适应综合监测。对2008年5月14日8时59分40秒至18时26分6秒时段记录的观测指标数据根据不同的运行状态重新组建13个样本序列。每个样本序列s_i由8个数据点构成，即S_i：，其中X_k为当前时刻k所观测的所有指标值(X_k＝{x₁(k)，x₂(k)，…，x_m(k)}，共m个指标)；{X_k-5，X_k-4，X_k-3，X_k-2，X_k-1}为当前时刻前5个时间单元内(本例中以一分钟为一个时间单元)的历史观测指标值；为采用神经网络预测算法对各指标进行N＝2步预测所得的时间序列。采用本专利具体实施方式中的动态自适应权重计算方法计算各个样本的最优融合权重。

对13个样本(S1，S2，...，S13)分别进行“历史”、“当前”、“未来”三个时段的综合监测，监测结果及其所属安全等级见表5前三栏所示。本着以主动预防性维修为目的，将“当前”运行状态和“未来”发展趋势相结合，同时兼顾“历史”的原则，分别取λ₁＝0.2，λ₂＝0.35，λ₃＝0.45，对样本S1，S2，...，S13进行时间立体视角的综合监测，其安全等级值及安全状态见表5最后一栏所示。图12为时间立体视角综合安全等级值分布对比图，它反映了各样本“历史”、“当前”、“未来”以及时间立体视角综合安全等级值。其中，为了制定安全状态相对标准，采用大量数据样本(含正常安全状态、故障状态、调节状态等)进行自适应综合监测，并进一步统计聚类，最终根据综合监测值得到如下安全等级划分：[0，0.7)危险；[0.7，0.8)隐患；[0.8，0.9)良好；[0.9，1]安全。

表5各样本时间立体视角综合安全等级值

注1)安全状态划分：[0，0.7)危险；[0.7，0.8)隐患；[0.8，0.9)良好；[0.9，1]安全

从表5与附图12可以看出，在时间立体视角综合安全监测一栏中样本S7处于危险状态，应立刻采取检修措施抑制故障苗头，避免事故发生；而在样本S5与S6时段，可提前对隐患状态进行检查，采取预防性维修；在样本S8至S10时段，机组运行不稳定，仍处于“隐患”区，需密切监控。与现场维修记录比对，样本S7对应的当前时刻为上午9时30分，机组发生严重喘振(喘振余量＜20％)。在样本S5与S6处，即样本S7的前2个时间单元内，时间立体视角综合安全监测给出了“隐患”报警，有利于采取预防性维修，即提前打开回流阀，避免喘振的发生。

分别与“当前”状态监测，“未来”发展监测，以及“历史”状态监测进行对比分析。在“当前”状态监测中虽然也正确报出了样本S7危险，但在样本S6处仍给出“安全”的结果，因此只能采取事后维修(与现场的调节记录一致)，在喘振发生后及时打开了回流阀，机组运行状态逐渐转好。其表明，关于“当前”状态的监测一方面可以准确给出危险报警，另一方面也容易受工况波动影响，给出短期安全的乐观信息，延误维修最佳时机。在“未来”发展监测中，给出样本S6时段“危险”报警，成功捕捉了隐患的恶性发展趋势，提前进入紧急维修状态。由于对“未来”发展监测的准确性依赖于状态预测模型，因此具有一定不确定性。关于“历史”状态的监测明显对危险的发现有一定的滞后，但不受工况波动的影响，在综合监测中起到一定的修正作用。

本发明实施例的时间立体视角的综合监测方法具有“历史”、“当前”和“未来”三个时段监测的优点，既立足当前状态，又结合了未来发展趋势和历史整体运行规律，使最终的监测值具有实际意义和导向作用，为维修决策的制定提供可靠的依据。同时可以根据安全管理的不同需求，修正对各个时段的权重系数(λ₁，λ₂，λ₃)。例如，侧重预测维修的需要，则可提高λ₃的比重；侧重对突发事故的报警，则可提高λ₂的比重；侧重研究系统整体长期的运行规律，则可提高λ₁的比重。

本发明实施例的技术方案能够取得以下有益技术效果：

(1)将功能驱动赋权原理与差异驱动赋权原理相融合，既体现主观经验，又吸取客观实际数据提供的动态信息；既反映监测对象整体差异，又突出各状态的局部差异。

(2)利用博弈原理对多角度自适应调配的权重系数进行综合，分析各种权重调配机制之间相互竞争又协调一致的关系，极小化最优融合权重与各个基本权重之间的偏差，从而尽可能的保留了各角度下的权重信息，优势互补。改变了传统静态监测中指标权重基本固定不变的现象，同时避免了传统组合权重法构建过程中受主观不确定因素的影响。

(3)利用系统历史数据、当前状态数据以及预测数据从时间立体视角对系统动态安全进行综合监测，即立足当前状态，又结合了未来发展趋势和历史整体运行规律，对未来的危险具有一定预见性，并能准确捕捉未来退化趋势，使最终的监测值具有实际意义和导向作用。提高了动态环境下安全监测的准确性，并适用于各指标间有较强关联的场合，对潜在危险(故障苗头)具有敏感性，有利于提高预警控制的及时性，适时采取预防性维修。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。