本发明涉及故障检测，特别是涉及一种trt静叶控制系统故障检测方法、产品、介质及设备。
背景技术：
1、高炉煤气余压透平发电装置(blast furnace top gas recovery turbine unit，以下简称trt)是目前冶金企业常用的节能装置，它的工作原理是利用布袋除尘净化后的高炉炉顶煤气的余热和余压，将煤气输入到一台透平机组，将压力和热能转化为机械能，从而实现能量回收。trt静叶是控制高炉顶压的关键设备，也是保证trt开机成功的重要设备。trt静叶控制是trt系统的核心控制，要保证其安全性、稳定性，所以在实际工作中对trt静叶控制系统进行异常和故障检测具有十分重要的意义。
2、概念漂移是一种数据随着时间变化产生分布变化的现象，广泛存在于现实世界的各个实际应用场景中。概念漂移是导致模型失真或者数据失效的主要原因。近年来，随着大数据云平台、工业物联网以及人工智能的发展和进步，产生了大量的时序数据，这些数据不同于传统的离线数据，因为其持续产生且无终止的特性，也被称为流数据。流数据挖掘的重点在于构建实时检测模型，通过在线学习的方式提升模型对当前数据的实时响应能力。
3、传统的概念漂移检测算法往往只能识别特定类型的概念漂移，对概念漂移的类别和隐藏信息难以定义。因此，能否找到一种能够快速准确检测trt静叶控制系统中的概念漂移类别，并根据概念漂移类别建立有针对性的故障检测算法是现阶段的重要研究内容。
技术实现思路
1、本发明的目的是提供一种trt静叶控制系统故障检测方法、产品、介质及设备，能够在快速准确确定概念漂移子类别的基础上识别系统故障，从而提高trt静叶控制系统故障识别效率和准确性。
2、为实现上述目的，本发明提供了如下方案。
3、一方面，本发明提供一种trt静叶控制系统故障检测方法，包括：
4、获取trt静叶控制系统中原始参数的数据流；所述原始参数包括关键参数和传感器参数；其中关键参数包括静叶开度和顶压控制参数；传感器参数包括轴承温度和轴承转速；
5、使用核主成分分析方法对原始参数的数据流进行特征空间选择并对数据流进行数据块分割，得到多个等长的数据块；
6、在核主成分分析方法得到的包含优质信息的特征空间和包含大量无效信息的特征空间基础上，使用随机森林算法构建初始背景树，然后使用初始背景树对已存在的历史数据流进行概念漂移检测，并记录历史数据块中分类准确率最高的数据块作为基准窗口，并不断更新背景树；
7、将概念漂移检测分为预警阶段和漂移阶段；一旦数据流的特征分布偏离基准窗口达到预设的预警范围则进入预警阶段，此时针对新到来的数据流重新构建背景树；如果数据流的特征分布偏离基准窗口达到预设的漂移范围则进入漂移阶段，此时利用新构建的背景树替换掉当前性能最差的子树；
8、当数据流进入漂移阶段时，触发滑动窗口算法确定概念漂移子类别；所述概念漂移子类别包括突变类概念漂移和渐变类概念漂移；其中突变类概念漂移分为瞬时突变和跳跃突变两个子类别，渐变类概念漂移分为周期性渐变和非周期性渐变两个子类别；
9、基于概念漂移子类别来识别trt静叶控制系统故障。
10、可选地，所述核主成分分析方法的核函数采用多项式核函数k(x,y)＝[＜x,y＞+1]d；其中x,y代表特征空间的数据点；＜x,y＞代表x,y的点积；d为多项式的次数。
11、可选地，所述数据块的最高分类准确率accmax采用公式accmax＝max{acct,accmax}确定，accmax对应数据块即为历史数据块中分类准确率最高的数据块；max{}表示取最大值；acct为当前数据块分类准确率。
12、可选地，所述背景树更新过程中，采用公式q＝[k(1-ln(1+acc·(e-1))+θ)]确定进入预警阶段时训练的背景树数目q；其中[.]为取整函数；k为核主成分分析方法设置的随机森林中包含子树的总数目；acc为当前主成分随机森林的分类精度；θ代表每次预警阶段最低更换的子树的百分比。
13、可选地，所述触发滑动窗口算法确定概念漂移子类别，具体包括：
14、设置静态窗口、追踪窗口以及终止步长；其中静态窗口为当前分类准确率最高的基准窗口；设置追踪窗口初始点为检测到发生概念漂移时刻的前一个窗口；
15、采用基于滑动窗口的概念漂移子类别判别算法计算静态窗口和追踪窗口的数据分布变化并构建pr曲线；所述pr曲线的横坐标为时间t，纵坐标为追踪窗口与静态窗口的特征分布变化统计量
16、根据pr曲线来对概念漂移子类别进行检测。
17、可选地，所述根据pr曲线来对概念漂移子类别进行检测，具体包括：
18、若pr曲线在突变点t时刻前后变化明显，确定为瞬态突变；若pr曲线在突变点t时刻前后的数据分布存在一定重叠，确定为跳跃突变；若渐变后产生的新概念与原始数据分布之间呈周期性变化，确定为周期性渐变；若数据流处于渐变过程中或者满足新的数据分布，确定为非周期性渐变。
19、可选地，所述基于概念漂移子类别来识别trt静叶控制系统故障，具体包括：
20、如果为瞬时突变则表明trt静叶控制系统关键参数出现异常，此时进行异常预警；如果为跳跃突变则表明trt静叶控制系统出现故障，此时进行故障报警；如果为周期性渐变则表明trt静叶控制系统固有特性导致参数在一定范围内波动；如果为非周期性渐变则表明trt静叶控制系统出现故障导致参数分布偏离正常值，此时进行故障报警。
21、另一方面，本发明提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述trt静叶控制系统故障检测方法的步骤。
22、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述trt静叶控制系统故障检测方法的步骤。
23、再一方面，本发明提供一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述trt静叶控制系统故障检测方法的步骤。
24、根据本发明提供的具体实施例，本发明公开了以下技术效果：
25、本发明提供一种trt静叶控制系统故障检测方法、产品、介质及设备，采用核主成分分析进行特征空间选择，对数据流进行数据块分割得到多个等长的数据块；构建初始背景树，记录历史数据块中分类准确率最高的窗口作为基准窗口并不断更新；将检测分为预警阶段和漂移阶段，并对检测模型进行自适应更新，检测概念漂移；针对出现概念漂移的数据块设立滑动窗口检测概念漂移子类型。本发明不仅能够检测概念漂移，抵抗概念漂移对数据分类的影响，还能够挖掘概念漂移的隐藏信息，直接确定出概念漂移子类别，具有良好的性能和可解释性。基于检测出的概念漂移子类别来识别trt静叶控制系统故障，可以提高trt静叶控制系统故障识别效率和准确性。
1.一种trt静叶控制系统故障检测方法，其特征在于，包括：
2.根据权利要求1所述的trt静叶控制系统故障检测方法，其特征在于，所述核主成分分析方法的核函数采用多项式核函数k(x,y)＝[＜x,y＞+1]d；其中x,y代表特征空间的数据点；＜x,y＞代表x,y的点积；d为多项式的次数。
3.根据权利要求1所述的trt静叶控制系统故障检测方法，其特征在于，所述数据块的最高分类准确率accmax采用公式accmax＝max{acct,accmax}确定，accmax对应数据块即为历史数据块中分类准确率最高的数据块；max{}表示取最大值；acct为当前数据块分类准确率。
4.根据权利要求1所述的trt静叶控制系统故障检测方法，其特征在于，所述背景树更新过程中，采用公式q＝[k(1-ln(1+acc·(e-1))+θ)]确定进入预警阶段时训练的背景树数目q；其中[.]为取整函数；k为核主成分分析方法设置的随机森林中包含子树的总数目；acc为当前主成分随机森林的分类精度；θ代表每次预警阶段最低更换的子树的百分比。
5.根据权利要求1所述的trt静叶控制系统故障检测方法，其特征在于，所述触发滑动窗口算法确定概念漂移子类别，具体包括：
6.根据权利要求5所述的trt静叶控制系统故障检测方法，其特征在于，所述根据pr曲线来对概念漂移子类别进行检测，具体包括：
7.根据权利要求1所述的trt静叶控制系统故障检测方法，其特征在于，所述基于概念漂移子类别来识别trt静叶控制系统故障，具体包括：
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述trt静叶控制系统故障检测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述trt静叶控制系统故障检测方法的步骤。
10.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述trt静叶控制系统故障检测方法的步骤。
