改進(jìn)因果推斷方法在發(fā)電機(jī)組輔機(jī)狀態(tài)監(jiān)測(cè)中的應(yīng)用研究*

岳健國(guó) 郭瑞 傅行軍 田新啟 宗曜犇 王旭

（1.大型發(fā)電裝備安全運(yùn)行與智能測(cè)控國(guó)家工程研究中心；2.東南大學(xué)能源與環(huán)境學(xué)院）

0 引言

目前，我國(guó)正朝著實(shí)現(xiàn)“雙碳”目標(biāo)大步邁進(jìn)，構(gòu)建“以新能源為主體的新型電力系統(tǒng)”是實(shí)現(xiàn)“雙碳”目標(biāo)的重要手段。新型電力系統(tǒng)中高比例可再生能源和高比例電力電子設(shè)備接入電力系統(tǒng)的特征會(huì)導(dǎo)致電網(wǎng)運(yùn)行波動(dòng)性升高，從而對(duì)火電機(jī)組深度調(diào)峰能力提出了更高的要求。同時(shí)，火電機(jī)組負(fù)荷的多變使得各種輔機(jī)的運(yùn)行狀況發(fā)生較大變化，深入研究輔機(jī)參數(shù)間內(nèi)在規(guī)律對(duì)維持其穩(wěn)定健康運(yùn)行及保證發(fā)電機(jī)組運(yùn)行效率有重要意義。

當(dāng)前發(fā)電設(shè)備運(yùn)行狀態(tài)分析方法主要分為兩類，即基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。其中，基于數(shù)據(jù)驅(qū)動(dòng)的方法在信息技術(shù)和電力設(shè)備運(yùn)行數(shù)據(jù)采集技術(shù)的大力推動(dòng)下得到快速發(fā)展，此類方法能揭示設(shè)備運(yùn)行參數(shù)間的復(fù)雜耦合關(guān)系，并能對(duì)設(shè)備運(yùn)行狀態(tài)和故障進(jìn)行有效監(jiān)測(cè)及預(yù)警。

目前數(shù)據(jù)分析技術(shù)主要依靠相關(guān)性概念分析設(shè)備運(yùn)行數(shù)據(jù)間的關(guān)聯(lián)關(guān)系，在設(shè)備強(qiáng)相關(guān)關(guān)系的基礎(chǔ)上，若能結(jié)合參數(shù)間因果不對(duì)稱性，利用因果推斷技術(shù)研究設(shè)備運(yùn)行變量間的因果關(guān)系，將能更加深入挖掘設(shè)備內(nèi)在規(guī)律性，為機(jī)組輔機(jī)安全穩(wěn)定運(yùn)行提供幫助，并能為現(xiàn)場(chǎng)運(yùn)行調(diào)整提供有力指導(dǎo)。

因果推斷理論已在醫(yī)學(xué)、生物制藥、社會(huì)實(shí)驗(yàn)、氣候變化等問(wèn)題的研究上已獲得廣泛應(yīng)用[1-3]。同時(shí)，已有部分將因果推斷技術(shù)應(yīng)用到工業(yè)領(lǐng)域中去的嘗試，穆鋼[4]在信息幾何因果推理方法的基礎(chǔ)上提出一種逆信息熵因果推理的方法用于電力系統(tǒng)運(yùn)行數(shù)據(jù)中因果關(guān)系分析，Zhang[5]將個(gè)體平均因果效應(yīng)ITE用到了室內(nèi)空調(diào)系統(tǒng)的故障診斷中，通過(guò)正常異常情況下數(shù)據(jù)分類對(duì)比結(jié)合因果關(guān)系判斷故障類型。Sun[6]提出了一種將因果圖和滑動(dòng)窗口KPC結(jié)合的方法用于復(fù)雜工業(yè)過(guò)程的故障監(jiān)測(cè)中。

但現(xiàn)有研究中將因果發(fā)現(xiàn)模型用于實(shí)際設(shè)備中的實(shí)踐較少，其中因果推斷技術(shù)中不同因果發(fā)現(xiàn)模型所要求的不同數(shù)據(jù)生成方式和噪聲假設(shè)是其用于實(shí)際設(shè)備時(shí)進(jìn)行模型選用及準(zhǔn)確性和有效性判斷的一大障礙。

本文對(duì)因果關(guān)系發(fā)現(xiàn)及評(píng)估算法進(jìn)行了改進(jìn)，并將專家知識(shí)引入數(shù)據(jù)驅(qū)動(dòng)的因果推斷技術(shù)中。同時(shí)，以某一次風(fēng)機(jī)為研究對(duì)象驗(yàn)證了文中所提方法的有效性，利用本方法構(gòu)建了其合理可信的因果關(guān)系網(wǎng)絡(luò)、并通過(guò)計(jì)算因果效應(yīng)強(qiáng)度反應(yīng)了其狀態(tài)惡化過(guò)程和狀態(tài)突變節(jié)點(diǎn)。

1 基于因果函數(shù)的改進(jìn)因果推斷方法

1.1 改進(jìn)因果關(guān)系發(fā)現(xiàn)及評(píng)估方法

因果關(guān)系發(fā)現(xiàn)是因果推斷技術(shù)的一部分，目前常見(jiàn)的因果發(fā)現(xiàn)算法主要分為兩類，分別是基于約束的方法和基于因果函數(shù)模型的方法，基于約束的方法由于無(wú)法解決Markov等難題所以存在部分無(wú)法判斷的因果關(guān)系方向[7]。而基于因果函數(shù)模型的方法通常對(duì)數(shù)據(jù)的生成方式和噪聲有較強(qiáng)的假設(shè)性。計(jì)算機(jī)領(lǐng)域往往有標(biāo)準(zhǔn)集對(duì)模型因果關(guān)系識(shí)別結(jié)果有效性和準(zhǔn)確度進(jìn)行驗(yàn)證，但實(shí)際生產(chǎn)設(shè)備中不同參數(shù)間因果關(guān)系通常只能依靠物理模型或隨機(jī)試驗(yàn)進(jìn)行驗(yàn)證，而物理模型的復(fù)雜性和隨機(jī)試驗(yàn)的高成本或不可實(shí)施性使得模型對(duì)于實(shí)際設(shè)備因果關(guān)系識(shí)別結(jié)果的驗(yàn)證往往無(wú)法順利進(jìn)行。

因此，為了提高從觀測(cè)數(shù)據(jù)識(shí)別因果關(guān)系的準(zhǔn)確度，本文提出一種改進(jìn)因果關(guān)系發(fā)現(xiàn)及評(píng)估方法，首先對(duì)原始數(shù)據(jù)進(jìn)行分組，在分組大小保證所選模型可正常識(shí)別的情況下，分別使用所選模型對(duì)不同組的數(shù)據(jù)進(jìn)行因果關(guān)系發(fā)現(xiàn)。據(jù)此，使用因果保持率CRR（Causality retention rate）描述同一因果方向在多組數(shù)據(jù)中被識(shí)別出的概率:

式中，CRRi代表第i條因果關(guān)系方向的保持率；pi代表第i條因果關(guān)系出現(xiàn)的次數(shù)；N代表組的個(gè)數(shù)。

為了校驗(yàn)所選模型準(zhǔn)確度，本文提出設(shè)定強(qiáng)因果關(guān)系和非因果關(guān)系。結(jié)合專家知識(shí)將已知具有明確物理意義的參數(shù)間因果方向設(shè)置為強(qiáng)制因果方向，已知絕對(duì)不是因果方向的路徑設(shè)置為非因果方向。據(jù)此判斷每組因果圖識(shí)別結(jié)果的置信度Si,并使用置信度修改每組數(shù)據(jù)得到的因果圖中除強(qiáng)因果方向和非因果方向外其他方向在總體因果圖的鄰接矩陣中的權(quán)重。因果圖置信度Si計(jì)算公式如下:

式中，Si為每組識(shí)別得到的因果圖的置信度；m為分組的總數(shù)量；hi為錯(cuò)誤或未識(shí)別出的強(qiáng)因果方向的數(shù)量；li為錯(cuò)誤識(shí)別的非因果方向的數(shù)量；M為強(qiáng)因果方向和非因果方向的總數(shù)量。

之后根據(jù)Si對(duì)因果關(guān)系保持率進(jìn)行修改得:

除此之外，本文提出利用CRRi計(jì)算因果信息不對(duì)稱度DDAi（Degree of directional asymmetry），用以描述同一因果關(guān)系兩方向之間差異，判斷兩參數(shù)間因果方向識(shí)別結(jié)果的可靠性。

式中，CRRi+和CRRi-代表同一關(guān)系兩個(gè)方向的因果關(guān)系保持率。

基于因果函數(shù)的模型識(shí)別準(zhǔn)確率都較為依賴不同模型所提出的數(shù)據(jù)生成方式假設(shè)和兩參數(shù)間的因果信息不對(duì)稱度。其中，數(shù)據(jù)生成方式假設(shè)可以依靠專家經(jīng)驗(yàn)進(jìn)行辨別，而因果信息不對(duì)稱度DDAi可以通過(guò)式（4）進(jìn)行計(jì)算。對(duì)CRRi和DDAi設(shè)置一定的閾值，即可最終確定基本正確的因果關(guān)系網(wǎng)絡(luò)。完整改進(jìn)因果關(guān)系發(fā)現(xiàn)及評(píng)估方法流程圖如圖1所示。

圖1 完整改進(jìn)因果關(guān)系發(fā)現(xiàn)及評(píng)估方法流程圖Fig.1 The flow diagram of improved causal relationship discovery and evaluation method

1.2 線性非高斯無(wú)環(huán)模型

因果關(guān)系發(fā)現(xiàn)作為因果推斷技術(shù)的一部分，針對(duì)基于約束的方法存在的馬爾可夫等價(jià)類問(wèn)題，許多學(xué)者從因果作用機(jī)制出發(fā)，以結(jié)構(gòu)因果模型為基礎(chǔ)結(jié)合數(shù)據(jù)分布特性提出了不同的因果函數(shù)模型。

線性非高斯無(wú)環(huán)模型LiNGAM[8]（Linear Non-Gaussian Acyclic Model）屬于基于因果函數(shù)的因果發(fā)現(xiàn)模型，此模型對(duì)數(shù)據(jù)生成方式提出了三點(diǎn)假設(shè):

a）數(shù)據(jù)生成方式是線性的，變量xi是對(duì)應(yīng)的原因變量xj,噪聲變量ei和常數(shù)ci的線性求和，即:

b）模型中不存在未觀測(cè)到的混雜因子；

c）噪聲變量ei獨(dú)立非高斯，即ei服從非零方差的非高斯分布。

通過(guò)數(shù)據(jù)預(yù)處理減去每個(gè)變量的均值，消去公式（5）中的常數(shù)項(xiàng)ci，從而得到以下矩陣方程:

式中，X為i維隨機(jī)變量；B為i×i的連接矩陣；N為i維的非高斯隨機(jī)噪聲變量。

對(duì)式（6）求解X可得:

式中，A=(I-B)-1，A矩陣可以通過(guò)適當(dāng)?shù)闹脫Q算法置換為下三角矩陣或近似為下三角矩陣。

式（7）和噪聲變量ei的獨(dú)立非高斯性構(gòu)成了標(biāo)準(zhǔn)的線性非高斯無(wú)環(huán)模型。通過(guò)獨(dú)立成分分析ICA算法[9]（Independent Component Analysis）等算法可以對(duì)LiNGAM 模型進(jìn)行求解,獲得包含具有所尋求的連接強(qiáng)度bij的矩陣B，從而即可得到具體因果方向，最后通過(guò)修剪邊枝算法[10]得到最終因果圖網(wǎng)絡(luò)。

1.3 因果效應(yīng)強(qiáng)度計(jì)算

在得到各參數(shù)間的因果關(guān)系網(wǎng)絡(luò)后，因果推斷技術(shù)可以量化各因果方向“因”對(duì)“果”的影響程度即因果效應(yīng)強(qiáng)度。對(duì)原因X按是否進(jìn)行了干預(yù)分為x=1和x=0組，Y1(x)和Y0(x)分別代表單個(gè)個(gè)體接受與未接受x干預(yù)后的結(jié)果。雖然無(wú)法同時(shí)觀察到單個(gè)個(gè)體的Y1(x)和Y0(x)從而計(jì)算x的作用結(jié)果，但是可以識(shí)別總體的因果效應(yīng)，總體的因果效應(yīng)強(qiáng)度為進(jìn)行干預(yù)與未進(jìn)行干預(yù)時(shí)結(jié)果差值的期望ATE(average treatment effect)，即:

當(dāng)數(shù)據(jù)維度升高時(shí)，在兩組間尋找除X外其他參數(shù)均相同的個(gè)體幾乎是不可能的，因此本文選用傾向得分[11]作為多維數(shù)據(jù)匹配依據(jù)。

傾向得分匹配的原理是，通過(guò)以所計(jì)算因果關(guān)系中的“因”為因變量，以協(xié)變量作為自變量，利用Logistic回歸建立回歸模型估計(jì)每個(gè)樣本接受實(shí)驗(yàn)的可能性作為傾向性得分，然后，根據(jù)傾向得分使用近鄰匹配法在實(shí)驗(yàn)組和對(duì)照組間進(jìn)行匹配。由此，就可以計(jì)算具有多維可觀測(cè)特征樣本中實(shí)驗(yàn)組收到參數(shù)X的干預(yù)后的因果效應(yīng)ATT(x)(average treatment effect for thextreated group)，計(jì)算公式為式（9）。

最后，對(duì)式（9）所有ATT(x)進(jìn)行加權(quán)平均得到ATT式（10）:

2 一次風(fēng)機(jī)樣本實(shí)驗(yàn)驗(yàn)證

2.1 一次風(fēng)機(jī)因果發(fā)現(xiàn)模型選擇

本文選取某火電廠一次風(fēng)機(jī)整年運(yùn)行數(shù)據(jù)為研究對(duì)象，測(cè)點(diǎn)包括調(diào)節(jié)擋板閥位、風(fēng)機(jī)電流、軸承溫度（前、中、后）、軸承X和Y方向振動(dòng)信號(hào)，根據(jù)一次風(fēng)機(jī)物理性質(zhì)結(jié)合專家知識(shí)，本文設(shè)置了一條強(qiáng)因果關(guān)系和六條非因果關(guān)系，如圖2所示。

圖2 強(qiáng)因果關(guān)系與非因果關(guān)系示意圖Fig.2 The diagram of strong causality and non-causality

從原始數(shù)據(jù)抽取1000 組樣本，每組樣本量10 萬(wàn)個(gè)數(shù)據(jù)點(diǎn)，分別使用不同因果發(fā)現(xiàn)模型進(jìn)行識(shí)別，由公式（1.3）計(jì)算置信度，最終計(jì)算結(jié)果如表1所示：

表1 不同模型對(duì)此一次風(fēng)機(jī)因果圖識(shí)別結(jié)果置信度Tab.1 The Confidence coefficient of cause-and-effect diagram recognition result of primary air fan with different model

由表1 可見(jiàn)，對(duì)此一次風(fēng)機(jī)，線性非高斯無(wú)環(huán)模型LiNGAM[8]的識(shí)別結(jié)果具有極高置信度，因此本文選用LiNGAM模型對(duì)一次風(fēng)機(jī)進(jìn)行因果關(guān)系發(fā)現(xiàn)。

2.2 因果函數(shù)模型可識(shí)別性分析

基于因果函數(shù)模型使用前需要驗(yàn)證參數(shù)不對(duì)稱性和模型假設(shè)。一次風(fēng)機(jī)的參數(shù)間固然具有較強(qiáng)的因果信息不對(duì)稱性，電流增加會(huì)導(dǎo)致?lián)醢彘y門開(kāi)度增大，但是反過(guò)來(lái)不成立。擋板閥門開(kāi)度增大會(huì)對(duì)前軸承溫度產(chǎn)生影響，雖然不能確定正向因果關(guān)系是否成立，但是反方向一定不成立，不對(duì)稱性顯著。

對(duì)于LiNGAM模型的三條假設(shè):1）在一次風(fēng)機(jī)穩(wěn)定運(yùn)行階段，各參數(shù)間相互作用近似處于線性范圍內(nèi)，運(yùn)行數(shù)據(jù)基本服從線性變化。2）本文選取數(shù)據(jù)中包含一次風(fēng)機(jī)主要參數(shù)測(cè)點(diǎn)，不存在重要的未觀測(cè)的混雜因子。3）假設(shè)風(fēng)機(jī)運(yùn)行過(guò)程中的噪聲項(xiàng)為非高斯分布。

由此可見(jiàn)，一次風(fēng)機(jī)中參數(shù)間不對(duì)稱性清晰，參數(shù)情況滿足LiNGAM模型假設(shè)。因此，對(duì)一次風(fēng)機(jī)運(yùn)行變量使用LiNGAM模型進(jìn)行因果關(guān)系分析是可行的。

2.3 構(gòu)建一次風(fēng)機(jī)參數(shù)間因果關(guān)系網(wǎng)絡(luò)

對(duì)此一次風(fēng)機(jī)運(yùn)行數(shù)據(jù)重新抽取1000 組樣本，每組樣本量10萬(wàn)個(gè)數(shù)據(jù)點(diǎn)，經(jīng)過(guò)LiNGAM模型識(shí)別，計(jì)算每?jī)蓚€(gè)變量間的因果關(guān)系保持率CRR。最終結(jié)果因果方向保持率CRRi如表2所示。

表2 因果保持率CRRi 矩陣Tab.2 The causal retention rate CRRi matrix

由表2 可以看出，電流指向閥門開(kāi)度的因果方向CRR為100%，對(duì)于六條非因果方向，除了后軸承溫度對(duì)擋板閥門開(kāi)度出現(xiàn)兩次誤判，其他五條在所有1000 次計(jì)算中均未被識(shí)別，說(shuō)明此模型成功識(shí)別出了事前設(shè)定的一組強(qiáng)因果關(guān)系和六組非因果關(guān)系，表明LiNGAM模型可以識(shí)別出一次風(fēng)機(jī)中基于物理規(guī)律的總體框架，并能夠?qū)ζ渌麖?fù)雜耦合方向進(jìn)行識(shí)別。

因果關(guān)系網(wǎng)絡(luò)中某一關(guān)系具體因果方向的識(shí)別結(jié)果可靠性主要依賴于各方向間參數(shù)的因果不對(duì)稱度，在得到各方向間的因果方向保持率之后，通過(guò)計(jì)算其不對(duì)稱度來(lái)確定識(shí)別結(jié)果的可信度。不對(duì)稱度越高，因果方向識(shí)別結(jié)果可信度越高。設(shè)置CRRi的閾值為20%，對(duì)超過(guò)此閾值的因果關(guān)系方向計(jì)算因果信息不對(duì)稱度DDAi。因果信息不對(duì)稱度的計(jì)算結(jié)果如表3 所示，不對(duì)稱度DDAi的置信值選取為0.2。之后，對(duì)于因果信息不對(duì)稱度DDAi≥0.2 的邊，選取CRRi較大的方向作為因果圖中的因果方向，最終得到的因果關(guān)系網(wǎng)絡(luò)如圖3所示。

表3 因果關(guān)系不對(duì)稱度Tab.3 The causality asymmetry

因果關(guān)系網(wǎng)絡(luò)可以為更深層次地認(rèn)識(shí)系統(tǒng)物理過(guò)程提供有利幫助。如圖3所示，對(duì)于溫度變化和振動(dòng)的耦合問(wèn)題，本系統(tǒng)中前中后軸承的溫度變化都是軸承X和Y方向振動(dòng)改變的“因”。這些因果方向的CRR基本均在50%以上且后軸承溫度對(duì)軸承Y向振動(dòng)的CRR達(dá)到了77.15%，說(shuō)明此一次風(fēng)機(jī)運(yùn)行過(guò)程中溫度變化是振動(dòng)情況改變的一個(gè)原因，為風(fēng)機(jī)的溫度振動(dòng)耦合作用的解耦指出具體的方向。

圖3 通過(guò)LiNGAM模型識(shí)別得到的一次風(fēng)機(jī)因果關(guān)系網(wǎng)絡(luò)Fig.3 The causality network of primary air fan identified through LiNGAM model

2.4 因果效應(yīng)強(qiáng)度計(jì)算

得到因果關(guān)系網(wǎng)絡(luò)后，“因”對(duì)“果”的影響程度即因果效應(yīng)強(qiáng)度也是因果推斷的關(guān)注點(diǎn)之一。本文使用滑動(dòng)窗口結(jié)合傾向得分匹配的方法量化不同因果關(guān)系方向之間的因果效應(yīng)強(qiáng)度隨時(shí)間的變化情況。本文選取窗口長(zhǎng)度為24小時(shí)，滑動(dòng)距離一小時(shí)。

通過(guò)對(duì)具有因果關(guān)系兩參數(shù)的值按升高和降低以及不變進(jìn)行分組處理后計(jì)算傾向得分，再根據(jù)傾向得分進(jìn)行匹配。計(jì)算參數(shù)變化組即實(shí)驗(yàn)組的平均干預(yù)效應(yīng)即為此因果方向的因果關(guān)系強(qiáng)度。

為進(jìn)一步驗(yàn)證因果關(guān)系網(wǎng)絡(luò)的準(zhǔn)確性，本文通過(guò)三組反駁實(shí)驗(yàn)測(cè)試2.3 節(jié)得到的因果關(guān)系網(wǎng)絡(luò)的準(zhǔn)確性，分別是隨機(jī)添加混雜因子，數(shù)據(jù)子集驗(yàn)證和安慰劑干預(yù)。雖然無(wú)法通過(guò)觀測(cè)數(shù)據(jù)對(duì)因果關(guān)系網(wǎng)絡(luò)進(jìn)行證真，但可以通過(guò)反駁測(cè)試中模型出現(xiàn)的異常行為對(duì)其證偽。若模型結(jié)構(gòu)正確，則隨即添加混雜因子和數(shù)據(jù)子集測(cè)試時(shí)的因果效應(yīng)強(qiáng)度與原始結(jié)果應(yīng)近似相同，安慰劑干預(yù)測(cè)試是用獨(dú)立的隨機(jī)變量替換真正的原因變量計(jì)算因果效應(yīng)，若模型正確，其結(jié)果應(yīng)該接近0,三組測(cè)試結(jié)果如圖4所示。

由三組反駁測(cè)試結(jié)果圖4可以看出，隨機(jī)添加混雜因子和數(shù)據(jù)子集測(cè)試時(shí)的因果效應(yīng)強(qiáng)度均與原始效應(yīng)差別很小，兩者殘差分別在0.1和0.12以內(nèi)，說(shuō)明在此因果圖中隨機(jī)添加混雜因子對(duì)其無(wú)較大影響，且用隨機(jī)選擇的子集替換給定的數(shù)據(jù)集時(shí)也具有較高的準(zhǔn)確性。安慰劑干預(yù)測(cè)試的結(jié)果表明作為原因的獨(dú)立隨機(jī)變量對(duì)結(jié)果的因果效應(yīng)強(qiáng)度都為0。在三種測(cè)試情況下此因果關(guān)系網(wǎng)絡(luò)均沒(méi)有異常產(chǎn)生，進(jìn)一步證明了此因果關(guān)系網(wǎng)絡(luò)擁有。

圖4 反駁測(cè)試結(jié)果Fig.4 The refuted test results

2.5 因果狀態(tài)監(jiān)測(cè)

根據(jù)2.3 節(jié)得到的因果圖和1.3 節(jié)所述的因果效應(yīng)強(qiáng)度計(jì)算方法，計(jì)算得各因果方向間的主要因果效應(yīng)變化曲線如圖5所示。

圖5 各因果方向因果效應(yīng)強(qiáng)度隨時(shí)間窗口變化曲線Fig.5 The causal effect intensity of each causal direction varies with the time window

由圖5可以看出：（1）如圖5-1所示，預(yù)設(shè)的強(qiáng)因果關(guān)系的效應(yīng)變化情況符合實(shí)際物理模型。此一次風(fēng)機(jī)全年電流-擋板閥位開(kāi)度的因果效應(yīng)強(qiáng)度基本一直維持在0.8附近，說(shuō)明電流大小的變化將在很大程度上影響擋板開(kāi)度的變化，符合實(shí)際物理模型。1月100點(diǎn)處的突降對(duì)應(yīng)為停機(jī)，但在7月上旬750點(diǎn)處，此值由0.8突降至0附近，觀察實(shí)際數(shù)據(jù)發(fā)現(xiàn)此時(shí)負(fù)荷增大，擋板閥門開(kāi)度開(kāi)至最大，電流對(duì)其作用效果達(dá)到飽和，進(jìn)一步增大電流也不會(huì)引起閥門開(kāi)度的變化，因此因果效應(yīng)降為0。

（2）如圖5-2 所示，電流大小對(duì)軸承X向振動(dòng)的因果效應(yīng)變化情況大概經(jīng)歷了200，750，1600三個(gè)窗口節(jié)點(diǎn)，其中，在窗口200 點(diǎn)，系統(tǒng)在長(zhǎng)時(shí)間停機(jī)檢修后投產(chǎn)，此效應(yīng)緩慢爬升后穩(wěn)定在0.5。在750點(diǎn)窗口即7月2 日附近，此值發(fā)生突變由0.5 升至0.7 高位附近保持，說(shuō)明此時(shí)電流大小變化對(duì)軸承X向振動(dòng)的影響增大。而在此處，軸承X向振動(dòng)對(duì)軸承Y向振動(dòng)的因果效應(yīng)強(qiáng)度如圖5-4 也發(fā)生了突變，由原來(lái)在0 波動(dòng)躍升到0.4附近，說(shuō)明此時(shí)兩個(gè)方向的振動(dòng)不再獨(dú)立，上述討論說(shuō)明7 月2 日的高負(fù)荷導(dǎo)致系統(tǒng)振動(dòng)情況發(fā)生突變性惡化。此后，1600點(diǎn)窗口對(duì)應(yīng)11月初的停機(jī)檢修，從原始數(shù)據(jù)及圖5可以看出，此次停機(jī)檢修后系統(tǒng)振動(dòng)情況發(fā)生了較大改善。翻閱檢修報(bào)告知，此風(fēng)機(jī)失效軸承潤(rùn)滑油脂過(guò)少，在7 月中旬后逐漸出現(xiàn)軸承振動(dòng)異常，并于11月1日進(jìn)行停機(jī)檢修替換失效軸承，系統(tǒng)狀態(tài)變化過(guò)程與本文結(jié)果相符。

此例證明本方法成功跟蹤了系統(tǒng)狀態(tài)的變化，并發(fā)現(xiàn)原始數(shù)據(jù)無(wú)法得到的7 月2 日高負(fù)荷運(yùn)行導(dǎo)致的系統(tǒng)狀態(tài)突變情況。

3 結(jié)論

1）提出了一種改進(jìn)因果關(guān)系發(fā)現(xiàn)和評(píng)估方法，通過(guò)引入因果關(guān)系保持率CRR、因果信息不對(duì)稱度DDA，并結(jié)合專家知識(shí)設(shè)置強(qiáng)因果關(guān)系和非因果關(guān)系，可以對(duì)不同的因果函數(shù)模型因果關(guān)系識(shí)別準(zhǔn)確度給出具體的評(píng)估結(jié)果，優(yōu)化因果發(fā)現(xiàn)過(guò)程，提高因果關(guān)系網(wǎng)絡(luò)的可靠性。

2）以某一次風(fēng)機(jī)為對(duì)象進(jìn)行因果關(guān)系發(fā)現(xiàn)，證明了改進(jìn)的因果發(fā)現(xiàn)評(píng)估方法能成功判斷不同模型的有效性和準(zhǔn)確度并對(duì)因果關(guān)系發(fā)現(xiàn)過(guò)程進(jìn)行修正。CRR評(píng)分表明LiNGAM模型對(duì)此一次風(fēng)機(jī)強(qiáng)、非因果關(guān)系的識(shí)別準(zhǔn)確率達(dá)到了99.95%。三組反駁測(cè)試結(jié)果均表明了此方法得到的因果關(guān)系網(wǎng)絡(luò)的正確性。此方法為對(duì)發(fā)電設(shè)備進(jìn)行因果關(guān)系發(fā)現(xiàn)提供了新的模型評(píng)估方法，解決了因果模型難以選擇和準(zhǔn)確度無(wú)法判斷的問(wèn)題。

3）因果狀態(tài)監(jiān)測(cè)提供了一種發(fā)電機(jī)組輔機(jī)運(yùn)行狀態(tài)分析的新角度，本文以某一次風(fēng)機(jī)為例證明其不僅能夠成功跟蹤反映系統(tǒng)狀態(tài)，還能夠發(fā)現(xiàn)原始數(shù)據(jù)無(wú)法發(fā)現(xiàn)的系統(tǒng)狀態(tài)惡化突變節(jié)點(diǎn)從而進(jìn)行精確高效的故障告警。結(jié)合因果推斷技術(shù)的數(shù)據(jù)分析方法可以成為研究系統(tǒng)更深層次本質(zhì)規(guī)律和進(jìn)行運(yùn)行狀態(tài)分析的有效手段。