系统异常（共12篇）
系统异常 篇1
1静止阶段
TSI系统安装调试结束、系统带电后, 所有安装的测量通道均应指示出正确的运行参数。此时, 轴位移测量、胀差测量、转速测量、缸胀测量输出指示均应为“0”;轴振测量和瓦振测量应有微小的输出值。该输出值由以下方面引起: (1) 传感器测量特性; (2) 模块测量方式; (3) 相邻运行机组的主辅机设备引起的振动传递; (4) 本台机组启动前辅机设备运行 (上水操作等) 引起的振动传递; (5) DCS (或DEH) 系统对来自TSI系统的模拟信号进行数字转换偏移。一般来说, 此时各振动测点的输出不应出现较大范围的波动。如果在此阶段某测点 (或几点) 出现较大的输出波动, 可以确定为测量回路受到外来干扰 (机组大的动力设备启动、线间干扰、测量回路屏蔽或接地不良等) 。这时监视该通道的输入波形和FFT输出, 可以发现干扰频率大多为工频。
2机组起动阶段
机组起动后, 一般要经历升速、暖机以及机组常规的试验 (电气试验、超速试验等) 。在此阶段, 由于机组各自不同的特性、轴系检修和安装的水平等, TSI系统会出现各种各样的参数指示。由于缸内温升及压力的变化, 轴位移、胀差、缸胀的输出指示会有显著变化 (注意变化的方向) 。这时转速和键相应指示轴系实际的转速值;偏心值输出的变化范围与传感器的安装位置和安装角度有关;轴振和瓦振的输出则与稳速暖机、过第一、第二临界点的运行过程相关。
由于所有的主、辅机设备至此均已进行了相应的操作, 系统间干扰问题理应暴露无遗。轴位移、胀差、缸胀等参数在此阶段变化范围不会太大 (变化趋势应一致) , 但轴振和瓦振会出现较大的变化。出现的轴振、瓦振大范围波动, 主要是过临界转速、轴系存在某些缺陷 (不平衡、摩擦、局部松动等) 造成的, 待消除轴系的缺陷后, 轴振、瓦振大范围波动的现象即可消失。
3正常运行阶段
当机组带负荷运行后, 正常情况下, 轴位移、胀差、缸胀、轴振、偏心和瓦振的输出参数, 会随机组负荷的变化呈缓慢变化趋势。
此阶段, 尽管轴位移、胀差和缸胀参数的变化量值不相等, 但变化趋势应是一致的。在机组带负荷正常运行下 (3000r/min) , 输出的偏心值接近或等于在同位置安装的轴振测点的输出值。同样, 尽管在相同位置处的轴振和瓦振测点的输出变化量值不相等, 但变化趋势也应是一致的。
如果在机组正常运行阶段出现个别测点输出异常参数的现象 (主要是某些测点的输出值大于运行人员记忆和记录的数据) , 可参考以下处理方法解决。
(1) 轴位移、胀差、缸胀测量中, 某1测点的输出值较改造前的数值偏大, 排除传感器支架刚性、安装位置松动的原因后, 这类问题主要是由于传感器的线性引起的。这类测量方式的输出与传感器的灵敏度和线性度直接相关。由于电涡流传感器, 特别是测量范围较大的涡流传感器很难保证在整个测量范围内的每1点都保持线性关系, 因此, 原先测量输出的结果 (采用模拟信号处理电路的TSI系统) 直接取决于传感器的灵敏度和线性。而新的TSI系统, 则完全按与轴系实际位移量相等的数值输出 (最大误差可测到千分表的读数误差) , 即现在的测量较以前更精确。因此, 对TSI系统进行改造前和改造后存在某些读数上的差异就不足为奇。
(2) 轴振测量中某点的测量值发生突变, 但同位置瓦振测量值变化不大。在确信测量通道和测量回路正确的前提下, 可密切关注该点的变化趋势。一般情况下, 随时间的推移, 这种突变会自行消失。这类突变主要是由于机组轴系某些外界原因引起的随机谐振 (油膜振荡、汽激振荡) 所致。随调速汽门及运行工况等的变化, 这类突变也会因谐振条件的消失而使轴振输出变得平稳。
(3) 瓦振测量中某1点的测量值发生突变, 但同位置轴振测量值变化不大造成这种现象主要有以下原因:1) 由于瓦振传感器直接安装在机体表面, 很容易触及或者由于机械振动使固定传感器的螺丝发生松动;2) 由于凝汽器操作变化速率快引起凝汽器低频振动传递。发生这类低频振动对机组的安全危害不大, 但可能会引起瓦振保护动作。此时, 可借助TSI系统组态软件中的FFT功能进行分析和判断。读出FFT画面中的振幅和频率值, 可发现在振幅处的频率一般处在低频段。而机组正常情况下的振动频率应远远大于此值。
(4) 轴振、瓦振测量中某一点 (或几点) 的测量值同时发生突变这种现象在机组起动过程中 (尤其是过临界点时) 经常遇到, 但在机组正常带负荷工况下, 对大多数机组来说出现的机会较少。当然, 随着负荷的变化, 基于某些机组本身的特性, 在一些特定的机组上也可能出现这种现象。
总之, 发生这种问题时, 首先要比照机组原先的运行记录。如果机组原先的运行记录 (大多发生在改变负荷或调整运行工况时) 就是如此, 可密切关注一段时间;如果所发生的这种现象在原先机组的运行中从未有过, 应及时报告, 运行方面应采取必要的安全措施 (适当减负荷等) 。此时对振动测量的保护必须投入。
摘要：汽轮机监测保护系统 (以下简称TSI系统) 是火电机组最重要的保护系统之一。本文目的是探讨汽轮机监测保护系统 (以下简称TSI系统) 的特点, 并总结选择时应注意的主要问题及参数指示异常的鉴别方法。结合50 MW汽轮机监测保护系统在机组正常运行时, 偶然会出现TSI系统参数显示异常。本文重点介绍TSI系统的参数指示异常的鉴别方法。
关键词：TST系统,鉴别,参数
参考文献
[1]林渭勋.现代电力电子电路[M].浙江大学出版社, 2002.
[2]尹朝庆, 尹皓.人工智能与专家系统[M].水利电力出版社, 2005.
[3]李轶群, 吴国旸, 张涛.基于模块的可编程保护装置软件设计新概念[M].水利电力出版社, 2002.
系统异常 篇2
松辽盆地异常压力系统及其形成原因探讨
松辽盆地泥岩声波时差反映盆地纵向上存在四套欠压实泥岩,即嫩江组一、二段泥岩,青山口组一段泥岩,泉头组一、二段泥岩和登楼库组一、二段泥岩.泥岩欠压实顶界面位于1000m左右,向盆地东部有逐渐抬高的趋势,局部地区位于800m附近.钻杆测试数据(DST)、重复地层测试数据(RFT)反映盆地储层压力系统以龙虎泡阶地和大庆长垣为界,分为西部斜坡带常压-低压系统(压力系数＜1.06)、齐家古龙凹陷-大庆长垣高压系统(压力系数＞1.06)和三肇凹陷及其以东的低压-异常低压系统(压力系数＜0.96).分析这种特殊压力结构的原因及其对油气运移聚集的影响,认为晚期构造活动是形成松辽盆地特殊流体动力场空间分布特征的触发器,嫩江组沉积末期以来东部斜坡带和西部斜坡带的.抬升剥蚀作用与水热效应结合是形成松辽盆地异常低压的主要原因,而泥岩生烃作用是形成齐家古龙凹陷异常高压系统的主要原因.
作 者：向才富 冯志强 吴河勇 庞雄奇 李军虹 XIANG Caifu FENG Zhiqiang WU Heyong PANG Xiongqi LI Junhong 作者单位：向才富,庞雄奇,李军虹,XIANG Caifu,PANG Xiongqi,LI Junhong(中国石油大学资源与信息学院盆地中心,北京,102249;中国石油大学教育部石油与天然气成藏机理重点实验室,北京,102249)冯志强,吴河勇,FENG Zhiqiang,WU Heyong(大庆油田勘探开发研究院,163458)
刊 名：地质学报 ISTIC PKU英文刊名：ACTA GEOLOGICA SINICA 年，卷(期)： 80(11) 分类号：P94 关键词：流体封存箱 异常压力 松辽盆地输灰系统的运行调整及异常分析 篇3
【关键词】气力输灰；堵管原因；堵管处理
1、气力输灰的概况
大唐彬长发电厂Ⅰ期燃煤发电机组，每台机组设两台电除尘器，分别对应锅炉尾部A、B侧烟道，每台电除尘器有16个灰斗，其中一、二、三电场各有4个灰斗，四、五电场共用4个灰斗，每个灰斗下安装一个压力输送泵，每台机组有三根输灰管道，每台除尘器一、二电场共用一根输灰管道，每台机组的两台电除尘器三、四、五电场共用一根输灰管道。正常运行时，同侧一、二电场输灰管道将飞灰送入原灰库，也可通过库顶切换阀分别进入粗灰库或细灰库；三、四、五电场输灰管道将灰送入细灰库，当细灰库高料位或故障时，通过库顶切换阀进入粗灰库。
2、气力输灰系统流程
2.1进料阶段
进料单元所有气动门处于关闭状态→打开进料单元仓泵组透气圆顶阀及相应单元仓泵入口圆顶阀→任一仓泵料位到达料位计反馈信号（或者进料时间到达到设定值10秒）→关闭相应单元仓泵入口圆顶阀、仓泵透气圆顶阀。
2.2输送阶段
打开即将输灰单元各仓泵手动补气门→打开输灰单元主输送空气进气阀、出料圆顶阀→延时2秒→打开相应输灰总管补气阀→相应单元输送开始直至其输送压力降到0.035MPa（或达到设定的输送时间）→延时45秒→关闭输灰单元仓泵组主输送进气阀、相应输灰总管补气阀→延时3秒关闭相应输灰单元出料圆顶阀。
2.3吹扫阶段
关闭相应单元仓泵入口圆顶阀、仓泵透气圆顶阀→打开输灰单元主输送空气进气阀、出料圆顶阀→延时2秒→打开相应输灰总管补气阀→吹扫45秒→关闭相应输灰单元仓泵组主输送进气阀、相应输灰总管补气阀→延时2秒关闭相应输灰单元出料圆顶阀。
3、堵管的判断及影响因素
3.1堵管现象的判断
在输送灰气混合物过程中，在设定输送时间内，仓泵双压力表未达到下线值，控制系统判断为堵管，自动关闭进气阀和出料阀。系统输送压力最高达到0.375Mpa，输送进气阀关闭后，系统压力下降速度小于0.01Mpa/s，这时认为管道被堵。
3.2堵管的原因
3.2.1仓泵本体发生故障。补气逆止阀污堵，因空气湿度大，当灰进入补气逆止阀及空气管道时发生板结，使补气逆止阀堵塞，导致管道堵塞。3.2.2灰源的影响。尘降灰粒度较粗、密度较大，输灰管线频繁堵管，直接影响输灰频率。3.2.3系统参数设备定的影响。仓泵压力下限值的设定较为重要，一般设定为：仓泵输送的压力加上0.01～0.03MPa，若下限值设定较高，则必须加长吹扫时间给予补充，避免管道中残余灰对下一次输灰或其它仓泵造成影响。上限压力设值过高，出料阀打开瞬间，初速过高，阻力增大，易造成堵管。3.2.4气源的影响。气源压力不够时气源压力必须克服仓泵的阻力、提升的高度、管道的阻力以及灰库的压力，如果压头不够，则容易发生堵管。气量不足，使灰气比增大，输送浓度过大，造成管道阻力增大，及气源带油、带水都易发生堵管。 3.2.5流化风的影响。流化室主要是使气沿流化板较均匀的进入仓泵，使灰气混合均匀，实现单位体积浓度接近于平均值，如何流化板泄漏，进入速度加快，灰气混合较差，进入输灰管道后，在管道中各处阻力相差大，造成流速不稳定，当某一处的灰浓度较大，而使阻力大于自身作用力，就会发生堵管。3.2.6灰温低。粉煤灰的表面有很多孔隙和裂缝，孔隙率最大可达60%～70%。这种结构，对水的吸附作用很强。在灰温低时，粘附在飞灰表面的SO3气体及水蒸汽等，容易结露，使灰的粘性增加，内摩擦增大，流动性差，流动阻力增大，造成堵管。3.2.7热工表计的影响。如仓泵料位计准确率低，导致仓泵进灰量过大，使仓泵内流化空间减小，灰的浓度比较大，易产生堵管。
4、输灰管道的排堵处理
1）堵管后值班员应立即停止该管线输灰，到就地进行排堵。关闭主泵前端的输送进气手动阀，开启手动排堵阀，系统输送压力迅速下降至零，管道疏通完毕，关闭手动排堵阀。否则执行泵间堵管的处理，从出口泵向主泵方向依次开启泵顶透气阀泄压，直到排通，然后进行管线吹扫。泵间堵管处理无效，联系检修处理。2）堵管疏通后对管线进行吹扫，系统压力可快速降至空吹压力0.035Mpa以下，则管道疏通完毕。经过三次吹扫，系统压力未降至空吹壓力，联系检修处理。3）堵管疏通后投运该管线，将落料时间改为8S，根据输灰曲线逐步增加落料时间至正常。
5、结论
我公司采用克莱德公司的干灰正压浓相气力输灰系统的设计、设备选型均按设计煤种进行，并留有安全裕度。但实际运行中，即使留有安全裕度的输送系统也出现不同程度超负荷运行现象，终极导致故障频发。系统设计再好，假如没有设备维护质量以及运行方式的保证，系统也难以发挥其优越的性能。为此，加强输灰系统运行与维护治理，储备充足的备品备件，加大消缺监视力度，保证系统缺陷能在最短时间发现与处理，同时规范运行调整。目前我公司输灰系统堵管频率明显降低，确保了输灰系统安全稳定运行。
参考文献
钻井异常智能预警系统研究 篇4
关键词：钻井异常,预警,智能,支持向量机
1 引言
石油钻井是一项高投入、高风险和高技术水平的隐蔽性地下工程, 存在着大量复杂、随机和不确定性因素, 在工程施工的各个阶段均存在不同程度、形式各异的风险, 钻井异常情况随时都有可能发生, 严重威胁着钻井的安全。目前对钻井异常的预警主要依靠综合录井仪对工程参数变化的监测来获得异常结果, 但对于各种异常的分析大多以人工经验判断为主, 仅有少量监测分析工作由计算机自动完成[1], 迫切需要系统而全面且能反映钻井工程事故复杂多变特性的智能化预警手段, 以满足安全、快速钻井的需求。近年来, 随着综合录井技术、人工智能技术以及钻井工程信息化的迅猛发展, 钻井异常智能预警系统越来越引起钻井技术人员的关注。为此, 我们在国家大学生创新训练项目与陕西省教育厅专项科研项目的资助下, 开展了钻井异常智能预警系统的研究。
2 系统总体架构设计
考虑到钻井工程的特殊性与复杂性, 通常钻井决策指导在油田基地完成, 而钻井作业分布在远离油田基地的现场, 因此将系统设计为两级:井场级和基地级, 其总体架构如图1所示。
(1) 井场级:面向施工现场的钻井技术人员。通过井场实时监测与信息处理系统将井下随钻测量的实时信息 (包括地质参数、井眼轨迹参数、钻进参数及钻井评价参数等) 以及地面综合录井和泥浆录井等信息, 进行处理后图文并茂地展现给现场技术人员, 同时通过卫星通讯、GPRS (General Packet Radio Service) 通讯等方式实时传输到油田基地, 使现场技术人员既可实现对现场作业的监控, 又能得到后方基地专家对现场作业的实时指导。
(2) 基地级:面向油田基地的领导、专家及技术人员。将远程实时传输的井场信息与邻井及区块的信息以及以往钻井异常识别、诊断、预测的经验知识及案例等多源信息, 利用多源信息融合技术进行融合集成后, 存入数据仓库;在此基础上实现钻井状态监控及决策分析 (包括异常分析、诊断、预测等) , 并提供多方协同工作平台, 使分布在不同地点的多方专家、工程技术人员能通过网络远程进行现场钻井作业实时监控及异常控制等。
3 钻井异常预测模型的构建
实现钻井异常智能预警的关键是预测模型的建立。针对钻井作业的特殊性与复杂性, 本系统采用支持向量机 (Support Vector Machines, SVM) 方法建立钻井异常预测模型, 通过现有数据对模型进行训练, 实时分析各种参数的变化趋势和异常发生的可能性, 以达到早期预报钻井异常的目的。
3.1 特征参数的选取
要建立钻井工程异常预测模型, 首先需从诸多钻井参数中提取最能表征钻井状态的特征参数, 然后对其进行预处理 (即数据的归一化) , 将数据转化为适合预测模型训练与测试的形式。钻井异常种类繁多, 下面以常见的卡钻事故为例。通过综合分析各种钻井事故的发生征兆, 并依据钻井专家总结的事故诊断方法[2], 选取钻压, 泵压, 泵量, 转速, 钻速, 扭矩等6个特征参数。
3.2 基于SVM建立预测模型
SVM是一种以统计学习理论为基础的新的机器学习算法[3], 它采用结构风险最小化原则, 能有效地解决小样本、非线性及高维的复杂分类及预测等模式识别问题, 具有全局唯一最优解、泛化能力强、模型结构由算法自动确定等优点。基于SVM建立预测模型的基本方法如下:
给定训练样本集T={xi, yi} (i=1, 2, …, n) , 其中:n为训练样本数, xi为输入矢量 (即钻井异常特征参数) , yi为相应的目标值 (即异常状态, 如“卡钻”) ;寻找一个从输入空间到输出空间的非线性映射φ (x) , 将输入空间数据x映射到一个高维特征空间F, 并在该空间构造最优线性回归函数f (x) =[ωφ (x) ]+b进行线性回归, 其中ω为权值矢量, b为阈值, 从而将原输入空间的非线性学习算法转化为高维空间的线性学习。
为控制函数的复杂性, 应使线性回归函数尽量平坦, 为此引入松弛因子ξi和ξi* (均大于等于0) 来减小可能超出精度的拟合误差。根据统计学习理论的结构风险化准则, 通过极小化以下目标函数来确定上面函数中的ω和b, 即求下式最小值:
式 (1) 中第1项是使回归函数更为平坦, 泛化能力更强, 第2项则为减少误差;常数C (C>0) 为控制对超出误差ε (即不敏感损失误差) 的样本的惩罚程度即惩罚因子, ξi和ξi*度量不敏感损失误差ε的程度, ξi为上偏离, ξi*为下偏离。采用对偶理论求解上述最优问题, 把它转化为下述优化问题:
式中:ai、aj为拉格朗日乘子, ai*、aj*为拉格朗日优化乘子;K (xi, yi) =φ (xi) φ (xj) 为核函数, i、j分别为第i个、第j个样本。核函数采用高斯径向基函数:
式中σ为径向基核参数, 核函数的引入使得高维空间中的内积运算可通过输入空间中的函数来实现, 避免了维数灾害。求解得到的SVM线性回归函数 (即为预测模型的决策函数) 为:
式 (4) 是一个凸规划寻优问题, 径向基核参数σ、惩罚因子C和不敏感损失误差ε将是SVM的训练参数。利用式 (4) , 可估算钻井异常特征参数在高维特征空间中的分布区域, 例如对参数x, 若f (x) >0时, 表明x位于样本的分布区域内;f (x) =0时, 表明x位于分布区域边界上;f (x) <0时, 表明x位于分布区域之外。
4 预警方法设计
钻井异常情况复杂多变, 异常状态的出现可能是突发型的, 也有可能是逐渐变化型的[4], 因此, 对钻井异常报警, 应综合考虑短期异常与长期趋势性异常的情况, 并且在判别钻井参数的相对变化时, 应当将当前时间的参数采样信息与前一时间段的参数采样信息进行比较[5]。为此, 本系统建立如图2所示的基于支持向量机的钻井异常动态智能预警机制。
具体实现过程如下:
(1) 使用长度为m的滑动时间窗对连续的监测参数进行分割, 在k-1时刻得到目标样本集{xk-m, …, xk-2, xk-1};
(2) 利用上述SVM预测模型, 计算目标样本集的在特征空间中的最优分布区域;
(3) 在k时刻得到新的监测参数xk, 根据下式计算异常指标:
若Ik大于报警阈值η (由领域专家根据经验给定) 则报警。异常指标Ik是高维特征空间中新数据与上一时刻分布区域的相对距离指标, 由式 (4) 所示的决策函数变形得到。
(4) xk加入目标样本集, 并将xk-m从样本集中删除, 计算新的空间分布区域;
(5) k-1←k, 重复步骤 (3) ～ (4) , 从而实现连续的动态监测报警。
为了验证上述模型与方法, 本文选取了塔里木油田某一区块的16个钻井卡钻事故实例作为样本, 并随机抽取其中8个作为训练样本, 将其对预测模型进行分类训练;其余8个作为测试样本用以检测模型预报的准确性。实验结果表明, 本系统能准确地对钻井异常状态进行预测 (限于篇幅, 其验证过程在此略, 有关内容后续发表) 。
5 结论
本文设计了一种由计算机网络支持的钻井异常智能预警系统的体系架构, 建立了基于SVM的钻井异常状态预测模型, 并构建了相应的动态智能预警机制, 该方法能在样本较少的情况下建立准确度较高的模型, 可有效地解决非线性、高维、复杂的钻井异常预测问题。应用本系统能有效地提高异常预警的准确性。
参考文献
[1]姚文华.钻井工程异常预警系统的设计与应用[J].石油仪器, 2011, 25 (1) :5-11
[2]吴俊杰.钻井工程事故监测和预警方法研究[J].录井工程, 2006, 17 (1) :53-57
[3]向玲, 唐贵基, 朱永利.基于支持向量机的设备异常状态时间预测[J].传感技术学报, 2007, 20 (9) :5-11
[4]马功勋.钻井工程异常预报及监测[J].内江科技, 2010, 8:171-172
系统异常 篇5
win7系统开机画面异常是怎么回事
，
系统异常 篇6
关键词 VBE；TFR；极控系统；换相失败
中图分类号 TM 文献标识码 A 文章编号 1673-9671-(2010)121-0018-02
X年3月29日17：58，高肇直流输电系统肇庆换流站SER频发“=21V31+U1-A1 LIGHTEMITTER FAILURE AT-B1-U3”告警信号，现场检查发现极1VBE系统A1层架B1模块H1红灯亮，该模块故障。根据设备维护手册理论分析结果，只需断开对应的F7开关，即可在线对该故障发射模块进行更换。但在断开F7开关的同时，SER发双极换相失败和极1直流线路故障信号，极1直流发生故障重启。
1 VBE系统简介
VBE（阀基电子设备）系统是直流输电系统换流站极控和换流阀建立关系的枢纽。极控通过VBE系统向换流阀发送控制信号，而换流阀也要通过VBE系统向极控反馈自己的运行状态。
高肇直流采用了光直接触发阀片，配置了三组光发射模块。VBE系统屏柜的正面层架如图1所示：
图1 高肇直流VBE系统屏柜正面层架图
每个极共有6个这样的层架，其中B1~B6为光发射模块，每个层架中B1和B4一组，B2和B5一组，B3和B6为一组共3组光发射模块。每组光发射模块从VBE控制系统获得触发脉冲后，转换为光信号同时发送给各个阀臂的MSC模块，再由MSC经过三取二的选择逻辑，将其中两组光发射模块发来的光信号分为13束，分别发送到阀片上进行触发。
根据厂家手册说明，必要时可在直流系统运行的情况下在线更换一组光发射模块中的任意一个，既理论上保证两组光发射模块正常工作的情况下，就能够可靠地触发阀片。若不同组光发射板损坏则禁止在直流系统运行的情况下在线更换，因为单组光发射模块无法确保可靠触发阀片。即只要同一组光发射模块中的任何一个故障，只需将故障光发射模块所在组的F7、F8或F9电源开关断开，即可完成在线更换。
2 异常原因分析
1）断开F7开关与极换相失败的关系。由图2可知，工作中断开开关F7，导致所有层架B1、B4模块失电退出运行，相应的VBE所有触发光纤组（三根一组）均失去第三根冗余，工作中断开开关F7后极1直流重启成功，持续运行中无其他阀片级信号，说明两组光发射模块的能量是满足要求的。断开开关F7将对其他运行中的光发射模块电源回路（由F8、F9供电，参见图2）造成暂态扰动，对剩余光发射模块（B2、B3、B5、B6）光触发脉冲的发射形成干扰。具体存在以下几种可能：
①干扰触发脉冲相位，使阀关断角减小，造成阀换相失败，换流器上下桥臂同时导通，伴随现象是直流电压迅速降低以及电流升高。②产生错误脉冲，造成桥阀误开通。由于逆变器阀在阻断期内主要承受正向电压，收到错误脉冲就可能造成阀误开通。误开通时的换流器工况与换相失败时是相似的。③干扰造成触发脉冲瞬间能量不足或丢失，造成阀不开通故障。桥阀不开通故障的后果与一次换相失败相同，也会造成换流器直流短路，电压下降、电流上升等现象。
图2 肇庆站VBE系统电源回路图
查看故障时刻录波（见图3），当换流器直流短路故障发生、线路电压急剧下降而电流上升时并未立刻伴随换相失败信号。因此，电源回路干扰也有可能先造成了阀误开通或阀不开通故障。随着直流电压的下降，逆变器控制系统将减小关断角以提升电压，当关断角降至最小设定值时转入定关断角控制。随着故障过程的持续，在某个时刻关断角由20度降为约2度，之后出现了换相失败的信号，表明过小的关断角导致了换相失败发生。
2）极1换相失败与直流线路故障的关系。换相失败将造成换流器直流瞬时短路的情况，根据肇庆站与安顺站的SER可以得到如下结论：首先（00：38：42.510）安顺站极1三套直流保护检测到线路故障，依次线路保护（27du/dt）动作；随即（00：38：42.657）安顺站直流保护将线路故障（DCLF）信息送安顺站极1极控，极控发DC LINE FAULT信号；之后（00：38：42.678）肇庆站极1极控发DC LINE FAULT信号；由于肇庆站本站未有直流线路保护信息，因此极控所发线路故障信息应是对站极控DC LINE FAULT信号经DUST通信传来（P5_CC-T2_FR40）。
从图4安顺站TFR故障录波图可以看出，该时刻（00：38：42.678）
du/dt=83.573-40.017=43.556kV/0.15ms> 42.5kV/0.15ms且UdL<125kV （27du/dt保护的启动定值），但之后20ms延时内UdL却多次大于200kV的返回值，因此即使是在安顺站直流保护低电压保护（27du/dt）也不应动作而导致直流线路故障重启。
3）生产厂家对该异常的解释。西门子公司在对该异常的分析回复中提到du/dt达到了42.5kV/0.15ms的启动定值，认为安顺站保护动作正确，换相失败是由于断开F7开关导致。由于在实验室无法重现该故障，因此西门子认为是偶然现象。而对于换相失败导致直流保护动作的问题，西门子公司认为直流低电压保护（27du/dt）中du/dt定值设置过于灵敏，建议将该启动定值由8.5％（42.5kV/0.15ms）调整为10％（50kV/0.15ms）。
3 试验验证
1）试验背景。对于西门子公司关于断开电源开关导致换相失败是偶然现象的结论，我们表示质疑。高肇直流从投运至今，VBE系统频发故障即为光接收模块和光发射模块故障。故障处理方法为更换相应光发射板，而上述异常是否为偶然现象关系到日后类似故障时能否实现在线更换。为验证断开电源开关对直流输电系统的影响，并对今后的检修工作提供指导，利用一次例行停电检修机会，我们设计并完成了相关验证试验。2）试验方法和步骤。试验条件为：在双极正常运行状态下，设置极1直流线路故障重启动。本次试验的范围为肇庆换流站极1 VBE系统屏柜内F7、F8、F9电源开关。试验过程如下：①断开=21V31+U1的电源小开关F7开关，SER发换相失败信号，肇庆站三套直流保护装置发行波保护系统（WFPDL）告警信号，直流线路故障重启后极1降压350kV运行；②断开F8开关后与断F7开关有同样的现象；③断开F9开关，SER发换相失败信号，安顺站一套保护装置发行波保护系统（WFPDL）发告警信号。3）试验结论。①在直流系统运行的情况下，断开VBE系统屏柜内F7、F8、F9电源开关将导致换相失败，引起直流保护动作造成直流线路故障重启的概论目前来看高达75％，但每次都能重启成功；②引起直流保护动作的类型无固定规律；③如果考虑直流线路故障重启对系统的冲击，则不宜在线对故障的光发射模块进行更换处理；④由于兴安直流的设计与高肇直流相同，虽然未经试验验证，但也不宜在线对故障的光发射模块进行更换处理。
4 存在问题及改进建议
对于高肇直流的VBE系统，在线断开单组光发射模块电源开关引起换流失败属于设计上的缺陷，并非偶然现象。建议：①西门子厂家在光发射模块的冗余设计上加以改进；②高肇直流、兴安直流光发射模块故障时，对相应极申请停电后再行更换故障模块。
参考文献
[1]SIEMENS. Valve Base Electronics Maintenance Manaual EB4.112.AZ
[2]SIEMENS. Valve Base Electronics System Information Manaual EB2.112.AZ
作者简介
王朝硕（1978—），男，工程师，硕士研究生，从事直流输电系统研究与技术管理工作。
系统异常 篇7
导弹飞行试验的遥测参数反映了导弹各系统的实时工作情况,实时分析导弹遥测数据,可以第一时间发现问题并进行故障预警与定位,对试验安全控制起到了越来越重要的作用,对保证导弹武器可靠发射具有非常重要的意义。目前通过对导弹遥测参数实时分析,判断导弹典型故障,主要依靠专家人工判读,人工判读存在漏判和误判的隐患; 导弹对遥测数据的实时判决需要专家的经验知识,知识具有积累性,判决规则规范化而且随着飞行的状态和类型的不同复杂多样化,工作量非常大。以上特点特别适合于应用专家系统技术进行自动化分析和处理。本文主要针对这一系列背景提出了一种基于专家系统识的实时监控系统,通过计算机自动处理完成对导弹武器遥测参数典型故障的实时判读与报警。
1 导弹故障实时监控专家系统方案
1.1 系统结构
根据系统需求分析提出了基于导遥测关键参数的导弹安控异常实时监控专家框架结构。该系统由被遥测参数实时处理服务器、实时监控工作站、知识库服务器、数据库服务器以及浏览显示终端组成,如图1所示。遥测参数实时处理服务器运行实时采集处理遥测挑点参数软件;实时监控工作站运行遥测参数异常实时监控软件;知识库服务器保存各种导弹故障判决知识、故障事实、 函数以及规则,它以源故障状态和启发性规则形式予以存放;显示终端供用户管理查询知识以及浏览诊断信息;数据库用于专家系统执行推理过程中存放初始值和中间结果或论据等的工作存储器,是反映当前问题求解状态的集合。
1.2 软件体系结构
该系统软件主要由遥测实时数据处理系统、故障判决预处理系统、推理机、 知识库系统、 数据库系统4大部分组成。
遥测参数实时处理系统:采集遥测挑点参数并实时处理,将处理结果作为导弹安控异常实时监控专家系统的输入。
故障判决预处理系统:包括故障参数特征信息量提取和数据可信度分析。
(1)故障参数特征信息量提取
导弹在飞行过程中,关键参数偏离了正常状态就可能出故障,表征它的特征向量也会变化。研究导弹典型故障与内弹道参数的关系实现参数特征信息量提取。
(2)数据可信度分析
由于数据误码的原因,数据存在是否可信这个问题,数据的可信度在很大程度上影响推理结果的准确性。基于此,遥测数据加上可信度,为下一步的推理和故障判决奠定基础,具有实际意义。
推理机:是监控系统软件的核心部分,它对接收到的信息进行处理、监控以及诊断、解释。推理机包含5个子模块:预处理模块、调度引擎、推理引擎、黑板区和解释器。
知识库存放各种事实、判断。知识库包括:参数表、事件表、事件和参数关系表、时间和事件关系表、指令表、指令和参数关系表、事实表、规则前提表、规则结论表等。
数据库:由两个部分组成,即用户权限数据库和判读结果库。
图2为导弹故障实时监控专家系统软件体系结构图。
2 用于安控判决的遥测参数分类
导弹遥测参数是随飞行状态动态变化的,受导弹飞行过程的实际情况和传感器的测量误差等因素影响,有一定的不确定性。另外,导弹的故障和异常往往需要由一组遥测参数而不是一个参数反映。因此,自动判别并非简单地表示某个参数是否超出了其给定的上下范围,其过程是极其复杂的。实现导弹典型故障的实时自动判别 ,就必须对导弹遥测数据进行详细的归纳、 分析。本文主要采用导弹典型遥测参数为研究对象,对导弹实时挑点遥测数据从故障判决的角度分类为指令和参数,参数又分为连续型缓变参数和跳变型参数。
2.1 指令判决
某些指令能够直接反映状态量的变化,比如主动自毁指令、雷达战斗指令、开关的开启和关闭状态等。为了对这些指令进行自动判别,需要对指令进行知识表示,还需要给出指令的产生条件和发生后的各种状态量、参数变化方式进行知识表示。
2.2 参数判决
通常,说到参数判别,容易想到的是是否超出其上下限,即当参数值在某个范围内就是正确的,超越这个范围就是错误的。其实只有一小部分参数有一个固有的变化范围,不论外界环境如何,这个范围都不会发生改变。而对于大部分参数来说,都不具有这种特性。导弹武器是一个复杂的系统,其参数之间的关系错综复杂。判断一个参数是否正确,需要考虑许多相关条件,不同的外界条件,参数的变化方式和判断方法不同。导弹武器测试参数的变化规律可以归结如下:第一类是在特定条件下给定的范围内变化,例如飞行高度、飞行时间、导弹经度、导弹纬度等。这一类数据变化规律较简单 ,便于计算机语言表示;第二类是按照某种趋势变化。这里所说的趋势不一定是简单的上升和下降,还包括沿着某种函数曲线变化 ,是比较复杂的类型。比如那些连续缓变型遥测参数,例如供电电压参数、压力参数、过载参数等。由于数据变化的连续性,前后时刻的数据间存在一定的相关性,对它们采用参数模型预测方法预测变化趋势。
3 知识库设计
3.1 实时监控典型遥测参数特性分析
遥测参数多,数据量巨大,分析遥测参数的特性和导弹故障之间的联系。构造故障判决条件。所谓条件,是某些参数状态如何、某种指令是否发出等;变化规律即数据如何变化。
①某些参数的变化是有规律的,如:动力系统压力、姿态角等,随着飞行的时间历程,在各个特征段,如点火、起飞等动作,而呈现较强的变化规律。对于不同型号的导弹,注意在各次任务中进行总结,从而熟练掌握其规律,积累故障判决的经验知识。
②许多参数的变化规律并不是一成不变的,通常随着条件的改变而发生变化。某些参数在一定的条件下是在一个固定的范围中变化,而当满足特定条件时,开始沿着某种曲线变化。故障判决就是判断典型的遥测参数在特定环境条件下是否满足其预期的变化规律,所以,首先要明确有哪些因素会影响到参数的变化。
通常,在判断一个参数时,安控数判人员主要考虑以下几方面的因素:当前参数值、历史数据、指令、状态、时间。这些因素中的一个或多个的组合,就构成了所谓的“条件”。它们中间的任何一个发生变化,都有可能导致相关参数的变化。其输入和输出关系可用以下形式来表示:结论=F(当前参数,历史数据,指令,状态,时间)。其中, 结论是系统对参数的判断结果,它显示各个关键的遥测参数是正确还是错误,从而判别导弹状态是否异常。
3.2 知识表示方法
知识获取一般包括两个方面:各结点的故障特征参数;故障推理规则,它包括精确推理规则,模糊故障推理规则。规则的知识表示方法根据参数特性不同,采用以下两种方法。
①基于产生式规则的知识表示方法,该方法遵循以下原则:知识表示采用基于规则的思想 ,规则的结论可以增加事实也可以执行某些操作;每个被监视的参数,都拥有属于自己的规则 ,监视时 ,仅搜索其对应的规则;规则之间相互独立 , 利用规则的优先级来控制规则的执行顺序;每条规则都具有一个固有的优先级 , 优先级的高低由一个整数代替 , 其数值由用户录入知识时指定。
②模糊规则的知识表示方法:由服从模糊逻辑规则的一系列“如果-则”规则所构造的:
R(l):如果x1为F
或R(l):如果x1为F
式中,F
3.2.1 规则知识的前提条件
规则知识的前提条件描述的是当前遥测参数或历史数据中相关参数的范围、相关指令是否发出、 相关飞行事件是否发生、 时间限制以及相关参数在一段时间内的变化趋势。其中,前4种模式的表示相对简单,具体做法是:用一系列代号表示每一条指令和每一种状态 ,每一个代号都是一个布尔变量,其值为真代表相应的指令已经发送或相应状态发生,反之为假。同理,当前遥测参数、 相关历史数据、时间也是变量。这样一来,各种影响参数变化规律的因素都统一起来,存放在系统的事实库中。当检查相关参数、 指令、 事件、 时间的状态时,只需要查看事实库中相应的变量值即可。因此,这4种模式的表示基本上可以“ 直译”为规则的前提。“相关参数在一段时间内的变化趋势”这种模式表示为规则就相对比较复杂,首先需要明确“一段时间”的起止点,并取出相应的历史数据,然后判断这些数据是否满足给定的趋势以决定是否执行相应规则的结论。
3.2.2 数据的变化规律
数据的变化规律主要可以归结为以下几种情况。
①固定范围:数的正确值在固定范围内 (即正确值的上下限)。
②跳变型:出参数值的跳变周期及跳变前后的两个上下限。
③动态变化型:类型的参数值的正确值范围随时间动态变化 ,需要给出各时间段及在该时间段内参数值的上下限。
④趋势变化型:趋势(上升或下降趋势)变化,用自适应的指数平滑方法,对趋势进行预测,通过预测误差来调整平滑参数,实现了从恒定参数到动态参数的转变,因而预测效果有了显著提高。
⑤曲线变化型:曲线变化时,用函数f(t)来计算特定时刻期望值 ,然后在规则中调用该函数。函数的调用是通过知识库中的函数库表来实现的。
⑥状态参数变化。
4 推理机
本系统中,推理机主要是用于参数判读和故障定位,是核心部分,系统采用VC++为开发语言,以SQL为后台数据库,采用正向推理机制,正向推理算法的主要思想是从问题所有可能的初始证据开始,利用多种策略和方式,通过匹配每条知识的前提识别出所有可用知识 ,形成一个可用知识集,然后以某种冲突消解方式在知识集中选取一条知识使用,这条知识的使用会得出新的事实。新的事实和原有事实又引起知识库中新的知识的匹配,从而继续问题的求解,直到求解达到某一状态。导弹异常判决推理流程如图3所示。
5 结束语
设计了导弹故障实时监控专家系统,对系统的组成、软件体系结构、知识分类及总结、 知识的表示及推理算法进行了深入论述。该系统的研制将为导弹数据实时监控及报警提供有力手段,使得判决结果具有一定的科学性和准确性,满足安控人员实施故障告警的实时性要求,克服人工判决过于依赖经验的缺点,具有一定的工程应用价值。
参考文献
[1]闫谦时,罗毓芳.航天器专家故障知识模型的建立和应用[J].飞行器测控学报,Aug.2009,28(4).
[2]傅京孙,蔡自新,徐光祐.人工智能及其应用[M].北京:清华大学出版社,1998.
[3]徐章遂,房立清,等.故障信息诊断原理及应用[M].国防工业出版社,2000.
系统异常 篇8
伴随着计算机的快速发展，出现了一些具有负面影响的产物，如病毒、入侵等。病毒和入侵的原理是利用系统或程序中的漏洞对计算机进行非法操作，其所产生的行为为异常行为。如果能够及时发现异常行为，就可以实现对计算机的实时保护。常用的反病毒技术包括特征码技术和虚拟机技术[1]。入侵检测是指从主机数据或网络数据中发现入侵行为的技术，入侵检测方法一般分为两大类:误用检测和异常检测[2]。误用检测通过建立攻击行为的特征库，采用特征匹配的方法确定攻击事件;异常检测通过对正常行为建模、以是否显著偏离正常模型为依据来判别入侵行为。
计算机系统依靠进程维持运行，进程通过函数调用来完成指定操作。1996年，美国新墨西哥大学的Forrest等人提出通过收集UNIX系统上进程执行生命周期所形成的轨迹，进而将其以固定窗口大小拆分为等长的系统调用序列进行分析匹配，最终对异常的序列产生报警的方法，开创了基于系统调用异常检测方法的先河[3]。受到人体免疫系统的启发，tide算法被Hofmeyr等人利用sequence time-delay embedding(stide)技术进行了扩展，在stide算法形成的数据库中增加每组序列的出现频率，测试序列与数据库中的序列进行比较，稀少序列和那些数据库中没有的序列被当作异常序列。
国内研究者吴瀛等[4]全面分析了已有的基于系统调用的入侵检测的理论与技术，归纳出基于系统调用的入侵检测主要有序列枚举法、统计学方法、基于机器学习的方法、基于数据挖掘的方法以及基于有限状态机的方法等，并指出进一步提高检测性能、降低误报率、解决与实用化相关的多平台、轻量化、安全技术综合集成与标准化等问题，将成为该领域近期主要的研究方向。贺喜等[5]引进文本挖掘模型构建入侵检测分类算法，将系统调用短序列视为word，利用文本挖掘模型提取进程系统调用序列的主题特征，并结合系统调用频率特征，运用K最邻近节点k NN(k-Nearest Neighbor)分类算法进行异常检测。
然而，单纯依据序列或系统调用频率并不能完整地表示进程的行为，静态数据不能完整地描述行为特征。针对上述问题，本文提出从研究系统调用的先后顺序出发，以系统调用之间的稳定性作为重要的特征，抽取系统调用的先后顺序并转化为特征向量，利用机器学习算法对向量集合进行训练，建立系统调用异常检测模型，实现对进程行为的实时、智能检测。
1 系统模型
为使系统具有更强的推广性及适用性，我们选用高市场占有率的Windows作为研究平台。在Windows系统中，系统调用被称作应用编程接口API，应用程序通过调用API执行应用程序命令。
1.1 相关技术
(1)Windows平台API挂钩监视技术
一般情况下，在Windows平台下应用挂钩技术获取进程所调用的API，常见技术包括克隆DLL、导入地址表补丁、简易调试器。
本研究采用微软公司发布的开源包Detours作为API钩子的核心。Detours是用来拦截x86、x64、ARM和IA64机器上二进制函数库，其可像调试设备一样用于拦截程序内的系统API调用，拦截代码在进程运行时动态注入。Detours用无条件跳转指令替换了目标函数最初的几条指令，使其可以运行用户提供的Detour函数;而目标函数的原始指令被保存在跳板函数中。当程序执行到目标函数时，控制权将直接跳转到用户提供的拦截函数。拦截函数可以将控制权返回原函数，也可以调用不会中断目标函数的跳板函数;当目标函数执行完毕，控制权返回到拦截函数。拦截函数执行适当的后处理并将控制权返回原函数。
(2)机器学习算法
机器学习[6,7,8]是从训练集学习规则集的过程，应用有监督的机器学习方法解决实际问题的过程如图1所示。
本研究主要应用以下5种机器学习算法实施系统调用的分类建模与异常检测，算法包括支持向量机、K最邻近节点、人工神经网络、决策树、以及朴素贝叶斯网络等。支持向量机SVM对于离群点具备极强的鲁棒性，算法将输入向量映射到更高维度的特征空间、计算最优分类超平面。K最邻近节点(k NN)是用来分类样本的最简单且古老的非参数技术之一，算法不包含模型训练阶段，被称作基于样本的学习。算法计算空间中不同输入向量形成的点的近似距离，把未标记的点归为离它最邻近的k个点所属的一类中去，其中，k是一个重要的参数，不同的k值会产生不同的效果。多层感知结构的神经网络广泛应用在模式识别问题中，一般用后向传播学习算法训练多层感知网络，算法根据分类错误最小、分类效率最高等条件调整节点间的权值，建立分类模型。决策树分类算法将样本集的所有属性分配到树中各个节点上，通过属性计算出每个分支的值，分类是样本从根节点传递到合适的叶节点的过程，每个叶节点表示为一类。朴素贝叶斯的结构通常表示为一个有向无环图，在这个有向无环图中，每个节点表示一个系统变量，每个连接表示为每个节点对于其它节点的影响，朴素贝叶斯网络能够对已知系统调用序列确定其归属类型的可能性提供答案。
1.2 实时智能检测系统
(1)系统架构及其优势
本研究设计利用Web Service技术实现系统调用异常检测系统，系统架构如图2所示。
系统中主要包括API监视模块、属性计算模块、机器学习模块。为了利用最少的参数获取最大限度的特征，选用API名称及运行时间作为拦截目标。API监视模块通过调用Detours库，实现对API的拦截，经过缓存、输出给属性计算模块。属性计算模块计算属性向量，通过Web Service将其传入机器学习分类模块。系统中采用新西兰怀卡托大学开发的数据挖掘软件Weka所提供的机器学习分类算法作为机器学习分类器[9]，系统通过调用可进行多分类的Lib SVM包实现SVM分类算法、调用IBK包实现k NN分类算法、调用MultilayerPerceptron包实现神经网络分类算法、调用J48包实现决策树分类算法、调用Naive Bayes包实现朴素贝叶斯网络分类算法。
本文根据属性提取算法实时计算属性值，在进程运行的同时不断向机器学习分类模块输入数据，实时跟踪进程的行为，实现实时异常系统调用的智能检测系统。系统采用Java构建Web Service，监视端调用该服务，传输预测向量;Web Service调用分类模块实施分类、并将结果返回监视端。分类模块实现API调用特征向量的计算。监视端与分类端利用Web Service实现异构平台间调用，从而实现进程异常行为检测。同时，本系统中Web Service传输的数据量仅为一条特征向量，不影响程序及网络本身的运行效率。
(2)系统流程
本文设计的基于API序列异常检测算法的实时智能检测系统，不仅能够对已收集的数据进行分析预测，还可对实时运行的进程行为实施检测。系统流程如图3所示。
系统首先选择一个待检测进程，然后将DLL注入到该进程所在内存空间中，拦截该进程运行时所调用API的相关信息。成功获取到API序列后，进行矩阵计算得到向量属性值，生成相应的训练集和测试向量，最终得出判断模型和预测结果。
2 特征向量提取方法
由不断变化的API调用所导致的进程行为的不断变化是一个强调顺序的过程，单纯依据序列并不能完整地表示进程的行为，这与一般的分类问题有很大区别[10]。例如在葡萄酒分类问题中，只需提供酒的颜色、酒精度、产地等属性，就可以得到葡萄酒所具有的特征。然而进程的行为是一个持续的过程，其中包含了时间和顺序的因素，所以单纯依据序列不能很好地描述该类行为的特征。
针对上述问题，本文提出从研究系统调用的先后顺序出发，以时间作为重要的特征指标，把系统调用的先后顺序表示出来，并转化为向量，最终调用机器学习算法对特征向量进行学习并建立模型，实现对进程行为的实时检测。
下面首先给出特征向量提取方法中的有关定义，然后描述具体的特征向量提取方法。
定义1 n代表所监视的API数量。
定义2 Ai(1≤i≤n)代表所监视的n个API之一。
定义3 Seqij=(Ai,Aj)(1≤i,j≤n)代表相邻两个API调用序列。
定义4 Countij(1≤i,j≤n)代表Seqij的出现次数。
定义5 Sum代表所有Countij总和:
定义6 Fij(1≤i,j≤n)代表Seqij的出现频率:
定义7 Timei代表Ai(1≤i≤n)的调用时间。
定义8 Intij=Timej-Timei(1≤i,j≤n)代表间Seqij的时间差。
定义9 Dij代表Intij(1≤i,j≤n)的方差:
将Fij和Dij作为所需的属性分别存储到两个矩阵———API关联矩阵和API时间方差矩阵中，矩阵结构如表1和表2所示。
为获取机器学习分类模块的输入数据，将API关联矩阵和API时间方差矩阵转换为n×n×2维向量。
定义10 V代表矩阵转换后的向量:
过程1特征向量提取过程
1)选取所监视的API
进程在运行时将调用大量不同种类的API，通过将API按出现频率进行排序，得出排在前面的几个，这几个API是表示进程特征的最主要因素，选取其作为所监视的API。
2)计算API的特征向量
利用API调用序列中两个相邻API的出现频率和相邻API出现间隔时间的方差作为属性特征进行计算。针对所监视的API，计算其API关联矩阵和API时间方差矩阵，并转换为特征向量V。
该方法有如下优点。特征描述准，可以准确表示API间的调用顺序以及API间调用的稳定性;排除无关项，通过统计得出API调用频率，选取最能表示进程运行特征的API;抗扰能力强，只针对特定API，可以防止进程加花指令，并且无视进程加壳;应用范围广，加入每秒调用API次数后，可对DDo S攻击或端口扫描攻击进行报警;高效省资源，系统资源占用小，可以控制计算时间间隔，对进程的运行不造成影响。
3 实验及结果分析
本实验分为静态数据测试和实时环境测试两种模式:静态数据测试指事先收集好数据并计算特征向量，用机器学习算法进行训练和测试，得出准确率;实时环境测试指实时对运行中的进程进行监控，经过一定时间间隔根据收集的API序列进行计算，得出的特征向量经过Web Service传入机器学习算法，输出分类结果。前者主要测试属性能否反应进程行为的特征和一些相关参数对分类结果的影响;后者主要测试算法能否在真实环境下顺利运行，以及对系统资源的使用情况。
实验选用的监视进程分别是mp3tag.exe、itools.exe和weibo.exe，根据进程产生的API计算特征向量，并设立了正常和异常类别，利用上述5种机器学习算法对特征向量进行训练和预测，测试时样本被分为6类中的一类。
3.1 静态数据测试
静态数据测试是按照事先定义好的正常与异常的模式操作程序，产生正常API序列和异常API序列，分别计算其属性向量，利用得到的向量生产训练模型。静态数据测试主要用来选取恰当的API序列时间间隔、所拦截API数量以及训练样本规模的大小。
静态测试无需调用Web Service，将正常行为和异常行为组成的特征向量直接输入到Weka包的分类算法进行模型的训练与准确率测试。
(1)序列截取间隔时间
系统首先收集API调用序列，进而对序列进行计算。序列过短会导致属性值不稳定，序列过长会导致计算代价增加。本文采用定时截取序列的方法，选取了1、2和4 s三种区间进行测试。分别将定时截取的序列经过属性计算得出的向量组成数据集，划分一定比例作为训练集，其余作为测试集。测试结果如表3所示。
由表3可知，三种不同时间间隔对分类准确率影响不大。考虑到1 s的间隔占用系统资源较大，4 s有些长、不能捕获一些简短的行为，所以我们选用2 s作为序列截取间隔进行接下来的实验。
(2)拦截API数量
本实验分别选取上述3个进程调用频率最高的n个API进行测试，n分别为6、9、11。选用时间间隔为2 s计算得出的数据集进行测试，每个数据集都包含120条样本，其中80条用于训练，40条用于测试。测试结果如表4所示。
由表4可知，随着被监视API数量的增加，准确率也逐步提升。除了神经网络算法所需训练时间较长外，其它算法训练时间均可忽略不计。但考虑到每增加3个API，向量体积都增大一倍左右，其带来的准确率增长率相对很小;并且，训练集和测试集均为随机选取，也会导致准确率的误差。因此，我们选取监视API数量为9进行接下来的实验。
(3)训练样本数量
样本数量过低会导致欠学习;太多又会导致过学习。本实验希望在最大化分类准确率的情况下寻找最少的训练样本。通过之前收集的数据集，用30%、50%和70%三种比例对其进行训练集与测试集的划分。本实验数据集一共有180条样本，根据上述比例进行训练测试，测试结果如表5所示。
由表5可知，当训练集所占数据集的比例为70%时，准确率基本都达到最大。但是，随着训练集的增大，测试集的数量相对减少，这样在一定程度上会使训练集较大的实验所得数据虚高。也就是说，三种不同比例的训练集的训练结果相差不大。可在样本数量较小的情况下(每类9个)获得理想的分类结果。
在以上3个实验中，只有支持向量机算法的分类结果很不理想。对此，本研究针对该算法进行了参数的选取优化，通过对SVM算法中重要的两个参数，惩罚系数和径向基核函数参数，进行10折交叉验证选取，以获得最优的分类结果。测试结果如图4所示。
由图4可知，随着C和γ值的增加，准确率也随之上升。C越高，说明越不能容忍出现误差。C过大或过小，泛化能力都将变差。γ隐含地决定了数据映射到新的特征空间后的分布，γ越大，支持向量越少，γ越小，支持向量越多。支持向量的个数影响训练与预测的速度。图中，当C=60时，基本达到了最大分类准确率，除了γ=0.001的情况。相比默认参数C=1和γ=0.0083，经过优化后的参数具有更强的容错率和支持向量数，所以具有更高的准确率。
以上针对静态数据各项实验的结果表明:利用API序列中的顺序与时间信息描述进程行为是可行的。实验中的5类机器学习算法，包括参数优化后支持向量机，其准确率均达到95%以上。结果表明针对顺序和时间的特征提取算法能够准确地描述进程的行为，在保证准确率的前提下，训练样本规模和训练生成的模型体积都很小，除了神经网络算法所需训练时间较长外，其他算法的训练和检测时间均可忽略不计。
3.2 真实环境测试
(1)资源占用测试
真实环境是指用户实时对程序进行操作，系统选取与静态数据测试相同的监视进程，不断收集指定的API调用，每隔一定时间计算一次属性向量，通过Web Service传入机器学习算法，利用上一节中训练好的模型完成预测。真实环境测试结果的分类准确率与静态数据测试的结果基本相同。因此，这里主要讨论针对系统资源占用的测试，此项监视进程选用weibo.exe，空闲时为每秒产生1000左右的系统调用，操作时每秒产生10 000个左右的系统调用，分别选用不同时间间隔和API数量对CPU使用情况进行了测试，测试结果如图5所示。
由图5可知，空闲时系统CPU占用率为0%～2%，时间间隔越短平均值越高;有操作时CPU占用率会比较高，为20%～35%左右，这与程序本身所占CPU资源大体相同。并且随着间隔时间增加，每计算一次属性所需的资源就越高，不过平均值会下降。目前来看与API数量关系不大。
在实时检测过程中，对系统资源的占用率随程序单位时间调用API数量增加而增加。最多情况下占用系统资源接近40%，与程序本身占用CPU资源比例大体相同。这是因为选取的API是进程本身调用最频繁的n个API，与进程的活跃程度成正比。不过一般程序的正常运行不会受到影响，比如上网浏览网页或听音乐，其取决于程序本身对CPU资源的占用程度。
(2)用户击键特征识别
本文利用时间属性、针对用户击键特征设计了用户击键特征识别实验。实验内容为捕获用户击键时产生的键盘API调用序列，提取特征向量，训练模型，进而实现不同用户击键的分类。虽然不同用户击键API调用的数量可能相同，但其击键习惯不同，在相邻API调用间产生的方差就不同，文献[10]给出了击键特征提取原理的详细描述。例如，A和B同时在2秒内输入“123456”，这样仅凭API调用的频率无法判断A和B的区别。如果加入时间属性，A和B的输入习惯如果不同，就能够利用API调用间不同的方差将A和B区分开。实验结果显示利用时间特征的识别准确率高于单纯依据序列调用的识别准确率，表明在用户击键特征识别方面时间特征的有效性。
4 结语
为了更加完整地描述系统调用行为特征，准确地实施系统调用异常行为检测，本文提出了以系统调用的先后顺序以及系统调用之间的稳定性作为重要特征、利用机器学习算法对特征向量集合进行训练、从而建立系统调用异常检测模型。本文通过获取Windows平台下进程运行时产生的API序列，计算其特征向量，将向量传入机器学习算法，得到对指定进程的分类结果。该方法不仅可以调用各种不同的机器学习算法、实时对不同进程做出分类，还可对不同进程间不同的特征值做出解释。由于使用了Web Service技术，该方案不仅可对本机的进程进行分类，还可将API监视模块和属性计算模块部署到其它计算机上，通过Web Service将向量传输到机器学习算法模块所在的服务端，分类后再将结果返回到客户端。由于传输的数据量仅为一条向量，所以不会对带宽造成影响，也不影响程序本身的运行效率。
实验结果表明本文提出的系统调用异常检测方法具有特征描述准、排除无关项、抗扰能力强、应用范围广和高效省资源等优点。
参考文献
[1]李华,刘智,覃征,等.基于行为分析和特征码的恶意代码检测技术[J].计算机应用研究,2011,28(3):1127-1129.
[2]Denning D E.An Intrusion-detection Model[J].IEEE Transactions on Software Engineering,1987,13(2):222-232.
[3]Forrest S,Hofmeyr S A,Somayaji A,et al.A Sense of Self for Unix Processes[C]//Proceedings of the 1996 IEEE Symposium on Research in Securityand Privacy,Los Alamitos,CA:IEEE Computer Society Press,1996:120-128.
[4]吴瀛,江建慧,张蕊.基于系统调用的入侵检测研究进展[J].计算机科学,2011,38(1):20-25.
[5]贺喜,蒋建春,丁丽萍,等.基于LDA模型的主机异常检测方法[J].计算机应用与软件,2012,29(8):1-4.
[6]屈鹏,王惠临.专利文本分类的基础问题研究[J].现代图书情报技术,2013,29(3):38-44.
[7]杜隆胤.基于万有引力定律的分类方法研究[J].计算机应用与软件,2013,30(2):205-207.
[8]付忠良.通用集成学习算法的构造[J].计算机研究与发展,2013,50(4):861-872.
[9]Hall M,Frank E,Holmes G,et al.The Weka Data Mining Software:An Update[J].SIGKDD Explorations,2009,11(1):10-18.
液压系统压力异常的快速诊断 篇9
1. 压力过低
(1)根本无压力
这说明系统中动力元件未提供压力油,应检查液压泵与油箱之间的所有零部件。首先检查油箱中液压油是否充足,滤油器和输油管是否堵塞,再拆开液压泵出油口接头,查看是否能够输出液压油。如无油输出,则是液压泵安装或连接故障,可能是液压泵转向不对或进、出油口接反。
(2)压力低于正常值
此时应检查溢流阀,观察压力表读数变化,判断故障点。如果调整溢流阀时,压力没有变化,说明故障在溢流阀。原因可能是:溢流阀的阀芯与阀座密封不良;阀座与座孔的密封件损坏;调压弹簧疲劳断裂;阀芯或其辅助球阀(或锥阀)卡滞在开口位置。
如果主阀芯上的阻尼孔堵塞,液压油不能传递到主阀上腔和先导阀前腔,先导阀就失去了对主阀压力的调节作用,使主阀成为一个直动式溢流阀。此时主阀芯打开溢流,系统便不能建立起压力。
如果液压泵输出流量显著减少,且压力达不到额定值,则可能液压泵有故障。此时应检查泵内零件是否损坏、卡滞,密封件、轴承是否损坏,各结合面是否密封不严。
若液压泵内零件配合间隙超出技术规定,也会引起压力脉动使压力下降。即使是新液压泵有时也存在泵体铸造缩孔或砂眼,使吸油腔与压油腔串通,导致泵的输油压力达不到工作压力。
此外,压力油管路中的控制阀由于污物堵塞等原因卡滞、控制阀有严重泄漏或管接头松脱以及液压缸内漏等,都会造成油压低于正常值。
2. 压力过高
系统异常 篇10
目前, 随着国家电网“智能电网”项目如火如荼的建设[1, 2, 3, 4, 5], 作为智能电网一部分的智能电力计量设备被广泛的安装在城乡企业与居民家庭中。作为企业与居民家庭电力计量与结算的主要设备依据, 智能电力计量设备的用电指数通过采集终端 (专变终端或集中器) 上传到网省电力公司的用电信息采集系统, 用电采集系统归并分析数据后上传抄读数据给营销系统进行用户用电费用结算。由于用电设备指数到用电结算需经过采集器、采集终端 (专变终端或集中器) 、网省公司“电力用户用电信息采集系统”、营销系统等过程, 为进一步验证数据的一致性与准确性, 需通过其他技术手段监控检测数据的准确性与一致性。其中主要问题包括:
高压专变客户表计采用用电信息采集系统采集智能表表计指数信息, 在智能表芯片指数与显示屏指数不一致的情况下, 很容易造成高压用户智能表指数信息错误采集, 或者没有错误采集也容易形成与用户的纠纷。
目前用电领域的远程采集、监控主要由用电信息采集主站系统、远程通道 (230MHz、GPRS/CDMA、光纤) 、专变终端、智能电能表构成;采集相关产品技术研发基于统一规范, 用电信息采集主站系统建设由国家电网公司统一组织, 对高压用户用电信息监控完全基于采集主站获取远程数据后的智能诊断分析, 当采集的数据本身出现故障情况下, 无法定位故障原因, 需要现场排查故障, 而现场故障排查的时效性得不到保障, 需要研究远程照片获取技术, 解决现场故障取证, 保证故障分析时效。
2 用电采集现场异常处置系统
通过用电信息采集现场异常处置策略研究, 创新异常监测技术, 设计现场异常检测工具, 构建用电信息采集现场异常处置系统, 从而便于用电信息采集现场问题的系统化解决, 系统设计如下:
2.1 系统设计原则
适用性:适应不同层次用户监控需要, 按照“统一标准、统一应用、统一架构”的原则进行用电信息采集现场异常处置策略研究。标准化:系统架构设计各部分内容, 符合相关国际标准、国家标准、行业标准及国家电网公司相关技术规范和要求。统一性:总体架构、业务架构、数据架构、技术架构、物理架构设计上相辅相成, 保证系统架构的高度统一。可靠性:为数据库、主机、应用部署、网络等关键环节配备多种高可用性方案, 保障运营管理系统的7×24h不间断、可靠运行。投资保护:充分考虑产品应用集成对现有软硬件设备和网络设施等的利用, 继承有价值的软硬件资源和数据资源, 避免资源的浪费。
2.2 系统简介
用电信息采集现场异常处置策略研究在基础研究 (拍照单元、条码检测单元、主站监控及异常管理) 之上进行集成应用, 具体如图1所示。
2.3 智能电表照片自动获取装置子系统
智能电表分时段指数照片的自动获取装置主要针对高压专变计量终端或者智能电表计量异常进行抽样检测, 具体就是在发起异常检测任务时, 通过获取被检测终端的实时芯片电能量指数 (通过用电信息采集系统或装置的红外通讯口实现) , 同时发起对被检测终端的分时段指数照片的自动获取任务, 然后人工 (远期目前实现自动化) 方式比对两种方式获取的电表指数的一致性, 从而确定被检测终端的计量有无异常。
工作原理: (1) 监控主站下发远程监控拍照及抄读指令给GPRS终端设备; (2) GPRS终端设备接收指令后驱动红外模块点亮智能电能表显示屏; (3) 智能电能表显示屏点亮后通过红外模块读取当前显示屏指数; (4) 同时驱动摄像头抓拍智能电能表显示屏照片通过GPRS终端回传监控主站; (5) 回传红外抄读指数给监控主站, 监控主站通过信息进行数据比对分析。
远程拍照传输设备 (拍照与红外读取设备集成效果) , 如图2。
2.4 智能电表的封签自动检测匹配
智能电表的封签与表计资产自动检测匹配工具主要针对居民及一般工商业单三相电能表或专变客户电能表, 该工具获取电表地址、条码、封签信息, 远程实时并与服务器通信比对, 判断是否存在异常。该工具可以广泛应用于表计封签的现场检测, 既可以为封签信息化管理提供技术保障, 同时也可以用于反窃电等专业工作。
2.5 监控服务器软件
监控中心软件主要负责接收智能电表分时段指数照片的自动获取装置的配置, 拍照系统拍摄的图片信息处理、信息的交互、产生的数据分析, 并保存设备的明细信息与数据内容, 并提供数据的直观展示;以及提供智能电表的封签与表计资产自动检测匹配工具比对服务等。
2.6 用电信息采集协作
用电信息采集系统提供接口, 以便监控中心软件通过用电信息采集透抄电能表的表内数据, 以便于系统进一步功能完善;同时, 监控中心软件提供异常数据接口、报表数据接口、异常图片接口等, 便于进行展示, 以及统计、分析和管理。
2.7 异常信息管理
通过图像获取装置和铅封条码检测装置采集异常信息, 并对异常信息进行分类处理;可提供用电信息采集接口以支持历史数据统计、异常查询、报表查询等;提供异常处理记录, 异常出现频度、处理跟踪等。
3 创新点分析
用电信息采集现场异常处置策略研究, 目前形成1篇发明专利, 2篇实用新型专利 (见参考文献[1~3]) 。本研究的关键创新点是智能电表照片的远程自动获取和计量设备铅封的现场与主站的实时比对, 具体如下:
3.1 智能电表的照片获取
本课题主要研究在用电信息采集现场, 通过远程自动拍照设备, 拍摄智能电能表的外观显示, 判别电能表指数或外观与实际数据不一致的情况;通过集成摄像模块、红外模块、GPRS无线通讯模块, 该设备在接收到GPRS无线信号后, 红外设备读取智能电表的地址信息, 并点亮智能电表的显示屏幕, 摄像模块启动, 拍摄电表的显示屏幕, 读取的电表地址及拍摄后的图片转换为数据流, 通过GPRS无线模块发送到监控服务系统, 监控服务系统处理数据流, 生成图片, 并与监控服务系统的档案信息比对关联, 展示拍摄的图片, 供用户分析、查看;达到判别用电信息采集现场是否存在异常目的。
3.2 铅封条码的现场比对
本装置工具, 可满足在用电信息采集现场判别智能电表的铅封信息、条码信息是否更改, 同时通过该技术系统, 可对用电检查人员工作开展进行精确跟踪和考核;本工具集成安装RFID读取模块、红外模块、条码扫描模块的掌机系统, 现场读取智能电表设备的铅封信息、条码信息、电表地址, 并通过GPRS无线功能与远端的服务软件进行信息比对, 判断智能电表是否已被更改、是否存在偷窃电情况。
4 总结与展望
在淮南供电公司实地安装1套“智能电表分时段指数照片的自动获取系统”及1套“智能电表的封签与表计资产自动检测匹配工具”, 并部署了“监控服务与异常管理系统”。系统提供了随机图片的获取、任务图片的获取, 智能电表的铅封信息比对、条码比对;软件系统提供异常信息的查询, 异常数据的图形化展示, 异常数据的导入导出等, 可满足现场的运行要求, 对设备的条码检测方便快捷, 智能电表的图片展示简单明了。
4.1 效益分析
(1) 对用电信息采集现场的异常状况, 无需人员去现场对异常状况分析, 可直接在监控服务中心软件端对远端的电能表的图片实时获取, 并分析异常的产生等。 (2) 与用电信息采集系统协作, 可直接在用电信息采集系统中对异常设备进行分析、处理、跟踪等;节省了大量的人力、物力以及车辆的运行费用等。 (3) 当电能表产生异常时, 使用用电信息采集协作功能可实时通知营销系统, 以免经济造成损失。而且可实时监控电能表的运行状况, 防止偷窃电的发生。减少偷窃电、用户对电表的私自改造对电路造成的不稳定的发生, 以及用电安全的监控。 (4) 有效检测电能表的异常状况、监控电能表的运行, 防止因电能表故障造成客户损失或电力公司的经济损失;并且对用电现场的异常处理将更加透明化, 可回溯化, 减少客户投诉等;将大大节省在用电信息采集现场异常处理人员的人力、物力、财力。
4.2 下一步工作展望
系统的拍照成功率需要进一步提高、数据处理能力需要加强;需要进一步提高铅封、条码读取工具的条码、铅封读取能力;系统的技术保障还不够强大功, 异常分析系统需进一步完善。
摘要：针对用电采集系统在应用过程中智能表需要人工现场勘查校验、表计封签管理困难等问题, 本文基于用电信息采集现场异常处置研究, 研制了用电信息采集现场异常处置系统, 实现了智能表计远程自动拍照校验、表计封签现场自动获取比对等核心功能, 实现了对智能表的远程图像识别勘查和表计封签的自动化管理, 提高了采集系统应用水平。
关键词：用电信息采集,现场异常,电表拍照,封签比对
参考文献
[1]夏泽举, 陈鑫, 唐旭明.《智能电表分时段指数照片的自动获取装置》获国家发明专利, 申请时间为:2012年5月9日;授权时间为:2014年6月4日;专利授权号为:ZL201210142538.7
[2]夏泽举, 刘忠, 黄少坤, 卢彦.《电力采集与计量设备的图像采集电路》获国家实用新型专利, 申请时间为:2013.11.21;授权时间为:2014年4月9日;专利授权号:ZL201320744942.1
[3]夏泽举, 陈鑫, 唐旭明.《智能电表分时段指数照片的自动获取装置》获国家实用新型专利, 申请时间为:2012年5月9日;授权时间为:2013年3月13日;专利授权号为:ZL201220207011.3.
[4]黄美华, 金自成.企业档案馆的节能改造实践.电力需求侧管理, 2013 (2) :19~21.
系统异常 篇11
【关键词】系统性；红白狼疮；血液学异常；临床特点
【中图分类号】R4 【文献标识码】B 【文章编号】1671-8801（2015）04-0070-01
系统性红斑狼疮是一种原因不明的炎症性自身免疫性疾病，首发症状十分复杂，诊断非常难，经常会被误诊成一些血液系统疾病，为了使其误诊和误治的情况得到减少，本文针对62例系统性红斑狼疮患者资料进行回顾性分析，了解血液系统受累的主要临床特点，从而更好的为临床诊断与治疗提供科学依据。
1、资料与方法
1.1一般资料
选择我院在2014年1月～2015年6月收治的62例患者，共有7例男性，55例女性，患者年龄在10～72岁不等，平均年龄为37岁，病程从7天到21年不等，平均病程15个月。在治疗过程中共有5例患者死亡，其中有2例患者死于严重感染，1例患者死于因为血小板极度减少而出现的脑出血。
1.2诊断标准[1]
初诊均与美国风湿病协会在1982年修订的诊断标准相符合，并经过抗核抗体、抗中性粒细胞包浆抗体等测定确诊为系统性红斑狼疮。排除皮肌炎、系统性硬化症、癫痫病以及精神病等疾病。并结合系统性红斑狼疮疾病活动指数（SLEDAI）进行评分，62例患者均处于活动期。血液学检验指标重点包括红细胞计数（RBC）、白细胞计数（WBC）、血红蛋白（Hb）、血小板计数（Plt）等。并进行了骨髓铁染色、穿刺细胞学检查以及抗人球蛋白试验等多项测定和检查。
1.3观察指标
首发症状、体征、入院诊断标准、免疫球蛋白、血常规、骨髓细胞形态学检查等。
1.4统计学分析
本文数据均经过SPSS11.0统计学软件对统计结果进行分析，组间比较采用t检验以及卡方检验。
2、结果
2.1首发症状和体征
在62例患者中，首发症状为血液学异常的共有18例（29.0%），其中有贫血症状7例，白细胞减少3例，出血症状8例，首发症状为SLE原发病的共有44例（71.0%）。
2.2血常规检查结果
在62例患者中，血液学异常的共有39例（62.9%），其中男性仅为1例，女性38例，男女比例为1：39。
2.3骨髓细胞学检查及结果
针对39例血液学异常患者中的26例患者进行了骨髓细胞学检查，用核细胞与成熟细胞比例对骨髓增生程度进行划分，其中0例骨髓增生极度活跃，0例增生明显活跃，22例增生活跃（56.4%），2例增生明显减低（5.1%），显示本组病例骨髓细胞增生活跃度主要为增生活跃。
2.4免疫学指标
免疫球蛋白、补体水平比较：62例患者均在治疗之前进行补体C3、C4检查和免疫球蛋白的IgG、IgA、IgM检查。虽然结果显示在活动期SLE具有免疫球蛋白增高及补体降低等现象，但是SLE血液学存在异常与SLE无血液学异常病例之间比较，差异无统计学意义，P>0.05（详细情况见表1）。
表1SLE患者血清免疫球蛋白 补体水平检查结果比较（ ± ）
组别例数C3C4IgGIgAIgM
有血液学异常390.51±0.310.14±0.0524±63.8±1.42.2±1.1
无血液学异常230.72±0.290.14±0.0725±113.8±1.52.3±1.1
t 2.640.010.460.000.35
P >0.05>0.05>0.05>0.05>0.05
2.5治疗
针对存在血液学异常患者采用糖皮质素进行治疗，个别病例给予丙种球蛋白冲击疗法，用维生素B12、叶酸辅助治疗，铁剂治疗1～4周，利用重复测量前后对照的方法对结果进行统计（具体情况见表2）。
表2有血液学异常患者治疗前后比较（ ± ）
项目血红蛋白26例（g/L）白细胞19例（ 109/L）
血小板27例（ 109/L）
治疗前88±163.2±0.748±28
治疗后96±226.7±3.198±46
t1.656.805.33
P<0.05<0.05<0.05
3、讨论
本组SLE患者中共有29.0%发生了血液系统改变，部分首发症状为血液异常，本次研究发现首发症状为血液异常的患者共占有62.9%，且免疫球蛋白、补体水平比较：在活动期SLE具有免疫球蛋白增高及补体降低等现象，SLE血液学存在异常与SLE无血液学异常病例之间比较，差异无统计学意义。
SLE的血液学异常的主要表现是血小板减少和贫血，SLE骨髓增生程度以增生活跃为主，本组病例研究中，在62例患者中，血液学异常的共有39例（62.9%），其中男性仅为1例，女性38例，男女比例为1：39。血小板减少是SLE患者的常见血液学异常改变，同时也是威胁患者生命的重要因素之一，本组血液学异常39例患者中共有55%的患者存在血小板减少的情况，与文献[1]相符。
合理正确使用糖皮质素的治疗效果良好，本组患者经过1～4周激素治疗之后获得了良好的效果，少数患者因为年齡小、病情严重等因素的影响，加用大剂量免疫球蛋白冲击、维生素B12等治疗，获得了良好的治疗效果。可见，免疫抑制剂和激素不仅不会对骨髓生长进行抑制，反而可以起到提高血细胞数量的作用。
参考文献：
[1]陈嘉林，黄晓明，曾学军，王玉，周明晓，马亚辉，李蓉生，沈悌. 系统性红斑狼疮患者血液学异常的特点及其临床意义[J]. 中华医学杂志，2007，25（19）：1330-1333.
系统异常 篇12
显德汪矿历年瓦斯鉴定均为低瓦斯矿井, 矿井绝对瓦斯涌出量最小为1.34m3/min, 最大为14.86m3/min;相对瓦斯涌出量最小0.85m3/t, 最大7.26m3/t, 随着开采深度的增加, 矿井绝对瓦斯涌出量总体显示不均衡逐年增大趋势。鉴定结果虽为低瓦斯矿井, 但是矿井存在瓦斯异常区, 尤其是2#煤层局部表现瓦斯异常。
1923采煤面位于九采区中部, 其北部为1921工作面采空区, 东至1923边眼, 西为小煤窑破坏区, 南为设计1925工作面。1923面走向长1270m～1320m, 倾向长135m。煤厚0.1m～3.2m, 平均1.8m, 煤层倾角3°～16°, 平均6°。工作面煤层呈黑色, 落煤成粉末状或碎快状。工作面处于栾卸向斜与显德汪向斜的复合部, 该地段发育一次级小背斜且断裂构造发育, 断层走向近南北向, 倾向近西, 断层延长度较短, 尖灭快, 发育密集。工作面煤层伪顶为砂质泥岩, 直接顶为粉砂岩, 老顶为中细粒砂岩, 直接底为砂质泥岩或粉砂岩, 老底粉细砂岩互层。
1923采煤面于2007年10月开始回采, 采用后退式U型通风方式, 工作面下行通风, 回采初期风量780m3/min, 回风流中瓦斯浓度 (0.6%～0.8) %。随着工作面推进, 瓦斯涌出量逐渐增大, 最大涌出量达10.12m3/min, 生产期间回风流中瓦斯浓度达0.8%～1.1%, 造成工作面断电频繁, 影响安全生产和稳产。
2 通风系统调整方案及效果
1923工作面原配备风量780m3/min, 为提高工作面风量做调整方案及实施效果如下。
2.1 九轨道系统风量调整
(1) 1921面支架撤完后, 原临时设施密闭的回风路线走风达400m3/min以上, 虽然后来通过对采空区进行永久性封闭, 共构建4道密闭墙, 1道调节墙, 减少漏风200m3/min, 但发现系密闭墙 (砖砂灰材料) 漏风高达200m3/min左右, 经过采用化学浆喷涂, 达到基本不漏风的效果。
(2) 1913沿空留巷使用消耗九轨道风量, 通过调整, 将1913沿空留巷改用2712泄水巷 (无人施工地点) 的回风, 制定专项安全措施, 从而减少从九轨道用风200m3/min以上;
(3) 九采回风巷贯通九轨道, 形成九采区两路进风, 大大增加进风断面, 减少了通风阻力。
2.2 外围通风系统风量调整
(1) 1195两巷贯通, 形成了正规的准备工作面通风系统, 因巷道断面大, 工作面走风达800m3/min, 通过在1195运煤巷构筑2道永久性调节风门, 准备面风量控制在300m3/min, 减少富裕风量500m3/min;
(2) 对二采东翼1215准备面, 使用风量达400m3/min以上, 通过构建2道通风设施, 减少用风200m3/min以上。
2.3 巷道断面调整减少通风阻力
通过积极查找确定回风路线中造成巷道通风阻力大、风速超标的区段, 分别对工作面进、回风路线中巷道断面过小的巷道进行扩巷减阻;对九采区运输下山、1923边眼、六采运输上山等风速超标区段进行了扩卧;对一采九煤运输上山风速超标区段进行了扩卧, 降低了矿井通风阻力。
2.4 系统风量及效果影响
通过以上工作, 使得1923工作面的有效风量由回采初期调风前的780m3/min增至调风后的1424m3/min, 创我矿建矿以来综采工作面配风最高纪录, 工作面回风瓦斯由平时的0.8%～1.1%, 减少到现在的0.5%～0.8%, 为工作面安全产煤创造了有利条件, 奠定了坚实的基础。
3 结语
(1) 增加综采工作面的有效风量途径。
对系统中各处进行风量控制, 采取必要措施, 改临时设施为永久设施, 永久设施通过采取措施减少漏风, 可以有效改变通风状况, 增加综采工作面的有效风量。
减少不必要的风量使用, 按照《规程》规定的范围, 采取合理的串联通风措施, 优化通风系统, 减少风量消耗。
增加通风断面, 由于巷道变形快, 断面小为主要通风阻力原因, 围绕工作面进风、回风巷道等回风路线地点进行扩卧, 通过增加断面, 可以有效地改变通风效果, 同时也避免风速超限。
(2) 增加工作面风量是降低回风流中的瓦斯浓度的有效途径。
(3) 对我矿遇到瓦斯异常区时怎么合理优化通风系统提供了宝贵的经验, 消除瓦斯超限的隐患, 增加了生产的安全度。