CN113126489A - 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 - Google Patents
一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 Download PDFInfo
- Publication number
- CN113126489A CN113126489A CN202110330063.3A CN202110330063A CN113126489A CN 113126489 A CN113126489 A CN 113126489A CN 202110330063 A CN202110330063 A CN 202110330063A CN 113126489 A CN113126489 A CN 113126489A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- value
- cnn
- controller module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 51
- 230000000694 effects Effects 0.000 claims description 32
- 241001481710 Cerambycidae Species 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001764 biostimulatory effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000002964 excitative effect Effects 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 239000004459 forage Substances 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000011664 nicotinic acid Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 241000254173 Coleoptera Species 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 abstract 2
- 238000012423 maintenance Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开了一种基于CNN‑GRU‑BINN的重型燃气轮机控制系统智能BIT设计方法,属于重型燃气轮机智能BIT设计领域。针对重型燃气轮机控制系统常规BIT虚警率高的问题,采用CNN和GRU两种神经网络结合的结构解决了常规BIT无法提取硬件模块检测信号时序特征的问题,利用CNN卷积神经网络结构提取控制器模块检测信号的空间特征,结合GRU循环神经网络结构提取控制器模块检测信号的时间特征,并将两者融合后输入生物激励神经网络实现控制器模块的正确状态识别以及降虚警的功能,提高智能BIT的识别精度,增强重型燃气轮机控制系统的运行可靠性。
Description
技术领域
本发明所属的技术领域为重型燃气轮机控制系统智能BIT设计领域,是一种卷积神经网络(Convolutional Neural Networks,CNN)、门控循环单元神经网络(GatedRecurrent Unit,GRU)和生物激励神经网络(Biologically Inspired Neural Network,BINN)融合的智能BIT设计方法。
背景技术
在我国大力发展国产重型燃气轮机的背景下,如何确保重型燃气轮机控制系统长时间可靠工作成为研究热点,然而伴随着系统集成度和复杂度的提升,重型燃气轮机控制系统的检测与维护也面临着难以高效实时的排故与维修的问题,尤其是针对硬件模块级的维修,系统自检与验证难度大大增加。因此,为了提高重型燃气轮机控制系统可靠性,降低维修成本,提高维修测试效率,往往在控制系统模块级引入BIT技术来改善其可测试性。
目前,我国国产重型燃气轮机控制系统的自检方法都停留在常规BIT,然而由于常规BIT仅通过简单阈值判断进行检测的局限性,难以实现对机柜内部环境导致的突变以及间歇故障的有效识别,故无法较准确地实现对重型燃气轮机硬件模块状态的正确检测,不仅造成控制系统维修费用的增加,也使国产重型燃气轮机无法达到长时间可靠运行的要求,造成极大的经济性损失。由于神经网络具有自学习、自组织、自适应的特点以及较强的非线性能力,与神经网络相结合的智能BIT可以有效缓解常规BIT诊断精度不高且虚警率较高的问题。为此,本发明提供了一种基于CNN-GRU-BINN的重型燃气轮机控制系统控制器模块智能BIT设计方法,以至少部分地解决上述问题。
发明内容
本发明为了克服以上技术的不足,提出了一种基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,由以下步骤组成:
步骤S1:采集重型燃气轮机控制器模块内部状态的测点数据作为输入数据集。
步骤S2:对输入数据进行归一化,使数据标准统一化,不受数据量级的影响,滤除其中的异常值。
步骤S3:利用变分模态分解算法对输入数据进行信号降噪处理,滤除外部环境的影响。
步骤S4:搭建基于CNN-GRU-BINN智能BIT模型,初始化网络权重;将采集到的控制器模块内部测量离线数据集输入神经网络进行训练,并采用天牛须搜索算法(BeetleAntennae Search Algorithm,BAS)优化生物激励神经网络关键参数,在训练误差收敛后停止,得到训练好的神经网络模型。
步骤S5:将测试集数据输入到训练好的CNN-GRU-BINN智能BIT中,以均方根误差(RMSE)、平均绝对误差(MAE)以及决定系数(R2)作为准确度评价指标对训练好的模型进行评价,并保存最优神经网络模型。
步骤S6:采集重型燃气轮机控制系统控制器模块在运行过程中的实时数据,并根据步骤(2)(3)所述方法进行预处理,将预处理后得到的实时信号输入步骤(5)保存的最优神经网络模型,进行针对内部测量数据的神经网络智能BIT诊断,得到控制器硬件模块的正确状态识别。
步骤S7:判断是否出现虚警,并引入滑动窗口的概念,消除控制系统BIT不必要的报警。
步骤S8:显示所设计的重型燃气轮机控制系统智能BIT的结果并记录。
进一步的,步骤S1所述的控制器模块内部状态的测点数据为控制器内部的温度、负荷、内存数据。
进一步的,步骤S2采用归一化对原始数据进行处理,减小数据之间存在的差异,滤除其中的正常值,则采用的归一化处理方法如(1)式所示,
其中,x*代表归一化处理后的数据,x代表归一化处理前的数据,xmin代表所处理的特征状态参数的最小值,xmax代表所处理的特征状态参数的最大值。
进一步的,步骤S3采用变分模态分解算法对输入信号进行降噪处理,将VMD算法与卷积神经网络(CNN)集成在一起,直接处理控制器模块内部状态信号,同时CNN从每个本征模式函数(IMF)中提取特征解决了时间序列数据从单一来源提取特征的缺陷,从数据源头提高模型精度,从而降低BIT的虚警率,提高诊断精度,其具体计算公式包括:构造出变分问题模型,将原始信号f分解成K个具有中心频率的有限带宽的模态分量,并且使得个模态分量估计带宽总和最小,把原信号等于所有模态分量叠加总和作为约束条件。
为获得该变分约束问题的最优解,引入二次惩罚因子α和拉格朗日系数λ,并通过拉格朗日方程将约束的变分约束问题转化为非约束变分问题。
其中,f(t)是控制器模块原始信号;uk为模态分量信号;wk为每个模态分量的中心频率。
求解变分模型极值,得到中心频率和Langrange乘法算子的更新表达式为
所述步骤3的具体流程为:
步骤S32:令迭代次数n=n+1,开始循环;
进一步的,所述步骤S4具体为,
步骤S41:将处理后的信号数据以矩阵[N,D]的形式输入CNN中,其中,N代表样本数据个数,D为每个样本数据的维度。
根据公式进行卷积,提取数据空间特征。其中Hi为第i层输入特征量;代表卷积操作;Wi和bi分别表示第i层卷积核的权值矩阵和对应的偏置向量;f代表激活函数,在模型中引入非线性映射,使其在面对复杂数据时具有更好的表达能力。
再根据公式计算第一层卷积层的矩阵尺寸W1,F为卷积核的大小,M为卷积核的移动幅度,P为零填充边界宽度。加入BN层对N*S1进行规范化计算。并输入卷积网络的池化层,通过公式计算降维后的矩阵大小S2,其中K为池化层核尺寸。将输出结果输入第二个卷积层,引入BN层和池化层对第二个卷积层结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算输出结果S3。
步骤S42:将经过卷积处理之后的数据放入GRU网络中提取时间特征。
通过公式rt=σ(Wrxt+Urht-1)计算重置门rt,式中xt为t时刻隐藏层输入的检测信号,ht-1为前一个时间点输出的信号,Wr为重置门的权值,Ur为t时刻的前一时刻隐藏层重置门的权值,通过公式zt=σ(Wzxt+Uzht-1)计算更新门zt,其中Wz为更新门的权值,Uz为t时刻的前一个时间点隐藏层更新门的权值,通过公式计算最终输出结果ht,其中式中U为t时刻前一个时间点隐藏层的权重,W为候选隐藏层的权值。
步骤S43:将输出数据与实际数据做残差,并进行标准化处理,利用残差作为后续控制器模块内部故障判断的依据。通过公式计算ti时刻的单个残差其中控制器模块第j个内部变量的真实值,是控制器模块第j个内部变量的预测值。之后对残差进行标准化,计算输入残差Re,计算公式如下。
步骤S44:将残差输入生物激励神经网络,根据残差序列计算每个时刻数据在生物激励神经网络中所代表的神经元活性值,依据神经元活性值判断控制器模块内部状态变量是否异常,调整网络参数,完成智能BIT模型训练。
生物激励神经网络建立一个神经网络拓扑状态结构,动态神经元活性值表示动态变化的环境,通过适当地定义来自变化的环境影响和内部神经活性值影响的外部输入,保证控制器模块正常数据的神经活性值和故障数据的神经活性值分别保持在神经网络活动区域的峰值和谷值,计算公式如下式。
第i个神经元的外部输入Ii定义为:
式中,变量xi表示第i个神经元的活性值;A是指神经元活性的衰减率,为正常数;B和D分别是神经元活性值的上限和下限,他们都是非负数;表示神经元的兴奋输入,[Ii]+=max(0,Ii);[Ii]-表示神经元的抑制输入,[Ii]-=max(0,-Ii);wij为第i个和第j个神经元之间的连接权值,wij=f(|qi-qj|),其中|qi-qj|代表生物激励神经网络临近神经元向量的欧式距离。
其中,r0是神经元活性值比较范围,故每个神经元在较小的比较范围[0,r0]中仅具有局部横向连接。
步骤S45:采用天牛须搜索算法优化生物激励神经网络神经元之间的权重wij,根据天牛觅食时的不同食物气味强度来判断移动方向的仿生原理来构建生物激励神经网络的权重优化算法,提高BINN计算神经元信号活性值的效率,提高控制器模块智能BIT的精确度,步骤如下所示。
(1)在一个维度为k的空间寻优,质心位置为x,左须位置为xl,右须为xr,两须之间的距离为d;
(2)天牛每一步行动之前其朝向是随机的,所以生成一个k维的随机向量表示天牛的朝向;
其中,rnd(k,1)表示随机生成的k维随机向量。根据天牛的朝向可以表示出左须和右须的坐标如下式所示。
其中dt表示天牛在t时刻两须之间的距离,根据迭代进行变化,初始化时其长度要确保天牛能够足够大以便跳出局部最优值,后期要使搜索足够小,防止其跳过最优值点。
(3)在分别计算天牛的左右须的适应度值f(xr)和f(xl)后,比较左右须适应度的大小,决定下一步的走向
xt=xt-1+δt·b·sign(f(xr)-f(xl))
其中,sign为符号函数;δ为步长,与两须之间的距离类似,其长度是一个随t变化递减的函数值。d与δ的衰减表示为:
dt=eta_d·dt-1+0.01
δt=eta_δΔδt-1
其中,eta_d和eta_δ分别为两须之间的距离和步长的衰减系数;
(4)判断是否符合寻优的精度或者大于最大迭代次数,符合其一就寻优结束,否则重复(2)-(4)过程。
进一步的,步骤S5所采用的模型评价方法具体计算公式如下式所示。
进一步的,步骤S6采集控制器模块实时数据,并输入至最优模型中,计算生物激励神经网络中的神经元活性,依据神经元活性判断控制器模块正常或故障状态。
进一步的,步骤S7引入滑动窗口概念,将相邻10个点的残差值作为一个窗口时间。滑动窗口的计数器会计算残差输入生物激励神经网络后智能BIT报警的数据个数,当一个滑动窗口内的数据个数超过上限阈值时,即该时间段内的数据的神经元活性不断达到故障标准,则判断为真实故障,若滑动窗口内的计数个数低于下限阈值时则为误报,所得报警结果为虚警,则滤除虚假警报采取降虚警措施,令虚警滑动窗口内的数据状态为正常,滤除BIT不必要的报警。并且智能BIT中的虚警率(FAR)计算公式如下式。
其中,NFA为测试中的虚警次数;NF为真实故障指示次数;N为故障指示总次数
与现有技术相比,本发明的有益效果是:提出了一种针对重型燃气轮机控制系统智能BIT领域的新方法,使用了将CNN与GRU融合并结合生物激励神经网络的新结构,利用CNN结构提取控制器检测信号的空间特征,丰富时间序列信号的特征信息;通过GRU神经网络提取时间特征,解决了传统神经网络无法提取时间特征的问题;结合生物激励神经网络尝试利用神经元活性值进行状态识别的新思路,提高识别精度;引入Dropout层和BatchNormalization层避免过拟合问题;采用降虚警策略提高了智能BIT的识别精确度,提升了燃气轮机控制系统的运行可靠性。
附图说明
图1为本发明的方法流程图
图2为本发明所用的一维CNN原理结构图
图3为本发明所用的GRU内部结构图
图4为本发明所用的生物激励神经网络原理结构图
具体实施方式
下面结合附图对本发明的实施进行详细说明,并给出具体的操作方式以及实施步骤。显然,本发明实施方式的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施方式详细描述如下,然而除了这些详细描述外,本发明还可以具有其他实施方式。
参阅图1至图4所示,本发明提供了一种基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,由以下步骤组成:
步骤S1:采集重型燃气轮机控制器模块内部状态的测点数据作为输入数据集。
步骤S2:对输入数据进行归一化,使数据标准统一化,不受数据量级的影响,滤除其中的异常值。
步骤S3:利用变分模态分解算法对输入数据进行信号降噪处理,滤除外部环境的影响。
步骤S4:搭建基于CNN-GRU-BINN智能BIT模型,初始化网络权重;将采集到的控制器模块内部测量离线数据集输入神经网络进行训练,在训练误差收敛后停止,得到训练好的神经网络模型。
步骤S5:将测试集数据输入到训练好的CNN-GRU-BINN智能BIT中,以均方根误差(RMSE)、平均绝对误差(MAE)以及决定系数(R2)作为准确度评价指标对训练好的模型进行评价,并保存最优神经网络模型。
步骤S6:采集重型燃气轮机控制系统控制器模块在运行过程中的实时数据,并根据步骤(2)(3)所述方法进行预处理,将预处理后得到的实时信号输入步骤(5)保存的最优神经网络模型,进行针对内部测量数据的神经网络智能BIT诊断,得到控制器硬件模块的正确状态识别。
步骤S7:判断是否出现虚警,并引入滑动窗口的概念,消除控制系统BIT不必要的报警。
步骤S8:显示所设计的重型燃气轮机控制系统智能BIT的结果并记录。
基于重型燃气轮机控制系统的智能BIT设计主要是由对硬件模块状态的正确识别和降虚警两部分功能组成。一方面基于神经网络的CNN-GRU-BINN与常规BIT传统阈值比较相比不仅能够提高硬件模块状态识别准确率而且能够在一定程度上降低了由于错报漏报而构成的虚警,另一方面采用一定的降虚警措施预防由于环境因素或者信号波动导致的间歇报警,即在硬件模块状态正常时因信号波动等因素而导致的误报。两部分功能互相结合相辅相成最终构成本发明提出的一种基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法。
在上述智能BIT设计方法中,所述步骤S1的输入数据集由控制器模块内部状态的测点数据为控制器内部的温度、负荷、内存数据组成。
所述步骤S2采用归一化对原始数据进行处理,减小数据之间存在的差异,滤除其中的正常值,则采用的归一化处理方法如(1)式所示,
其中,x*代表归一化处理后的数据,x代表归一化处理前的数据,xmin代表所处理的特征状态参数的最小值,xmax代表所处理的特征状态参数的最大值。
所述步骤S3采用变分模态分解算法对输入信号进行降噪处理,将VMD算法与卷积神经网络(CNN)集成在一起,直接处理控制器模块内部状态信号,同时CNN从每个本征模式函数(IMF)中提取特征解决了时间序列数据从单一来源提取特征的缺陷,从数据源头提高模型精度,从而降低BIT的虚警率,提高诊断精度,其具体计算过程包括:首先构造出变分问题模型,将原始信号f分解成K个具有中心频率的有限带宽的模态分量,并且使得个模态分量估计带宽总和最小,把原信号等于所有模态分量叠加总和作为约束条件。然后,为获得该变分约束问题的最优解,引入二次惩罚因子α和拉格朗日系数λ,并通过拉格朗日方程将约束的变分约束问题转化为非约束变分问题。
其中,f(t)是控制器模块原始信号;uk为模态分量信号;wk为每个模态分量的中心频率。
所述步骤S4首先将处理后的信号数据以矩阵[10000,1]的形式输入CNN中,经过两层卷积层,其中第一层卷积核数目为8,第二层卷积核数目为16,卷积运算公式如下所示。
进行卷积运算之后,将数据输入卷积网络的池化层提取数据空间特征,完成两层卷积操作之后再输入Batch Normalization层对第二层的卷积结果进行归一化处理。
其次,将经过卷积处理之后的数据放入GRU网络中提取时间特征。通过公式rt=σ(Wrxt+Urht-1)计算重置门rt,式中xt为t时刻隐藏层输入的检测信号,ht-1为前一个时间点输出的信号,Wr为重置门的权值,Ur为t时刻的前一时刻隐藏层重置门的权值,通过公式zt=σ(Wzxt+Uzht-1)计算更新门zt,其中Wz为更新门的权值,Uz为t时刻的前一个时间点隐藏层更新门的权值,通过公式计算最终输出结果ht,其中式中U为t时刻前一个时间点隐藏层的权重,W为候选隐藏层的权值。其中,第一层GRU采用128个神经元,第二层GRU同样采用128个神经元实现控制器模块检测信号时间特征的提取。
然后,将输出数据与实际数据做残差,并进行标准化处理,利用残差作为后续控制器模块内部故障判断的依据。通过公式计算ti时刻的单个残差其中控制器模块第j个内部变量的真实值,是控制器模块第j个内部变量的预测值。之后对残差进行标准化,计算输入残差Re,计算公式如下。
最后,将残差输入生物激励神经网络,根据残差序列计算每个时刻数据在生物激励神经网络中所代表的神经元活性值,依据神经元活性值判断控制器模块内部状态变量是否异常,调整网络参数,并利用天牛须搜索算法优化生物激励神经网络权重,完成智能BIT模型训练。计算公式如下式。
式中,变量xi表示第i个神经元的活性值;A是指神经元活性的衰减率,为正常数;B和D分别是神经元活性值的上限和下限,它们都是非负数;表示神经元的兴奋输入,[Ii]+=max(0,Ii);[Ii]-表示神经元的抑制输入,[Ii]-=max(0,-Ii);wij为第i个和第j个神经元之间的连接权值,wij=f(|qi-qj|),其中|qi-qj|代表生物激励神经网络临近神经元向量的欧式距离。
其中,r0是神经元活性值比较范围,故每个神经元在较小的比较范围[0,r0]中仅具有局部横向连接。
采用天牛须搜索算法优化生物激励神经网络神经元之间的权重wij,根据天牛觅食时的不同食物气味强度来判断移动方向的仿生原理来构建生物激励神经网络的权重优化算法,提高BINN计算神经元信号活性值的效率,提高控制器模块智能BIT的精确度,步骤如下所示。
(1)在一个维度为k的空间寻优,质心位置为x,左须位置为xl,右须为xr,两须之间的距离为d;
(2)天牛每一步行动之前其朝向是随机的,所以生成一个k维的随机向量表示天牛的朝向;
其中,rnd(k,1)表示随机生成的k维随机向量。根据天牛的朝向可以表示出左须和右须的坐标如下式所示。
其中dt表示天牛在t时刻两须之间的距离,根据迭代进行变化,初始化时其长度要确保天牛能够足够大以便跳出局部最优值,后期要使搜索足够小,防止其跳过最优值点。
(3)在分别计算天牛的左右须的适应度值f(xr)和f(xl)后,比较左右须适应度的大小,决定下一步的走向
xt=xt-1+δt·b·sign(f(xr)-f(xl))
其中,sign为符号函数;δ为步长,与两须之间的距离类似,其长度是一个随t变化递减的函数值。d与δ的衰减表示为:
dt=eta_d·dt-1+0.01
δt=eta_δ·δt-1
其中,eta_d和eta_δ分别为两须之间的距离和步长的衰减系数;
(4)判断是否符合寻优的精度或者大于最大迭代次数,符合其一就寻优结束,否则重复(2)-(4)过程。
本示例中采用的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法具体结构如表1,仿真实验对比结果如表2所示。
表1CNN-GRU-BINN智能BIT模型结构及参数设置
表2仿真实验对比评价结果
模型 | RMSE | MAE | R<sup>2</sup> |
CNN-GRU-BINN | 0.15228 | 0.001627 | 0.90948 |
GRU-BINN | 0.15115 | 0.52012 | 0.90446 |
Claims (8)
1.一种基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,包括以下几个步骤:
步骤S1:采集重型燃气轮机控制器模块内部状态的测点数据作为输入数据集。
步骤S2:对输入数据进行归一化,使数据标准统一化,不受数据量级的影响,滤除其中的异常值。
步骤S3:利用变分模态分解算法对输入数据进行信号降噪处理,滤除外部环境的影响。
步骤S4:搭建基于CNN-GRU-BINN的智能BIT模型,初始化网络权重;将采集到的控制器模块内部测量离线数据集输入神经网络进行训练,并采用天牛须搜索算法(BeetleAntennae Search Algorithm,BAS)优化生物激励神经网络关键参数,在训练误差收敛后停止,得到训练好的神经网络模型。
步骤S5:将测试集数据输入到训练好的CNN-GRU-BINN智能BIT中,以均方根误差(RMSE)、平均绝对误差(MAE)以及决定系数(R2)作为准确度评价指标对训练好的模型进行评价,并保存最优神经网络模型。
步骤S6:采集重型燃气轮机控制系统控制器模块在运行过程中的实时数据,并根据步骤(2)(3)所述方法进行预处理,将预处理后得到的实时信号输入步骤(5)保存的最优神经网络模型,进行针对内部测量数据的神经网络智能BIT诊断,得到控制器硬件模块的正确状态识别。
步骤S7:判断是否出现虚警,并引入滑动窗口的概念,消除控制系统BIT不必要的报警。
步骤S8:显示所设计的重型燃气轮机控制系统智能BIT的结果并记录。
2.根据权利要求1所述的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,输入数据集由控制器模块内部状态的测点数据为控制器内部的温度、负荷、内存等变量组成。
4.根据权利要求1所述的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,采用变模态分解算法对输入信号进行降噪处理,将VMD算法与卷积神经网络(CNN)集成在一起,直接处理控制器模块内部状态信号,同时CNN从每个本征模式函数(IMF)中提取特征解决了时间序列数据从单一来源提取特征的缺陷,从数据源头提高模型精度,从而降低BIT的虚警率,提高诊断精度,其具体计算过程如包括:构造出变分问题模型,将原始信号f分解成K个具有中心频率的有限带宽的模态分量,并且使得个模态分量估计带宽总和最小,把原信号等于所有模态分量叠加总和作为约束条件。
为获得该变分约束问题的最优解,引入二次惩罚因子α和拉格朗日系数λ,并通过拉格朗日方程将约束的变分约束问题转化为非约束变分问题。
其中,f(t)是控制器模块原始信号;uk为模态分量信号;wk为每个模态分量的中心频率。
求解变分模型极值,得到中心频率和Langrange乘法算子的更新表达式为:
所述步骤3的具体流程为:
步骤S32:令迭代次数n=n+1,开始循环;
5.根据权利要求1所述的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,CNN-GRU-BINN智能BIT模型构建方法包括如下:
步骤S41:将处理后的数据以矩阵[N,Len]的形式输入CNN中,其中N代表样本数据个数,Len为每个样本数据的维度。
根据公式进行卷积操作,提取数据空间特征。其中Hi为第i层输入特征量;代表卷积运算;Wi和bi分别表示第i层卷积核的权值矩阵和对应的偏置向量;f代表激活函数,在模型中引入非线性因素,使其具有更好的表达能力。
根据公式计算第一层卷积层的矩阵尺寸W1,F为卷积核的大小,s为卷积核的移动幅度,P为零填充边界宽度。使用Batch Normalization算法对N*W1进行规范化计算。并输入卷积网络的池化层,通过公式计算降维后的矩阵大小W2,其中M为池化层核尺寸。将输出结果输入第二个卷积层,使用BatchNormalization算法和池化层对第二个卷积层结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算输出结果W3。
步骤S42:将经过卷积处理之后的数据放入GRU网络中提取时间特征。
通过公式rt=σ(Wrxt+Urht-1)计算重置门rt,式中xt为t时刻隐藏层输入的检测信号,ht-1为前一个时间点输出的信号,Wr为重置门的权值,Ur为t时刻的前一时刻隐藏层重置门的权值,通过公式zt=σ(Wzxt+Uzht-1)计算更新门zt,其中Wz为更新门的权值,Uz为t时刻的前一个时间点隐藏层更新门的权值,通过公式计算最终输出结果ht,其中式中U为t时刻前一个时间点隐藏层的权重,W为候选隐藏层的权值。
步骤S43:将输出数据与实际数据做残差,并进行标准化处理,利用残差作为后续控制器模块内部故障判断的依据。通过公式计算ti时刻的单个残差其中控制器模块第j个内部变量的真实值,是控制器模块第j个内部变量的预测值。之后对残差进行标准化,计算输入残差Re,计算公式如下:
步骤S44:将残差输入生物激励神经网络,根据残差序列计算每个时刻数据在生物激励神经网络中所代表的神经元活性值,依据神经元活性值判断控制器模块内部状态变量是否异常,调整网络参数,完成智能BIT模型训练。
生物激励神经网络建立一个神经网络拓扑状态结构,动态神经元活性值表示动态变化的环境,通过适当地定义来自变化的环境影响和内部神经活性值影响的外部输入,保证控制器模块正常数据的神经活性值和故障数据的神经活性值分别保持在神经网络活动区域的峰值和谷值,计算公式如下式:
式中,变量xi表示第i个神经元的活性值;A是指神经元活性的衰减率,为正常数;B和D分别是神经元活性值的上限和下限,它们都是非负数;表示神经元的兴奋输入,[Ii]+=max(0,Ii);[Ii]-表示神经元的抑制输入,[Ii]-=max(0,-Ii);wij为第i个和第j个神经元之间的连接权值,wij=f(|qi-qj|),其中|qi-qj|代表生物激励神经网络临近神经元向量的欧式距离。
其中,r0是神经元活性值比较范围,故每个神经元在较小的比较范围[0,r0]中仅具有局部横向连接。
步骤S45:采用天牛须搜索算法优化生物激励神经网络神经元之间的权重wij,根据天牛觅食时的不同食物气味强度来判断移动方向的仿生原理来构建生物激励神经网络的权重优化算法,提高BINN计算神经元信号活性值的效率,提高控制器模块智能BIT的精确度,步骤如下所示:
(1)在一个维度为k的空间寻优,质心位置为x,左须位置为xl,右须为xr,两须之间的距离为d;
(2)天牛每一步行动之前其朝向是随机的,所以生成一个k维的随机向量表示天牛的朝向;
其中,rnd(k,1)表示随机生成的k维随机向量。根据天牛的朝向可以表示出左须和右须的坐标如下式所示:
其中dt表示天牛在t时刻两须之间的距离,根据迭代进行变化,初始化时其长度要确保天牛能够足够大以便跳出局部最优值,后期要使搜索足够小,防止其跳过最优值点。
(3)在分别计算天牛的左右须的适应度值f(xr)和f(xl)后,比较左右须适应度的大小,决定下一步的走向:
xt=xt-1+δt鬃bsign(f(xr)-f(xl))
其中,sign为符号函数;δ为步长,与两须之间的距离类似,其长度是一个随t变化递减的函数值。d与δ的衰减表示为:
dt=eta_d×dt-1+0.01
δt=eta_δ×δt-1
其中,eta_d和eta_δ分别为两须之间的距离和步长的衰减系数;
(4)判断是否符合寻优的精度或者大于最大迭代次数,符合其一就寻优结束,否则重复(2)-(4)过程。
7.根据权利要求1所述的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,采集控制器模块实时数据,并输入至最优模型中,计算生物激励神经网络中的神经元活性,依据神经元活性判断控制器模块正常或故障状态。
8.根据权利要求1所述的基于CNN-GRU-BINN的重型燃气轮机控制系统智能BIT设计方法,其特征在于,
步骤S81:滑动窗口在设定规格后在时间序列数据点上顺序滑动;
步骤S82:计算残差输入生物激励神经网络后智能BIT报警的数据个数;
步骤S83:若滑动窗口计数器内的数据个数超过上限阈值时,即该时间段内的数据的神经元活性不断达到故障标准,则判断为真实故障;
步骤S84:若滑动窗口内的计数个数低于下限阈值时则为误报,所得报警结果为虚警,则滤除虚假警报采取降虚警措施,令虚警滑动窗口内的数据状态为正常,滤除BIT不必要的报警;
步骤S85:根据控制器模块检测信号的顺序,不断从步骤S81开始循环。
其中智能BIT中的虚警率(FAR)计算公式如下式:
其中,NFA为测试中的虚警次数;NF为真实故障指示次数;N为故障指示总次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330063.3A CN113126489B (zh) | 2021-03-29 | 2021-03-29 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330063.3A CN113126489B (zh) | 2021-03-29 | 2021-03-29 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113126489A true CN113126489A (zh) | 2021-07-16 |
CN113126489B CN113126489B (zh) | 2024-01-26 |
Family
ID=76773981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330063.3A Active CN113126489B (zh) | 2021-03-29 | 2021-03-29 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113126489B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116192665A (zh) * | 2022-12-27 | 2023-05-30 | 中移动信息技术有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN117268299A (zh) * | 2023-11-17 | 2023-12-22 | 江苏京成机械制造有限公司 | 一种基于电磁超声的脱硫管道壁厚检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN112000084A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 |
CN112000015A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
-
2021
- 2021-03-29 CN CN202110330063.3A patent/CN113126489B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN112000084A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 |
CN112000015A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116192665A (zh) * | 2022-12-27 | 2023-05-30 | 中移动信息技术有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN117268299A (zh) * | 2023-11-17 | 2023-12-22 | 江苏京成机械制造有限公司 | 一种基于电磁超声的脱硫管道壁厚检测方法及系统 |
CN117268299B (zh) * | 2023-11-17 | 2024-02-06 | 江苏京成机械制造有限公司 | 一种基于电磁超声的脱硫管道壁厚检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113126489B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Deep principal component analysis based on layerwise feature extraction and its application to nonlinear process monitoring | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
Wang et al. | Application research on long short-term memory network in fault diagnosis | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN112714130A (zh) | 一种基于大数据自适应网络安全态势感知方法 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN115345255A (zh) | 一种故障诊断方法、控制装置、终端及存储介质 | |
Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN117276600A (zh) | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN114871000B (zh) | 一种浮选加药自适应调控方法 | |
CN113887807B (zh) | 基于机器学习和证据理论的机器人博弈战术预测方法 | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |