CN113703422A - 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，对燃气轮机气动执行机构阀位信号进行实时采集，进行降噪处理，剔除噪声信号以便于下一步信号分析；进行故障机理分析，得到阀位信号变化趋势与故障模式的对应关系；采用傅里叶变换、形态经验小波分解和Morris筛选法对阀位信号进行特征提取筛选处理，得到故障特征向量；采用小波核函数和高斯核函数构造双核极限学习机，通过遗传‑鲸鱼优化算法优化双核极限学习机参数，利用双核极限学习机和故障机理分析结果得到故障分类模型。本发明有效的提高了燃气轮机气动执行机构的故障诊断准确性和快速性，满足了工业现场对燃气轮机气动执行机构故障诊断的要求。

Description

一种基于特征分析处理的燃气轮机气动执行机构故障诊断 方法

技术领域

本发明属于燃气轮机故障诊断技术领域，尤其涉及一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法。

背景技术

在长时间的运行过程中，由于结垢、腐蚀、磨损、管路堵塞、器件老化等问题，燃气轮机不可避免会发生各种各样的故障。根据故障发生的部位，可以把燃气轮机控制系统的主要故障分为元部件故障、执行机构故障、传感器故障和控制器故障，其中大部分控制系统故障是由执行机构或传感器故障引起。执行机构作为工业自动控制系统中的一个重要环节，直接关系到燃气轮机控制系统安全运行的稳定性。在燃气轮机控制系统中，气动执行机构有着广泛应用。气动执行机构长期工作在高温、高压、潮湿等恶劣工况下，故障发生频率高，且故障形式多变，为故障诊断工作带来极大困难。随着燃气轮机发电技术的快速发展，其控制系统规模不断扩大，气动执行机构的安装数量和内部结构复杂度日益提高，故障的发生频率与严重程度也在不断增加。因此，进行气动执行机构故障诊断工作，对保障燃气轮机控制系统安全稳定运行具有重要意义。

如何有效提高燃气轮机气动执行机构故障诊断效率和准确性，以满足工业现场对燃气轮机气动执行机构故障诊断的要求，已经成为亟需解决的问题。

发明内容

为了克服现有技术存在的一系列缺陷，本发明的目的在于针对上述问题，提供一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，包括以下步骤：

步骤1，按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集，使用核主元分析法对阀位信号进行降噪处理；

步骤2，进行气动执行机构故障机理分析，得到阀位信号变化趋势与故障模式的对应关系；

步骤3，对降噪处理后的阀位信号进行傅里叶变换，并根据尺度空间法划分频谱；

步骤4，根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解，得到经验模态分量；

步骤5，提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征，得到故障特征数据集；

步骤6，使用Morris筛选法对故障特征数据集进行筛选，通过比较分散程度筛选出可分性能较好的故障特征数据，从而生成故障特征向量；

步骤7，将小波核函数和高斯核函数引入至极限学习机，构造双核极限学习机；

步骤8，对故障特征向量进行划分处理，得到双核极限学习机的训练样本和测试样本；

步骤9，采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解；

步骤10，将训练样本输入至参数优化后的双核极限学习机进行监督学习，并结合故障机理分析结果得到故障分类模型；

步骤11，将测试样本输入至故障分类模型，对故障诊断精度进行验证。

优选的，步骤1中，基于核主元分析法的数据降噪方法为：

在计算时引入核函数矩阵，通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算，从而降低计算复杂度,其中，核函数矩阵C如下式所示：

式中，{b₁(t),b₂(t),…,b_n(t)}为待降噪处理的的n维阀位信号数据；t为时间，单位s；Φ(·)为映射函数；T表示矩阵转置；c(·)为核函数；

阀位信号数据在低维空间的分量如下式所示：

式中，l＝{1,2,…,n}为数据维数；

为第l个数据在低维空间的分量；t为时间，单位s；λ和u为核函数矩阵C的特征值和特征向量；T表示矩阵转置。

优选的，步骤2中,在忽略高阶惯性环节时，气动执行机构故障状态数学模型如下式所示：

y＝α·x+β

式中，y为气动执行机构阀位反馈值，x为气动执行机构接收到的控制指令，二者单位均为百分比开度；α和β为气动执行机构的增益系数和零点误差，是气动执行机构故障状态的两个重要参数，其中，α∈[0,1]，β∈[0,1]。

优选的，步骤6中，基于Morris筛选法的故障特征数据集筛选，其中，分散程度d 的计算公式如下式所示：

式中，j＝{1,2,…,m}为目标类别总数；i＝{1,2,…,h}为特征数据集初始维数，且m≤h；{a₁(t),a₂(t),…,a_h(t)}为h维特征数据集；t为时间，单位s；T表示矩阵转置；r₁为类内分散系数；r₂为类间分散系数；k₁为类内计算误差系数；k₂为类间计算误差系数；pj为第j个类别的特征数据总数。

优选的，步骤9中，通过遗传-鲸鱼优化算法优化双核极限学习机参数时，首先将待优化参数输入至鲸鱼优化算法，再采用遗传算法进行迭代求解，最终通过鲸鱼优化算法的限制条件求得最优解；通过参数寻优，使得双核极限学习机能够快速、精确地建立故障分类模型。

优选的，步骤10中，基于双核极限学习机得到的故障分类模型，其中，故障分类模型决策函数如下式所示：

式中，F为燃气轮机气动执行机构故障模式；g(F)为故障分类模型决策函数；w(F)为故障分类模型期望输出；ε为故障分类模型不确定度；e为故障分类模型预测误差。

与现有技术相比，本发明具备以下有益效果：

本发明采集气动执行机构阀位信号后先进行降噪处理，剔除噪声信号以便于下一步信号分析；本发明先后采用傅里叶变换、形态经验小波分解和Morris筛选法对阀位信号进行特征提取筛选处理，增强了特征信息的代表性，剔除了冗余特征；本发明采用小波核函数和高斯核函数构造双核极限学习机，提高了双核极限学习机的泛化能力和分类能力；本发明采用遗传-鲸鱼优化算法优化双核极限学习机参数，便于双核极限学习机快速、精确地建立故障分类模型；本发明有效提高了燃气轮机气动执行机构的故障诊断准确性和快速性，满足了工业现场对燃气轮机气动执行机构故障诊断的要求。

附图说明

图1是本发明提供的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法的流程图；

图2是本发明提供的一种遗传-鲸鱼优化算法优化双核极限学习机参数的流程图。

具体实施方式

为使本发明实施的目的、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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。

下面通过参考附图描述的实施例以及方位性的词语均是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明的一个宽泛实施例中，一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，包括以下步骤：

步骤1，按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集，使用核主元分析法对阀位信号进行降噪处理；

步骤2，进行气动执行机构故障机理分析，得到阀位信号变化趋势与故障模式的对应关系；

步骤3，对降噪处理后的阀位信号进行傅里叶变换，并根据尺度空间法划分频谱；

步骤4，根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解，得到经验模态分量；

步骤5，提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征，得到故障特征数据集；

步骤6，使用Morris筛选法对故障特征数据集进行筛选，通过比较分散程度筛选出可分性能较好的故障特征数据，从而生成故障特征向量；

步骤7，将小波核函数和高斯核函数引入至极限学习机，构造双核极限学习机；

步骤8，对故障特征向量进行划分处理，得到双核极限学习机的训练样本和测试样本；

步骤9，采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解；

步骤10，将训练样本输入至参数优化后的双核极限学习机进行监督学习，并结合故障机理分析结果得到故障分类模型；

步骤11，将测试样本输入至故障分类模型，对故障诊断精度进行验证。

优选的，步骤1中，基于核主元分析法的数据降噪方法为：

在计算时引入核函数矩阵，通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算，从而降低计算复杂度,其中，核函数矩阵C如下式所示：

式中，{b₁(t),b₂(t),…,b_n(t)}为待降噪处理的的n维阀位信号数据；t为时间，单位s；Φ(·)为映射函数；T表示矩阵转置；c(·)为核函数；

阀位信号数据在低维空间的分量如下式所示：

式中，l＝{1,2,…,n}为数据维数；

为第l个数据在低维空间的分量；t为时间，单位s；λ和u为核函数矩阵C的特征值和特征向量；T表示矩阵转置。

优选的，步骤2中,在忽略高阶惯性环节时，气动执行机构故障状态数学模型如下式所示：

y＝α·x+β

式中，y为气动执行机构阀位反馈值，x为气动执行机构接收到的控制指令，二者单位均为百分比开度；α和β为气动执行机构的增益系数和零点误差，是气动执行机构故障状态的两个重要参数，其中，α∈[0,1]，β∈[0,1]。

优选的，步骤6中，基于Morris筛选法的故障特征数据集筛选，其中，分散程度d 的计算公式如下式所示：

式中，j＝{1,2,…,m}为目标类别总数；i＝{1,2,…,h}为特征数据集初始维数，且m≤h；{a₁(t),a₂(t),…,a_h(t)}为h维特征数据集；t为时间，单位s；T表示矩阵转置；r₁为类内分散系数；r₂为类间分散系数；k₁为类内计算误差系数；k₂为类间计算误差系数；p_j为第j个类别的特征数据总数。

优选的，步骤9中，通过遗传-鲸鱼优化算法优化双核极限学习机参数时，首先将待优化参数输入至鲸鱼优化算法，再采用遗传算法进行迭代求解，最终通过鲸鱼优化算法的限制条件求得最优解；通过参数寻优，使得双核极限学习机能够快速、精确地建立故障分类模型。

优选的，步骤10中，基于双核极限学习机得到的故障分类模型，其中，故障分类模型决策函数如下式所示：

式中，F为燃气轮机气动执行机构故障模式；g(F)为故障分类模型决策函数；w(F)为故障分类模型期望输出；ε为故障分类模型不确定度；e为故障分类模型预测误差。

下面结合附图，列举本发明的优选实施例，对本发明作进一步的详细说明。

图1是本发明提供的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法的流程图。如图1所示，一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，包括以下步骤：

步骤1，按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集，使用核主元分析法对阀位信号进行降噪处理；

步骤2，进行气动执行机构故障机理分析，得到阀位信号变化趋势与故障模式的对应关系；

步骤3，对降噪处理后的阀位信号进行傅里叶变换，并根据尺度空间法划分频谱；

步骤4，根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解，得到经验模态分量；

步骤5，提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征，得到故障特征数据集；

步骤6，使用Morris筛选法对故障特征数据集进行筛选，通过比较分散程度筛选出可分性能较好的故障特征数据，从而生成故障特征向量；

步骤7，将小波核函数和高斯核函数引入至极限学习机，构造双核极限学习机；

步骤8，对故障特征向量进行划分处理，得到双核极限学习机的训练样本和测试样本；

步骤9，采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解；

步骤10，将训练样本输入至参数优化后的双核极限学习机进行监督学习，并结合故障机理分析结果得到故障分类模型；

步骤11，将测试样本输入至故障分类模型，对故障诊断精度进行验证。

通过上述步骤，能实现基于特征分析处理的燃气轮机气动执行机构故障诊断方法，该方法以燃气轮机气动执行机构为对象，实时采集阀位信号后先进行降噪处理和故障机理分析；然后，使用傅里叶变换、经验小波变换和Morris筛选法对阀位信号进行特征提取筛选处理；最后，使用遗传优化算法与鲸鱼优化算法结合的遗传-鲸鱼优化算法得到双核极限学习机的优化参数，通过参数优化的双核极限学习机和故障机理分析结果得到故障分类模型，从而完成对燃气轮机气动执行机构的故障识别与分析。

所述步骤1中，基于核主元分析法的数据降噪方法为：

在计算时引入核函数矩阵，通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算，从而降低计算复杂度,其中，核函数矩阵C如下式所示：

式中，{b₁(t),b₂(t),…,b_n(t)}为待降噪处理的的n维阀位信号数据；t为时间，单位s；Φ(·)为映射函数；T表示矩阵转置；c(·)为核函数；

阀位信号数据在低维空间的分量如下式所示：

式中，l＝{1,2,…,n}为数据维数；

为第l个数据在低维空间的分量；t为时间，单位s；λ和u为核函数矩阵C的特征值和特征向量；T表示矩阵转置。

所述步骤2中,在忽略高阶惯性环节时，气动执行机构故障状态数学模型如下式所示：

y＝α·x+β

式中，y为气动执行机构阀位反馈值，x为气动执行机构接收到的控制指令，二者单位均为百分比开度；α和β为气动执行机构的增益系数和零点误差，是气动执行机构故障状态的两个重要参数，其中，α∈[0,1]，β∈[0,1]。

所述步骤6中，基于Morris筛选法的故障特征数据集筛选，其中，分散程度d的计算公式如下式所示：

式中，j＝{1,2,…,m}为目标类别总数；i＝{1,2,…,h}为特征数据集初始维数，且m≤h；{a₁(t),a₂(t),…,a_h(t)}为h维特征数据集；t为时间，单位s；T表示矩阵转置；r₁为类内分散系数；r₂为类间分散系数；k₁为类内计算误差系数；k₂为类间计算误差系数；p_j为第j个类别的特征数据总数。

所述步骤9中，通过遗传-鲸鱼优化算法优化双核极限学习机参数时，首先将待优化参数输入至鲸鱼优化算法，再采用遗传算法进行迭代求解，最终通过鲸鱼优化算法的限制条件求得最优解；通过参数寻优，使得双核极限学习机能够快速、精确地建立故障分类模型。

所述步骤10中，基于双核极限学习机得到的故障分类模型，其中，故障分类模型决策函数如下式所示：

式中，F为燃气轮机气动执行机构故障模式；g(F)为故障分类模型决策函数；w(F)为故障分类模型期望输出；ε为故障分类模型不确定度；e为故障分类模型预测误差。

图2是本发明提供的一种遗传-鲸鱼优化算法优化双核极限学习机参数的流程图。首先将待优化参数输入至鲸鱼优化算法，再采用遗传算法进行迭代求解，最终通过鲸鱼优化算法的限制条件求得最优解。通过参数寻优，使得双核极限学习机能够快速、精确地建立故障分类模型。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (6)

1.一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，包括以下步骤：

步骤1，按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集，使用核主元分析法对阀位信号进行降噪处理；

步骤2，进行气动执行机构故障机理分析，得到阀位信号变化趋势与故障模式的对应关系；

步骤3，对降噪处理后的阀位信号进行傅里叶变换，并根据尺度空间法划分频谱；

步骤4，根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解，得到经验模态分量；

步骤5，提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征，得到故障特征数据集；

步骤6，使用Morris筛选法对故障特征数据集进行筛选，通过比较分散程度筛选出可分性能较好的故障特征数据，从而生成故障特征向量；

步骤7，将小波核函数和高斯核函数引入至极限学习机，构造双核极限学习机；

步骤8，对故障特征向量进行划分处理，得到双核极限学习机的训练样本和测试样本；

步骤9，采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解；

步骤10，将训练样本输入至参数优化后的双核极限学习机进行监督学习，并结合故障机理分析结果得到故障分类模型；

步骤11，将测试样本输入至故障分类模型，对故障诊断精度进行验证。

2.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，步骤1中,基于核主元分析法的数据降噪方法为：

在计算时引入核函数矩阵，通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算，从而降低计算复杂度,其中，核函数矩阵C如下式所示：

式中，{b₁(t),b₂(t),…,b_n(t)}为待降噪处理的的n维阀位信号数据；t为时间，单位s；Φ(·)为映射函数；T表示矩阵转置；c(·)为核函数；

阀位信号数据在低维空间的分量如下式所示：

式中，l＝{1,2,…,n}为数据维数；

为第l个数据在低维空间的分量；t为时间，单位s；λ和u为核函数矩阵C的特征值和特征向量；T表示矩阵转置。

3.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，步骤2中,在忽略高阶惯性环节时，气动执行机构故障状态数学模型如下式所示：

y＝α·x+β

式中，y为气动执行机构阀位反馈值，x为气动执行机构接收到的控制指令，二者单位均为百分比开度；α和β为气动执行机构的增益系数和零点误差，是气动执行机构故障状态的两个重要参数，其中，α∈[0,1]，β∈[0,1]。

4.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，步骤6中，基于Morris筛选法的故障特征数据集筛选，其中，分散程度d的计算公式如下式所示：

式中，j＝{1,2,…,m}为目标类别总数；i＝{1,2,…,h}为特征数据集初始维数，且m≤h；{a₁(t),a₂(t),…,a_h(t)}为h维特征数据集；t为时间，单位s；T表示矩阵转置；r₁为类内分散系数；r₂为类间分散系数；k₁为类内计算误差系数；k₂为类间计算误差系数；p_j为第j个类别的特征数据总数。

5.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，步骤9中，通过遗传-鲸鱼优化算法优化双核极限学习机参数时，首先将待优化参数输入至鲸鱼优化算法，再采用遗传算法进行迭代求解，最终通过鲸鱼优化算法的限制条件求得最优解；通过参数寻优，使得双核极限学习机能够快速、精确地建立故障分类模型。

6.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法，其特征在于，步骤10中，基于双核极限学习机得到的故障分类模型，其中，故障分类模型决策函数如下式所示：

式中，F为燃气轮机气动执行机构故障模式；g(F)为故障分类模型决策函数；w(F)为故障分类模型期望输出；ε为故障分类模型不确定度；e为故障分类模型预测误差。

Images