一种燃气轮机电动执行器故障诊断方法

1.本发明涉及燃气轮机故障诊断技术领域，尤其涉及一种燃气轮机电动执行器故障诊断方法。


背景技术：

2.燃气轮机是一种高效而复杂的动力机械装置，作为一种内燃发动机，其主要通过空气－燃料混合燃烧产生热能，并由透平将热能转换成机械能以产生动力。燃气轮机具有广泛的用途，其在船舶动力、航空航天、能源发电、车辆制造等多个领域皆有应用，并己经成为21世纪工业技术的核心。
3.燃气轮机作为一个高度非线性集成的复杂系统工程，其控制系统中的执行器是保证其性能稳定、可靠运行的关键功能系统。
4.目前，电动执行器常见故障有渐进故障、微小故障、突发故障等，大部分机械设备的故障都属于渐进性故障，而这类故障由于其隐蔽性因此对系统威胁较大，如未及时发现，则会导致恶性循环，危害系统设备寿命。传统针对渐进故障诊断方法流程如下：故障信号的获取、数据预处理、故障特征提取、特征选择与优化以及故障分类，其中现有的故障特征提取方法过于依赖信号处理技术和专家经验，因此如何从海量数据中智能地提取出故障信号的特征，就是故障诊断技术发展的关键。


技术实现要素：

5.本发明的目的是提出一种燃气轮机电动执行器故障诊断方法，其特征在于，包括以下步骤：
6.步骤1：利用传感器采集含变负载、变转速和变开度三种工况运行状态下的流量信号样本作为数据集合，并对采集到的流量信号样本进行标准化预处理；
7.步骤2：利用高斯混合模型，即gmm，对步骤1中的数据集合进行工况辨识，将数据进行初步聚类，得到高斯概率密度的函数模型，再采用期望最大化算法对高斯概率密度的函数模型进行训练，从而得到gmm最终参数；
8.步骤3：在经gmm处理后的每个子工况区间内构建以一维卷积神经网络模型，即1dcnn为基础的自我学习网络模型，分别使用每个子工况区间内的训练样本对自我学习网络模型进行训练，提取流量信号样本的数据特征并保存自我学习网络模型的网络权重；
9.步骤4：构建1dcnn与softmax分类器结合的电动执行器的状态分类与识别网络模型，即gmm-1dcnn，载入步骤3中保存的网络权重参数；
10.步骤5：使用经过预处理后的真实流量信号样本及每个流量信号样本对应的状态标签对电动执行器的gmm-1dcnn的网络权重进行微调，实现不同工况下的电动执行器故障诊断。
11.所述步骤1中每种工况运行状态下的流量信号样本数为500个，包括训练样本300个，测试样本200个；每种工况运行状态下检测的故障模式为10种，包括电源故障，电机故
障，行程传动装置齿轮损坏，蜗轮蜗杆严重磨损，填料硬化干涩或填料压盖拧得过紧，外部泄露，内部泄漏，阀门阻塞，阀或阀座有沉积物以及阀杆弯曲。
12.所述步骤2中的期望最大化算法包括以下步骤：
13.步骤2.1：根据已知数据的聚类中心得到gmm中各密度分布待估计参数(αu，μu，σu)的初始值；其中，αu为混合系数，μu为高斯分布均值，σu为高斯分布协方差矩阵；
14.步骤2.2：计算每个样本xv(v＝1,2,3
…
,m)属于第u个高斯模型的后验概率
[0015][0016]
式中，zv为生成xv的高斯分布，p(xv|μu,σu)为概率密度函数；
[0017]
步骤2.3：通过计算样本数据似然函数的期望方程达到最大值，得到下一次迭代的gmm参数；
[0018]
步骤2.4：反复迭代步骤2.2和步骤2.3至算法收敛，从而得到gmm的最终参数；否则，重复步骤2.2和步骤2.3。
[0019]
所述步骤3中对自我学习网络模型进行训练的初期误差大时，采用高固定学习率；模型误差下降后，学习率采用参照误差的自然指数衰减方式；其中，参照误差的自然指数衰减方式如下：
[0020][0021]
式中，α为指数衰减的学习率；lr为初始学习率；dr为学习率的衰减率；step为当前迭代次数；1个epoch等于使用训练集中的全部样本训练一次。
[0022]
所述步骤3中1dcnn包括卷积层、池化层和全连接层；其中，卷积层和池化层交替出现进行故障特征提取；卷积层中卷积核与输入数据进行卷积提取输入数据的特征；池化层设置在卷积层后，且池化运算是取子工况区间内的最大值、最小值或者平均值。
[0023]
所述步骤4中的softmax分类器的代价函数j(θ)为：
[0024][0025]
式中，x＝(x1,x2,...,xm)为输入，其标签为j＝(j1,j2,...,jm)，ji∈{1,2,...,k}；θ表示softmax分类器模型的参数；l表示归一化运算中的起始运算点，m表示定义变量的范围，表述归一化运算；n表示特征图的维度；1{yi＝j}为示性函数，其数值与内部表达式的真假有关，若内部表达式成立则为1，反之则为0；λ为权重衰减系数。
[0026]
所述步骤5中的gmm-1dcnn模型包括两个建立过程：基于gmm对数据进行工况辨识，聚类分析采集的数据；基于子工况区间数据集建立子工况1dcnn模型，重构输入数据，完成模型训练。
[0027]
本发明的有益效果在于：
[0028]
1、本发明首先采用gmm对传感器采集来的电动执行器运行数据进行了合理重构，
减少数据的时间步长并增加各时间步长包含的特征量，将混合工况划分为不同开度下的子工况，提高了自适应提取特征的能力和训练过程的效率；
[0029]
2、本发明针对流量信号的一维特点，将传统二维卷积神经网络改进为适合处理一维信号的1dcnn，提取故障特征时确保没有信息损失；
[0030]
3、本发明建立的gmm-1dcnn故障诊断模型首先实现初期工况划分，然后在各个子工况中利用一维卷积神经网络完成模型训练及测试；在时间和精度上提高了故障识别效率，解决了现有成熟算法特征提取不充分的问题，显著提高燃气轮机电动执行器故障诊断的准确性。
附图说明
[0031]
图1是本发明提供的一种燃气轮机电动执行器故障诊断方法的流程图；
[0032]
图2是本发明提供的gmm工况分类图；
[0033]
图3是本发明提供的故障诊断模型的训练误差和学习率变化图；
[0034]
图4是本发明提供的故障诊断模型十折交叉验证图；
[0035]
图5是本发明提供的gmm-1dcnn故障诊断方法与其他4种方法的诊断结果对比图。
具体实施方式
[0036]
本发明提出一种燃气轮机电动执行器故障诊断方法，下面结合附图和具体实施例对本发明做进一步说明。
[0037]
图1是本发明提供的一种燃气轮机电动执行器故障诊断方法的流程图。如图1所示，燃气轮机电动执行器故障诊断方法，包括以下步骤：
[0038]
步骤1：利用传感器采集含多种工况(变负载、变转速、变开度)运行状态下的流量信号样本作为数据集合，每种运行状态下的流量信号样本数为500个，包括300个训练样本，200个测试样本，一共检测10种故障模式，并对获取到的流量信号样本进行标准化预处理；
[0039]
步骤2：利用高斯混合模型(gmm)对全体数据进行工况辨识，将数据进行初步聚类，得到高斯概率密度的函数模型，采用期望最大化算法进行训练从而得到gmm最终参数；
[0040]
步骤3：在经gmm处理后的每个子工况区间内构建以一维卷积神经网络模型(1dcnn)为基础的自我学习网络模型，分别使用每个子工况区间内的训练样本对网络模型进行训练。模型训练初期误差较大时，采用较高的固定学习率；模型误差下降后，学习率采用参照误差的自然指数衰减方式，提取流量信号样本的数据特征并保存自我学习网络模型的网络权重；
[0041]
步骤4：构建1dcnn与softmax分类器结合的电动执行器状态分类与识别网络模型(gmm-1dcnn)，载入步骤3中保存的网络权重等参数；
[0042]
步骤5：使用经过预处理后的真实流量信号样本及每个流量信号样本对应的状态标签对电动执行器的gmm-1dcnn模型的网络权重进行微调，权重微调后的电动执行器状态分类与识别网络模型即可实现不同工况下的电动执行器故障诊断。
[0043]
步骤1中的故障模式包括电源故障，电机故障，行程传动装置齿轮损坏，蜗轮蜗杆严重磨损，填料硬化或干涩、填料压盖拧得过紧，外部泄露，内部泄漏，阀门阻塞，阀或阀座有沉积物，阀杆弯曲。
[0044]
步骤2中的期望最大化算法，步骤如下：
[0045]
步骤2.1：初始化：根据已知数据的聚类中心得到gmm中各密度分布待估计参数(αu，μu，σu)的初始值，αu为混合系数，μu为高斯分布均值，σu为高斯分布协方差矩阵；
[0046]
步骤2.2：期望步：计算每个样本xv(v＝1,2,3
…
,m)属于第u个高斯模型的后验概率p(zv＝u|xv)：
[0047][0048]
式中，zv为生成xv的高斯分布，p(xv|μu,σu)为概率密度函数；
[0049]
步骤2.3：极大步：通过计算样本数据似然函数的期望方程达到最大值，得到下一次迭代的gmm参数；
[0050]
步骤2.4：停止更新条件：反复迭代期望步和极大步至算法收敛，从而得到gmm的最终参数。否则，重复步骤2.2和2.3。
[0051]
图2是本发明提供的gmm工况分类图。电动执行器的工况可以划分为3个子工况，划分结果如图2所示。
[0052]
步骤3中1dcnn主要由卷积层、池化层、全连接层组成，其中卷积层和池化层交替出现用来进行故障特征提取。在卷积层中卷积核与输入数据进行卷积运算，从而提取输入数据的特征，称作特征图。池化层紧跟在卷积层之后，其基本操作与卷积运算相同，也是池化核在输入数据上进行滑动，区别于卷积运算，池化运算是取区域内的最大值、最小值或者平均值。
[0053]
步骤3中的参照误差的自然指数衰减方式，公式如下：
[0054][0055]
式中，α为指数衰减的学习率；lr为初始学习率；dr为学习率的衰减率；step为当前迭代次数；1个epoch等于使用训练集中的全部样本训练一次。
[0056]
图3是本发明提供的故障诊断模型的训练误差和学习率变化图。训练误差和学习率迅速收敛，说明了本发明所述方法的正确性。
[0057]
步骤4中的softmax分类器模型，其代价函数j(θ)为：
[0058][0059]
式中，x＝(x1,x2,...,xm)为输入，其标签为j＝(j1,j2,...,jm)，ji∈{1,2,...,k}；θ表示softmax分类器模型的参数；表述归一化运算；n表示特征图的维度；1{yi＝j}为示性函数，其数值与内部表达式的真假有关，若内部表达式成立则为1，反之则为0；λ为权重衰减系数。
[0060]
步骤5中的gmm-1dcnn模型，包括两个建立过程：基于gmm对数据进行工况辨识，聚类分析采集的数据；基于子工况数据集建立子工况1dcnn模型，重构输入数据，完成模型训练。
[0061]
图4是本发明提供的故障诊断模型十折交叉验证图。通过十折交叉验证可以验证gmm-1dcnn故障诊断模型的性能，由于数据集样本数量较多，本发明选用测试集数据进行验证，gmm-1dcnn故障诊断模型十折交叉验证的结果如图4所示。
[0062]
图5是本发明提供的gmm-1dcnn故障诊断方法与其他4种方法的诊断结果对比图。从图中可以看出，gmm-1dcnn的诊断效率高于其他4种方法，且具有较高的诊断准确率。
[0063]
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种燃气轮机电动执行器故障诊断方法，其特征在于，包括以下步骤：步骤1：利用传感器采集含变负载、变转速和变开度三种工况运行状态下的流量信号样本作为数据集合，并对采集到的流量信号样本进行标准化预处理；步骤2：利用高斯混合模型，即gmm，对步骤1中的数据集合进行工况辨识，将数据进行初步聚类，得到高斯概率密度的函数模型，再采用期望最大化算法对高斯概率密度的函数模型进行训练，从而得到gmm最终参数；步骤3：在经gmm处理后的每个子工况区间内构建以一维卷积神经网络模型，即1dcnn为基础的自我学习网络模型，分别使用每个子工况区间内的训练样本对自我学习网络模型进行训练，提取流量信号样本的数据特征并保存自我学习网络模型的网络权重；步骤4：构建1dcnn与softmax分类器结合的电动执行器的状态分类与识别网络模型，即gmm-1dcnn，载入步骤3中保存的网络权重参数；步骤5：使用经过预处理后的真实流量信号样本及每个流量信号样本对应的状态标签对电动执行器的gmm-1dcnn的网络权重进行微调，实现不同工况下的电动执行器故障诊断。2.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于：所述步骤1中每种工况运行状态下的流量信号样本数为500个，包括训练样本300个，测试样本200个；每种工况运行状态下检测的故障模式为10种，包括电源故障，电机故障，行程传动装置齿轮损坏，蜗轮蜗杆严重磨损，填料硬化干涩或填料压盖拧得过紧，外部泄露，内部泄漏，阀门阻塞，阀或阀座有沉积物以及阀杆弯曲。3.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于：所述步骤2中的期望最大化算法包括以下步骤：步骤2.1：根据已知数据的聚类中心得到gmm中各密度分布待估计参数(α
u
，μ
u
，σ
u
)的初始值；其中，α
u
为混合系数，μ
u
为高斯分布均值，σ
u
为高斯分布协方差矩阵；步骤2.2：计算每个样本x
v
(v＝1,2,3
…
,m)属于第u个高斯模型的后验概率式中，z
v
为生成x
v
的高斯分布，p(x
v
|μ
u
,σ
u
)为概率密度函数；步骤2.3：通过计算样本数据似然函数的期望方程达到最大值，得到下一次迭代的gmm参数；步骤2.4：反复迭代步骤2.2和步骤2.3至算法收敛，从而得到gmm的最终参数；否则，重复步骤2.2和步骤2.3。4.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于：所述步骤3中对自我学习网络模型进行训练的初期误差大时，采用高固定学习率；模型误差下降后，学习率采用参照误差的自然指数衰减方式；其中，参照误差的自然指数衰减方式如下：式中，α为指数衰减的学习率；lr为初始学习率；dr为学习率的衰减率；step为当前迭代次数；1个epoch等于使用训练集中的全部样本训练一次。5.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于：所述步骤3
中1dcnn包括卷积层、池化层和全连接层；其中，卷积层和池化层交替出现进行故障特征提取；卷积层中卷积核与输入数据进行卷积提取输入数据的特征；池化层设置在卷积层后，且池化运算是取子工况区间内的最大值、最小值或者平均值。6.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于，所述步骤4中的softmax分类器的代价函数j(θ)为：式中，x＝(x1,x2,...,x
m
)为输入，其标签为j＝(j1,j2,...,j
m
)，j
i
∈{1,2,...,k}；θ表示softmax分类器模型的参数；l表示归一化运算中的起始运算点，m表示定义变量的范围，表述归一化运算；n表示特征图的维度；1{y
i
＝j}为示性函数，其数值与内部表达式的真假有关，若内部表达式成立则为1，反之则为0；λ为权重衰减系数。7.根据权利要求1所述的燃气轮机电动执行器故障诊断方法，其特征在于：所述步骤5中的gmm-1dcnn模型包括两个建立过程：基于gmm对数据进行工况辨识，聚类分析采集的数据；基于子工况区间数据集建立子工况1dcnn模型，重构输入数据，完成模型训练。

技术总结
本发明公开了属于燃气轮机故障诊断技术领域的一种燃气轮机电动执行器故障诊断方法。包括步骤1：对采集到的流量信号样本进行标准化预处理；步骤2：对步骤1中的数据集合进行工况辨识和初步聚类，再对高斯概率密度的函数模型进行训练；步骤3：构建自我学习网络模型，对自我学习网络模型进行训练，提取流量信号样本的数据特征并保存自我学习网络模型的网络权重；步骤4：构建电动执行器的状态分类与识别网络模型，载入网络权重参数；步骤5：对电动执行器的GMM-1DCNN的网络权重进行微调。本发明在诊断精度与诊断效率方面有较强优势，避免了直接处理数据带来的数据处理工作量大、有效特征难以提取等弊端。难以提取等弊端。难以提取等弊端。


技术研发人员：孙建平 周正 张文广 牛玉广
受保护的技术使用者：华北电力大学
技术研发日：2021.08.30
技术公布日：2022/3/8