一种基于多元特征融合的燃气轮机执行机构故障诊断方法

1.本发明属于燃气轮机控制系统故障诊断技术领域，具体为一种基于多元特征融合的燃气轮机执行机构故障诊断方法。


背景技术：

2.随着燃气轮机及其联合循环技术日臻成熟，世界范围内天然气资源的开发及人类环境保护意识的增强，燃气轮机在发电领域的应用日益增多。燃气轮机及其联合循环具有污染低、供电效率高、负荷范围宽和调整迅速等特点，为满足经济发展和国际竞争的需要，许多国家都把先进的燃气轮机技术作为本国科技重点发展领域之一。大力发展燃气轮机发电技术对于我国能源、交通、环保及节能减排等领域具有重要战略意义。
3.重型燃气轮机机组由于结构复杂、工作环境较为恶劣、辅助设备较多、燃料与部件直接接触较为频繁，故障模式较传统发电系统有很大不同。国内对燃气轮机系统故障处理经验不够丰富，使得故障诊断和维修工作愈发困难。现有的基于数据驱动的执行机构故障诊断方法中，通常需要使用执行机构内部的振动信号或电信号，然而在实际中这些信号往往难以获取。来自燃气轮机控制系统传感器的信号通常可以反映出执行机构的各种故障信息，如执行机构本身的阀门定位器信号以及阀前流量传感器信号等，通过这些信号可以更方便有效地诊断出执行机构故障。此外，执行机构故障通常不只体现在一种信号中，研究基于多元特征融合的故障诊断方法可以有效提高诊断正确率。


技术实现要素：

4.针对背景技术中存在的问题，本发明提供了一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，包括：
5.步骤1、采集来自燃气轮机控制系统的原始数据，所述原始数据包括燃气轮机控制系统执行机构的阀位设定值sv、阀位反馈值pv、流量q三种关键信号数据；
6.步骤2、通过数据处理得到两种一维时域信号；
7.步骤3、通过连续小波变换将一维时域信号映射到二维时频平面；
8.步骤4、对二维时频信号进行归一化处理；
9.步骤5、基于多元特征融合卷积神经网络进行特征融合，得到由增强后的数据集组成的两种分类概率矩阵；
10.步骤6、将两种分类概率矩阵进行决策融合，得到故障分类结果。
11.所述阀位设定值sv、所述阀位反馈值pv和所述流量q各有m种故障模式。
12.所述步骤2包括：
13.步骤2.1：对三种执行机构信号进行如下处理：
14.15.式中，sv为阀位设定值；pv为阀位反馈值；q为流量；x
original
和y
original
为处理后的两种一维时域信号；l
original
为x
original
和y
original
的数据长度；
16.步骤2.2：使用滑动采样方法进行数据集增强处理：
[0017][0018]
式中，l为采样后一个数据集的长度；h为滑动步长；增强后的数据集如下：
[0019][0020]
式中，xk和yk表示增强后的第k个数据，长度均为l，k＝1,2,...,n；n为增强后的数据集个数；x和y表示增强后的所有数据的集合；m为执行机构不同故障模式的分类个数；t表示矩阵转置。
[0021]
所述二维时频信号为：
[0022][0023][0024]
式中，f(u,v)为变换后的二维时频信号，u、v为数据点坐标；f(t)为原信号；ψ
a,b
(t)为连续小波基函数，ψ(
·
)为小波母函数；a为尺度因子，可反映函数的尺度；b为平移因子。
[0025]
所述步骤4包括：
[0026]
步骤4.1：计算几何矩和中心矩：
[0027][0028][0029]
式中，k
p,q
表示二维时频信号的(p+q)阶几何矩；p,q＝0,1,...表示阶数；μ
p,q
表示二维时频信号的(p+q)阶中心矩；和为重心，且
[0030]
步骤4.2：将原二维时频信号进行平移不变性变换：
[0031]
[0032]
式中，fc(uc,vc)为变换后的二维时频信号，uc和vc为fc中数据点坐标；
[0033]
步骤4.3：将二维时频信号进行尺度不变性变换：
[0034][0035]
式中，fs(us,vs)为变换后的二维时频信号，us和vs为fs中数据点坐标；α和δ为尺度因子，且为fc(uc,vc)的(p+q)阶中心矩；
[0036]
步骤4.4：将二维时频信号进行旋转不变性变换：
[0037][0038]
式中，fr(ur,vr)为变换后的二维时频信号，ur和vr为fr中数据点坐标；为旋转角，且为fs(u,v)的中心矩。
[0039]
所述步骤5包括：
[0040]
步骤5.1：构造多级卷积模块提取二维特征矩阵：
[0041][0042]
式中，cnnj(j＝1,2,...,n)表示第j个卷积模块；n为模块总个数；dimj×
dimj表示第j个卷积模块中卷积核的维度，且其中表示fr(ur,vr)的维度；
[0043]
步骤5.2：在提取的二维特征矩阵周围填充0，使得不同维度卷积核提取的特征矩阵大小相同，并将多个卷积核提取的特征矩阵进行特征融合：
[0044][0045]
qj＝sigmoid(wjqj+εj)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0046]
式中，表示特征融合后的矩阵，维度为d
×d×
n；wj和εj(j＝1,2,...,n)表示第j个维度卷积核的权值矩阵和偏差；qj为第j个卷积模块提取的特征矩阵；[qj]d×d表示用于特征融合的第j个矩阵，维度为d
×
d；sigmoid(
·
)为激活函数，其表达式为fusion(
·
)为特征融合函数；
[0047]
步骤5.3：通过平均池化法对所有特征矩阵进行降维处理，并设置dropout层，在训练过程中按照一定比例暂时丢弃隐藏层中的部分神经元，削弱特征之间的相互作用，缓解网络深度，防止过拟合；
[0048]
步骤5.4：设置全连接层并通过softmax回归方法进行分类：
[0049][0050]
式中，softmax(
·
)为逻辑回归函数；为故障模式fmi的概率，i＝1,2,...,m；
[0051]
得到两种信号的分类概率矩阵：
[0052][0053][0054]
式中，d
x
和dy表示两种信号经过多元特征融合得到的分类概率矩阵；和表示用于分类的第k个数据属于故障模式fmi的概率；n为增强后的数据集个数。
[0055]
所述步骤6包括
[0056]
步骤6.1：
[0057][0058]
式中，d表示决策融合之后的分类概率矩阵；m为执行机构不同故障模式的分类个数；表示决策融合之后第k个信号属于故障模式fmi的概率；λ1和λ2为决策系数，且满足λ1＞0，λ2＞0，λ1+λ2＝1；
[0059]
步骤6.2：中的最大值为第k个信号的故障模式为fmz，即最终分类结果。
[0060]
本发明的有益效果在于：
[0061]
1.相对传统的基于数据驱动的故障诊断方法，本发明使用了较为容易获取的燃气轮机控制系统执行机构阀位设定值、阀位反馈值和流量数据对控制系统执行机构的典型故障模式进行判断，具有较高应用价值。
[0062]
2.由于某些故障模式仅体现在某种信号中，通过多元特征融合方法将多种信号的特征进行综合考虑，可以防止出现漏检和误检，提高故障诊断准确率。
附图说明
[0063]
图1为本发明一种基于多元特征融合的燃气轮机执行机构故障诊断方法实施例的流程图。
[0064]
图2是本发明提供的一种将多个二维时频信号进行特征融合的流程图。
[0065]
图3是本发明实施例中多元特征融合卷积神经网络训练误差曲线。
[0066]
图4是本发明实施例中故障分类混淆矩阵图。
具体实施方式
[0067]
以下结合附图对本发明作进一步的详细说明。
[0068]
如图1所示的本发明实施例，包括以下步骤：
[0069]
步骤1、采集来自燃气轮机控制系统的原始数据；
[0070]
步骤2、通过数据处理得到两种一维时域信号；
[0071]
步骤3、通过连续小波变换将一维时域信号映射到二维时频平面；
[0072]
步骤4、对二维时频信号进行归一化处理；
[0073]
步骤5、基于多元特征融合卷积神经网络进行特征融合，得到各信号(增强后的数据集)的两种分类概率矩阵；
[0074]
步骤6、将两种分类概率矩阵进行决策融合，得到故障分类结果。
[0075]
所述步骤1中采集来自燃气轮机控制系统的原始数据包括：燃气轮机控制系统执行机构的阀位设定值sv、阀位反馈值pv、流量q三种关键信号数据，单位均为百分比开度。三种信号各有m种故障模式；本实施例选取9种故障模式进行说明，即m＝9，故障模式分别为(fm1,fm2,
…
,fm9)，具体故障模式名称如表1所示。
[0076]
表1故障模式编号及名称
[0077][0078]
所述步骤2中通过数据处理得到两种一维时域信号包括：对原始数据进行处理，得到两种一维时域信号；对一维时域信号进行数据集增强。具体步骤如下：
[0079]
步骤2.1：对三种执行机构信号进行如下处理：
[0080]
[0081]
式中，sv为阀位设定值；pv为阀位反馈值；q为流量；x
original
和y
original
为处理后的两种一维时域信号；l
original
为x
original
和y
original
的数据长度。
[0082]
步骤2.2：使用滑动采样方法进行数据集增强处理：
[0083][0084]
式中，l为采样后一个数据集的长度；h为滑动步长。增强后的数据集如下：
[0085][0086]
式中，xk和yk表示增强后的第k个数据，长度均为l，k＝1,2,...,n；n为增强后的数据集个数；x和y表示增强后的所有数据的集合；m为执行机构不同故障模式的分类个数；t表示矩阵转置。
[0087]
所述步骤3中通过连续小波变换将一维时域信号映射到二维时频平面，其中，二维时频信号为：
[0088][0089][0090]
式中，f(u,v)为变换后的二维时频信号，u、v为数据点坐标；f(t)为原信号；ψ
a,b
(t)为连续小波基函数，ψ(
·
)为小波母函数；a为尺度因子，可反映函数的尺度；b为平移因子。
[0091]
所述步骤4中对二维时频信号进行归一化处理包括：计算几何矩和中心矩；将原二维时频信号进行平移不变性变换；将二维时频信号进行尺度不变性变换；将二维时频信号进行旋转不变性变换。具体步骤如下：
[0092]
步骤4.1：计算几何矩和中心矩：
[0093][0094][0095]
式中，k
p,q
表示二维时频信号的(p+q)阶几何矩；p,q＝0,1,...表示阶数；μ
p,q
表示
二维时频信号的(p+q)阶中心矩；和为重心，且
[0096]
步骤4.2：将原二维时频信号进行平移不变性变换：
[0097][0098]
式中，fc(uc,vc)为变换后的二维时频信号，uc和vc为fc中数据点坐标。
[0099]
步骤4.3：将二维时频信号进行尺度不变性变换：
[0100][0101]
式中，fs(us,vs)为变换后的二维时频信号，us和vs为fs中数据点坐标；α和δ为尺度因子，且为fc(uc,vc)的(p+q)阶中心矩。
[0102]
步骤4.4：将二维时频信号进行旋转不变性变换：
[0103][0104]
式中，fr(ur,vr)为变换后的二维时频信号，ur和vr为fr中数据点坐标；为旋转角，且为fs(u,v)的中心矩。
[0105]
所述步骤5中基于多元特征融合卷积神经网络进行特征融合包括：构造多级卷积模块；在特征矩阵的深度方向进行叠加；通过平均池化法对所有特征矩阵进行处理；设置dropout层；设置全连接层进行分类。具体步骤如下：
[0106]
步骤5.1：构造多级卷积模块提取二维特征矩阵：
[0107][0108]
式中，cnnj(j＝1,2,...,n)表示第j个卷积模块；n为模块总个数；dimj×
dimj表示第j个卷积模块中卷积核的维度，且其中表示fr(ur,vr)的维度。
[0109]
步骤5.2：在提取的二维特征矩阵周围填充0，使得不同维度卷积核提取的特征矩阵大小相同，并将多个卷积核提取的特征矩阵进行特征融合：
[0110][0111]
qj＝sigmoid(wjqj+εj)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0112]
式中，表示特征融合后的矩阵，维度为d
×d×
n；wj和εj(j＝1,2,...,n)表示第j个维度卷积核的权值矩阵和偏差；qj为第j个卷积模块提取的特征矩阵；[qj]d×d表示用于特征融合的第j个矩阵，维度为d
×
d；sigmoid(
·
)为激活函数，其表达式为fusion(
·
)为特征融合函数。
[0113]
步骤5.3：通过平均池化法对所有特征矩阵进行降维处理，并设置dropout层，在训练过程中按照一定比例暂时丢弃隐藏层中的部分神经元，削弱特征之间的相互作用，缓解网络深度，防止过拟合。
[0114]
步骤5.4：设置全连接层并通过softmax回归方法进行分类：
[0115][0116]
式中，softmax(
·
)为逻辑回归函数；为故障模式fmi的概率，i＝1,2,...,m。
[0117]
得到两种信号的分类概率矩阵：
[0118][0119][0120]
式中，d
x
和dy表示两种信号经过多元特征融合得到的分类概率矩阵；和表示用于分类的第k个数据属于故障模式fmi的概率；n为增强后的数据集个数。
[0121]
所述步骤6中将两种分类概率矩阵进行决策融合，得到所属故障模式的序号，并最终查询结果，具体为：
[0122][0123]
式中，d表示决策融合之后的分类概率矩阵；m为执行机构不同故障模式的分类个数；表示决策融合之后第k个信号属于故障模式fmi的概率；λ1和λ2为决策系数，且满足λ1＞0，λ2＞0，λ1+λ2＝1。
[0124]
中的最大值为第k个信号的故障模式为fmz，即最终分类结果。
[0125]
图3是多元特征融合卷积神经网络训练过程的误差变化图，训练过程中均方误差逐渐减小，直到达到设定的目标值。
[0126]
图4为矩阵d的计算结果，如图4所示，用于分类几种典型执行机构故障模式能够被
正确诊断，证明了诊断方法的有效性。

技术特征：
1.一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，包括：步骤1、采集来自燃气轮机控制系统的原始数据，所述原始数据包括燃气轮机控制系统执行机构的阀位设定值sv、阀位反馈值pv、流量q三种关键信号数据；步骤2、通过数据处理得到两种一维时域信号；步骤3、通过连续小波变换将一维时域信号映射到二维时频平面；步骤4、对二维时频信号进行归一化处理；步骤5、基于多元特征融合卷积神经网络进行特征融合，得到由增强后的数据集组成的两种分类概率矩阵；步骤6、将两种分类概率矩阵进行决策融合，得到故障分类结果。2.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述阀位设定值sv、所述阀位反馈值pv和所述流量q各有m种故障模式。3.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述步骤2包括：步骤2.1：对三种执行机构信号进行如下处理：式中，sv为阀位设定值；pv为阀位反馈值；q为流量；x
original
和y
original
为处理后的两种一维时域信号；l
original
为x
original
和y
original
的数据长度；步骤2.2：使用滑动采样方法进行数据集增强处理：式中，l为采样后一个数据集的长度；h为滑动步长；增强后的数据集如下：式中，x
k
和y
k
表示增强后的第k个数据，长度均为l，k＝1，2，...，n；n为增强后的数据集个数；x和y表示增强后的所有数据的集合；m为执行机构不同故障模式的分类个数；t表示矩阵转置。4.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述二维时频信号为：
式中，f(u，v)为变换后的二维时频信号，u、v为数据点坐标；f(t)为原信号；ψ
a，b
(t)为连续小波基函数，ψ(
·
)为小波母函数；a为尺度因子，可反映函数的尺度；b为平移因子。5.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述步骤4包括：步骤4.1：计算几何矩和中心矩：步骤4.1：计算几何矩和中心矩：式中，k
p，q
表示二维时频信号的(p+q)阶几何矩；p，q＝0，1，...表示阶数；μ
p，q
表示二维时频信号的(p+q)阶中心矩；和为重心，且步骤4.2：将原二维时频信号进行平移不变性变换：式中，f
c
(u
c
，v
c
)为变换后的二维时频信号，u
c
和v
c
为f
c
中数据点坐标；步骤4.3：将二维时频信号进行尺度不变性变换：式中，f
s
(u
s
，v
s
)为变换后的二维时频信号，u
s
和v
s
为f
s
中数据点坐标；α和δ为尺度因子，且且为f
c
(u
c
，v
c
)的(p+q)阶中心矩；步骤4.4：将二维时频信号进行旋转不变性变换：式中，f
r
(u
r
，v
r
)为变换后的二维时频信号，u
r
和v
r
为f
r
中数据点坐标；为旋转角，且为旋转角，且为f
s
(u，v)的中心矩。6.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述步骤5包括：步骤5.1：构造多级卷积模块提取二维特征矩阵：
式中，cnn
j
(j＝1，2，...，n)表示第j个卷积模块；n为模块总个数；dim
j
×
dim
j
表示第j个卷积模块中卷积核的维度，且其中表示f
r
(u
r
，v
r
)的维度；步骤5.2：在提取的二维特征矩阵周围填充0，使得不同维度卷积核提取的特征矩阵大小相同，并将多个卷积核提取的特征矩阵进行特征融合：q
j
＝sigmoid(w
j
q
j
+ε
j
)
ꢀꢀꢀꢀ
(13)式中，表示特征融合后的矩阵，维度为d
×
d
×
n；w
j
和ε
j
(j＝1，2，...，n)表示第j个维度卷积核的权值矩阵和偏差；q
j
为第j个卷积模块提取的特征矩阵；[q
j
]
d
×
d
表示用于特征融合的第j个矩阵，维度为d
×
d；sigmoid(
·
)为激活函数，其表达式为fusion(
·
)为特征融合函数；步骤5.3：通过平均池化法对所有特征矩阵进行降维处理，并设置dropout层，在训练过程中按照一定比例暂时丢弃隐藏层中的部分神经元，削弱特征之间的相互作用，缓解网络深度，防止过拟合；步骤5.4：设置全连接层并通过softmax回归方法进行分类：式中，softmax(
·
)为逻辑回归函数；为故障模式fm
i
的概率，i＝1，2，...，m；得到两种信号的分类概率矩阵：得到两种信号的分类概率矩阵：式中，d
x
和d
y
表示两种信号经过多元特征融合得到的分类概率矩阵；和表示用于分类的第k个数据属于故障模式fm
i
的概率；n为增强后的数据集个数。7.根据权利要求1所述的一种基于多元特征融合的燃气轮机执行机构故障诊断方法，其特征在于，所述步骤6包括
步骤6.1：式中，d表示决策融合之后的分类概率矩阵；m为执行机构不同故障模式的分类个数；表示决策融合之后第k个信号属于故障模式fm
i
的概率；λ1和λ2为决策系数，且满足λ1＞0，λ2＞0，λ1+λ2＝l；步骤6.2：中的最大值为第k个信号的故障模式为fm
z
，即最终分类结果。

技术总结
本发明属于燃气轮机控制系统故障诊断领域，尤其涉及一种基于多元特征融合卷积神经网络(CNN)的燃气轮机执行机构故障诊断方法，包括：采集来自燃气轮机控制系统的原始数据；通过数据处理得到两种一维时域信号；通过连续小波变换将一维时域信号映射到二维时频平面；基于多元特征融合卷积神经网络进行特征融合，得到各信号分类概率矩阵；将两种分类概率矩阵进行决策融合，得到故障分类结果。本发明相对传统基于数据驱动的故障诊断方法，使用了较为容易获取的燃气轮机执行机构阀位设定值、阀位反馈值和流量数据，具有较高应用价值；通过多元特征融合方法将多种信号的特征综合考虑，可防止出现漏检和误检，提高故障诊断准确率。提高故障诊断准确率。提高故障诊断准确率。


技术研发人员：张文广 贺东旭 蔺媛 牛玉广 王玮 王庆华
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