基于自组织映射神经网络的燃料系统故障的检测方法技术方案

一种基于自组织映射神经网络的燃料系统故障的检测方法，通过从燃料系统的压力波形图中获取特征量经预处理后用于建立SOM网络，依次采用启发式算法优化网络结构，采用遗传算法优化网络参数；然后通过对SOM网络的神经元进行初始化并利用训练集对网络进行迭代训练；最后利用测试集进行故障检测识别。本发明专利技术能根据燃料系统的压力波形图提取特征量，在原始数据预处理后，通过确定网络结构和优化网络参数来建立对应的自组织映射神经网络模型，同时改善了网络参数初始化凭借经验选择的缺陷，善于应对燃气轮机故障诊断中出现的各类问题，对故障具有较高的识别度，具有重要的工程实用价值。

【技术实现步骤摘要】
基于自组织映射神经网络的燃料系统故障的检测方法
本专利技术涉及的是一种燃气轮机运行与维护领域的技术，具体是一种基于自组织映射(SOM)神经网络的燃料系统故障的检测方法。
技术介绍
随着全球大型装备技术的快速发展，关于其制造服务或者故障预测与健康管理成为一些服务制造企业的新拓展和发展方向。燃气轮机作为当前最为先进的动力机械之一，广泛应用于航空、船舶、电力等工业领域。燃料系统作为燃气轮机的重要组成部分，直接影响燃气轮机的燃烧过程，从而决定燃气轮机的性能。现有技术中，检测燃料系统故障的方法多数采用油压传感器采集高压油管的油压信息，通过建立燃料系统的物理模型或者采用仿真的方式，推测燃料系统的工作状态，依此诊断是否故障。但是实际中燃料系统结构复杂，难以构建物理模型对其进行准确描述。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于自组织映射神经网络的燃料系统故障的检测方法，采用数据驱动的方法，并且采用主成分分析法对数据进行降维，能够极大提高燃料系统故障诊断的精确度并具有较好的普适度。本专利技术是通过以下技术方案实现的：本专利技术通过从燃料系统的压力波形图中获取特征量经预处理后用于建立SOM网络，依次采用启发式算法优化网络结构，采用遗传算法优化网络参数；然后通过对SOM网络的神经元进行初始化并利用训练集对网络进行迭代训练；最后利用测试集进行故障检测识别。所述的特征量包括：上升沿宽度、起喷压力、最大压力、波形幅度、波形宽度、波形的面积、次最大压力和最大余波宽度。所述的预处理是指：采用归一化法和主成分分析法对特征量进行运算，得到无量纲的纯量。所述的主成分分析法将一组相关的变量转换为不相关的新变量，并保留原始数据的大部分信息，具体包括以下步骤：i.将数据空间分解到主成分空间和剩余空间，采用：X＝TkPkT+E，其中：X为数据空间，Tk是由正交量ti组成的分数矩阵，Pk为将原始数据投影到新正交空间上的载荷矩阵，PkT为Pk的转置，E为剩余矩阵；ii.运用主成分分析法同时对主成分空间和剩余空间执行故障检测，测试样本与模型之间的平方预测误差Q＝x(I-PkPkT)xT≤Qα，其中：x为X的分量，xT为x的转置，Qα为给定的平方预测误差上限；主成分分析模型内的误差：T2＝xPkΛ-1PkTxT≤Tα2，其中：Λ＝diag(λ1,λ2,…,λm)，λ1,λ2,…,λm为样本矩阵X的特征值，Λ-1为Λ的逆，Tα2为给定的主成分分析模型内的误差上限。所述的训练集和测试集采集于燃气轮机实际运行过程，其中训练集和测试集的比例优选为5：1，训练集和测试集中的每条数据包括八个特征量和一个故障标记。所述的采用启发式算法优化网络结构，具体包括以下步骤：1.训练集和测试集通过指标为：其中：xi为输入向量，wij为权重，D为维度；2.根据训练集的error值越低则拟合度越高，测试集的error值越低则检测的准确性越高，得出目标函数obj:minerrortrain×errortest；3.由于预先得知八类工况再预留两类未知工况的空间，因此对x＝7,8,9和y＝7,8,9这9种网络结构迭代1600次后进行测试；4.得到最优的网络结构为8×8的网络结构。所述的网络参数包括：输出神经元数量、学习率、初始响应领域、激活函数和衰减函数。所述的采用遗传算法优化网络参数，具体包括以下步骤：a.对每种网络参数可以选择的函数进行编码；b.随机产生初始种群结构，目标函数仍为minerrortrain×errortest；c.采用选择迭代的方式确定适应度；d.依据步骤c的适应度准则再生下一代，适应度高则遗传概率高，适应度低则遗传概率低；e.根据交叉遗传法生成新一代种群；f.根据变异度生成一些变异体；g.对新一代种群进行评估；h.重复步骤b～g，选出最优解，经过遗传算法的选择，学习率和衰减函数均为线性衰减，激活函数为高斯激活函数，响应领域为方形响应领域。所述的初始化是指：对网络进行预划分后，再在分类区域内采用随机初始值的方法进行神经元初始化以缩短网络的训练速度。所述的迭代训练是以误差作为评价指标。本专利技术设计一种实现上述方法的系统，包括：数据读取模块、数据预处理模块、SOM神经网络训练模块、故障分类模块以及测试结果误差模块，其中：数据读取模块与数据预处理相连并传输从数据库读取到的原始数据信息，数据预处理模块与SOM神经网络训练模块和故障分类模块相连并分别传输预处理后的训练数据信息和测试数据信息，SOM神经网络训练模块与故障分类模块相连并传输网络结构信息，故障分类模块与测试结果误差模块相连并传输结果信息。技术效果与现有技术相比，本专利技术能根据燃料系统的压力波形图提取特征量，在原始数据预处理后，通过确定网络结构和优化网络参数来建立对应的自组织映射神经网络模型，同时改善了网络参数初始化凭借经验选择的缺陷，善于应对燃气轮机故障诊断中出现的各类问题，对故障具有较高的识别度，具有重要的工程实用价值。附图说明图1为本专利技术的示意图；图2为训练集的结果检测图；图3为测试集的结果检测图；图4为本专利技术的系统示意图。具体实施方式如图1所示，本实施例通过从燃料系统的压力波形图中获取特征量经预处理后用于建立SOM网络，依次采用启发式算法优化网络结构，采用遗传算法优化网络参数；然后通过对SOM网络的神经元进行初始化并利用训练集对网络进行迭代训练；最后利用测试集进行故障检测识别。所述的特征量包括：上升沿宽度、起喷压力、最大压力、波形幅度、波形宽度、波形的面积、次最大压力和最大余波宽度。所述的预处理是指：采用归一化法和主成分分析法对特征量进行运算，得到无量纲的纯量。所述的归一化法的常用公式为其中：yi为第i个数归一化后的结果，xi为样本的第i个数，xmin为样本的最小数，xmax为样本的最大数。表1为特征量经过归一化后的特征数据所述的主成分分析法是指：将一组相关的变量转换为不相关的新变量，并保留原始数据的大部分信息。所述的主成分分析法将一组相关的变量转换为不相关的新变量，并保留原始数据的大部分信息，具体包括以下步骤：i.将数据空间分解到主成分空间和剩余空间，采用：X＝TkPkT+E，其中：X为数据空间，Tk是由正交量ti组成的分数矩阵，Pk为将原始数据投影到新正交空间上的载荷矩阵，PkT为Pk的转置，E为剩余矩阵；ii.运用主成分分析法同时对主成分空间和剩余空间执行故障检测，测试样本与模型之间的平方预测误差Q＝x(I-PkPkT)xT≤Qα，其中：x为X的分量，xT为x的转置，Qα为给定的平方预测误差上限；主成分分析模型内的误差：T2＝xPkΛ-1PkTxT≤Tα2，其中：Λ＝diag(λ1,λ2,…,λm)，λ1,λ2,…,λm为样本矩阵X的特征值，Λ-1为Λ的逆，Tα2为给定的主成分分析模型内的误差上限。所述的归一化法和主成分分析法均采用矩阵实验室(MATLAB)软件完成。本实施例中的训练集和测试集采集于燃气轮机实际运行过程，包括40条训练集和8条测试集。每条数据有八个特征量和一个故障标记，该故障标记通过1-8表征。所述的采用启发式算法优化网络结构，具体包括以下步骤：1.训练集和测试集通过指标为：其中：xi为输入向量，wij为权重，D为维度；2.根据训练集的error值越低则拟合度越高，测试集的本文档来自技高网...

【技术保护点】
1.一种基于自组织映射神经网络的燃料系统故障的检测方法，其特征在于，通过从燃料系统的压力波形图中获取特征量经预处理后用于建立SOM网络，依次采用启发式算法优化网络结构，采用遗传算法优化网络参数；然后通过对SOM网络的神经元进行初始化并利用训练集对网络进行迭代训练；最后利用测试集进行故障检测识别；所述的特征量包括：上升沿宽度、起喷压力、最大压力、波形幅度、波形宽度、波形的面积、次最大压力和最大余波宽度；所述的网络参数包括：输出神经元数量、学习率、初始响应领域、激活函数和衰减函数；所述的训练集和测试集采集于燃气轮机实际运行过程，其中训练集和测试集的比例为5：1，训练集和测试集中的每条数据包括八个特征量和一个故障标记。

【技术特征摘要】
1.一种基于自组织映射神经网络的燃料系统故障的检测方法，其特征在于，通过从燃料系统的压力波形图中获取特征量经预处理后用于建立SOM网络，依次采用启发式算法优化网络结构，采用遗传算法优化网络参数；然后通过对SOM网络的神经元进行初始化并利用训练集对网络进行迭代训练；最后利用测试集进行故障检测识别；所述的特征量包括：上升沿宽度、起喷压力、最大压力、波形幅度、波形宽度、波形的面积、次最大压力和最大余波宽度；所述的网络参数包括：输出神经元数量、学习率、初始响应领域、激活函数和衰减函数；所述的训练集和测试集采集于燃气轮机实际运行过程，其中训练集和测试集的比例为5：1，训练集和测试集中的每条数据包括八个特征量和一个故障标记。2.根据权利要求1所述的方法，其特征是，所述的预处理是指：采用归一化法和主成分分析法对特征量进行运算，得到无量纲的纯量。3.根据权利要求1所述的方法，其特征是，所述的主成分分析法将一组相关的变量转换为不相关的新变量，并保留原始数据的大部分信息。4.根据权利要求1所述的方法，其特征是，所述的初始化是指：对网络进行预划分后，再在分类区域内采用随机初始值的方法进行神经元初始化以缩短网络的训练速度。5.根据权利要求2或3所述的方法，其特征是，所述的主成分分析法的降维算法...

【专利技术属性】
技术研发人员：郑宇，廖江，张燚尧，方鸣，龚海磊，夏唐斌，
申请(专利权)人：上海交通大学，中国电信股份有限公司上海分公司，
类型：发明
国别省市：上海,31