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设计方法技术方案

本发明专利技术公开了一种基于LSTM和生物激励神经网络的重型燃机控制器模块智能BIT设计方法，收集重型燃气轮机控制器模块在设定时间段内的时间序列历史数据；数据标准化处理，分为训练集、测试集；针对控制器的每一个状态特征参数类型设计并训练LSTM神经网络，使用改进的万有引力算法对其优化；将处理好的数据输入训练好的指定状态类型的LSTM神经网络并得到该指定状态类型的预测数据，取该预测值与实际状态数据的差值；通过生物激励神经网络，将差值与控制器模块状态信息相关联，训练得到可靠生物激励神经网络模型，完成控制器模块BIT自检。本发明专利技术有效提高了重型燃气轮机控制系统控制器模块的安全性和可靠性，提高了智能化水平。

【技术实现步骤摘要】
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
本专利技术涉及一种重型燃机控制系统控制器模块的智能BIT系统，具体涉及一种基于LSTM神经网络和生物激励神经网络的重型燃气轮机控制系统控制器模块自检方法。
技术介绍
随着电子技术与计算机技术的发展，各领域内控制系统的功能也日渐完善，可靠性得到大大提高，但控制系统电子设备难免出现故障或参数漂移，为最大限度的提高控制系统的可靠性，及时发现故障，保证设备参数处于最佳状态，很多控制系统的电子元件内部嵌入了BIT设备，实现对控制系统的实时监测和故障预测。随着国内电厂重型燃气轮机的占比越来越大，重型燃气轮机系统的核心技术显得日益重要，对其自身的检测也提出了更高的要求。目前重型燃气轮机的控制器模块BIT技术不够成熟，存在虚警率较高的问题，所以为尽最大限度提高重型燃气轮机控制系统的控制器模块的故障自检率，及时发现异常状态并故障定位，智能BIT成为当前针对重型燃气轮机控制系统研究的重点，探索更为有效的智能自检方法受到越来越多的关注和研究。随着大数据和人工智能本文档来自技高网...

【技术保护点】
1.一种基于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，其特征在于，具体步骤为：/n步骤1：收集指定时间段内的控制器模块运行的特征状态参数的数据，形成历史数据矩阵集，所述特征参数选择网络状态、温度、CPU负荷、内层负荷，以代表重型燃气轮机控制器模块的运行状态；/n步骤2：从所采集运行数据中筛选出控制器模块的历史正常数据和历史故障数据，将数据进行归一化处理，并将正常数据分为训练集和测试集；/n步骤3：针对各个特征状态参数设计LSTM神经网络，预测下个单位时间的参数状态数据，利用历史正常数据对网络进行训练和测试，评估模型误差，误差大于预先设定的阈值时重新训练模型；/n...

【技术特征摘要】
1.一种基于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，其特征在于，具体步骤为：
步骤1：收集指定时间段内的控制器模块运行的特征状态参数的数据，形成历史数据矩阵集，所述特征参数选择网络状态、温度、CPU负荷、内层负荷，以代表重型燃气轮机控制器模块的运行状态；
步骤2：从所采集运行数据中筛选出控制器模块的历史正常数据和历史故障数据，将数据进行归一化处理，并将正常数据分为训练集和测试集；
步骤3：针对各个特征状态参数设计LSTM神经网络，预测下个单位时间的参数状态数据，利用历史正常数据对网络进行训练和测试，评估模型误差，误差大于预先设定的阈值时重新训练模型；
步骤4：在训练LSTM神经网络时采用改进的万有引力算法来优化神经网络的初始权重和阈值，从而提高模型的精确度和可靠性，减小预测误差；
步骤5：在步骤4的模型训练好之后，从采集的历史运行数据中筛选出控制器模块不同运行状态下的数据并分类，将归一化处理后的数据输入步骤4训练好的LSTM神经网络模型；
步骤6：得到重型燃气轮机控制器模块不同运行状态下的模型输出数据，计算预测值和实际值之间的差值，形成残差矩阵；
步骤7：针对步骤6获得的差值，结合差值和控制器模块状态的对应关系，设计生物激励神经网络实现重型燃气轮机控制器模块智能BIT综合诊断。


2.根据权利要求1所述的基于LSTM和生物激励神经网络的重型燃气轮机控制系统控制器模块智能BIT设计方法，其特征在于，所述控制器模块历史数据包括各特征参数数据，按照时间序列进行排序，且包含所有特征状态参数历史数据；
矩阵A代表数据集，则A的第i行表示第i个特征参数的历史数据集，表示第n个特征数据的第m个单位时间的数据，即。


3.根据权利要求1所述的基于LSTM和生物激励神经网络的重型燃气轮机控制系统控制器模块智能BIT设计方法，其特征在于，所述步骤2中，归一化处理方法具体为：




代表归一化处理后的数据，代表归一化处理前的数据，代表所预测的特征状态参数的最小值，代表所预测的特征状态参数的最大值。


4.根据权利要求1所述的基于LSTM和生物激励神经网络的重型燃气轮机控制系统控制器模块智能BIT设计方法，其特征在于，所述步骤3中，LSTM神经网络包含输入层、隐含层和输出层，其中可以包含多个隐含层结构,LSTM神经网络的训练过程如下：
以均方差定义误差函数，误差反向传递降低损失，设置学习率作为权值更新参数，采用改进的万有引力算法优化得出神经网络初始的权重和阈值，设置单次训练的数据批次及迭代次数，具体训练过程如下：
（1）针对某一特征状态参数的正常数据，利用前5个时间序列预测下一个时间序列的值，即将作为神经网络的输入，作为神经网络的输出;
（2）选定好数据训练批次后，作为神经网络的输入，作为神经网络的输出，则下一组训练数据为作为神经网络的输入，作为神经网络的输出，依次类推训练神经网络达到反映动态特性的效果;
（3）将训练数据输入至LSTM的输入层后传递到隐含层，隐含层结构主要包括遗忘门、输入门和输出门；
隐含层的主要计算过程为：
遗忘门：

代表遗忘门的权重参数，代表遗忘门的偏差参数，表示隐含层上一时刻的状态，表示输入的时间序列数据，表示Sigmoid函数;
输入门：







代表输入门的权重参数，代表输入门的偏差参数，表示隐含层上一时刻的状态，表示输入的时间序列数据，表示Sigmoid函数，表示三角正切函数;
输出门：




代表输入门的权重参数，代表输入门的偏差参数，表示隐含层上一时刻的状态，表示Sigmoid函数，表示三角正切函数;
（4）根据输出门得到的预测值与实际值的计算均方误差函数MSE,，如果该误差大于给定误差，则采用RMSProp算法优化神经网络的权重参数W,如果误差小于给定误差，则获得可靠神经网络模型。


5.根据权利要求1所述的基于LSTM和生物激励神经网络的重型燃气轮机控制系统控制器模块智能BIT设计方法，其特征在于，所述步骤4中，采用改进的万有引力算法优化初始权重，初始化的主要过程为：
（1）采用Tent映射算法来混沌初始化粒子群的位置;




k是混沌迭代的次数，是第k次迭代的初始值;
当xk=0,0.25,0.5,0.75或xk=xk-m时,m={0,1,2,3,4},则xk的值按照以下过程重新分配，α表示0到1之间的随机数;



（2）确定所需优化的权重和阈值数量，默认LSTM神经网络为单隐含层结构，则输入节点mi个数为5，输出节点mo个数为1，其中隐含层的节点mh根据经验公式来确定：,c为1到10之间的整数;
用S代表所需要的优化的权重和阈值的数量，则




表示输入层节...

【专利技术属性】
技术研发人员：黄从智，王亚松，侯国莲，张建华，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11