基于特征信息融合的燃气轮机进口导叶系统故障诊断方法技术方案

本发明专利技术公开了一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法；包括：原始振动信号采集；故障机理分析；变分模态分解(VMD)参数寻优及分解；故障特征提取；状态特征向量归一化；特征向量编码；脉冲神经网络(SNN)故障诊断。本分明采用海豚群算法对VMD参数寻优，提升分解准确率；以峭度

【技术实现步骤摘要】
基于特征信息融合的燃气轮机进口导叶系统故障诊断方法


[0001]本专利技术属于燃气轮机故障诊断
，具体为一种基于特征信息融合的燃气轮机进口导 叶系统故障诊断方法。

技术介绍

[0002]燃气轮机是以连续流动的天然气为工质带动叶轮高速旋转的内燃式动力机械，已广泛应用 于航天、化工等领域。用于工业发电的重型燃气轮机是我国实现节约能源和环境保护的重要动 力系统。进口导叶是燃气轮机压气机的第一级动叶前一系列静止的叶片，作为燃气轮机压气机 的核心部件，承担着能量转换的重任。通过改变导叶的角度，控制进入压气机中气流的角度和 流量，一旦进口导叶系统发生故障，将严重危害燃气轮机的正常运行，更有甚者会造成安全事 故。
[0003]当进口导叶系统出现故障，传感器接收到的振动信号变为显著的非平稳信号，这些信号中 隐藏着大量的特征信息。目前的信号分析方法大多为经验模态分解(EMD)，局部均值分解(LMD) 等，EMD易出现模态混叠的问题；LMD容易造成信号奇异性特性丢失。提出的基于特征信息 融合的故障诊断方法采用变分模态分解(VMD)对信号进行自适应处理，克服了模态混叠、信 号特性丢失以及边界效应等问题，更具有优越性。
[0004]为了解决微小故障无法被描述的问题，本专利技术在引入了熵值的概念的基础上，提出了基于 特征信息融合的故障诊断方法对多尺度多特征进行分析，通过四个熵值函数进行特征提取，采 用脉冲神经网络(SNN)进行故障诊断，相较于深度神经网络具有生物课解释性高且具有高性 能、低功耗的优势。
专利技术内容
[0005]针对
技术介绍
中存在的问题，本专利技术提供了一种基于特征信息融合的燃气轮机进口导叶系 统故障诊断方法，其特征在于，包括：
[0006]步骤1、采集燃气轮机进口导叶系统振动信号数据并对数据进行故障机理分析，得到故障 时刻振动信号幅值的变化趋势；
[0007]步骤2、利用群体智能算法优化变分模态分解的参数；
[0008]步骤3、使用优化后的参数对振动信号进行变分模态分解分解，得到k个本征模态函数分 量，以峭度
‑
互信息熵为依据筛选对故障信息敏感的本征模态函数分量；
[0009]步骤4、采用多特征熵值算法在时频域进行故障特征提取，构造状态特征向量，并对其进 行归一化处理；
[0010]步骤5、将归一化后的特征向量编码为脉冲时间序列，得到训练集；
[0011]步骤6、将训练集输入脉冲神经网络模型进行训练，构建脉冲神经网络模型，再采用 SpikeProp算法优化脉冲神经网络；
[0012]步骤7、采样进口导叶系统故障数据并重复步骤2至步骤5得到能被脉冲神经网络模型识 别的脉冲信号作为测试集；输入至训练好的脉冲神经网络模型得到输出神经元的
膜电压，当某 个神经元膜电压到达阈值发出脉冲，而其他神经元尚未达到阈值不发出脉冲时，得到待诊断振 动信号的故障类别。
[0013]所述步骤1中故障时刻振动信号幅值的变化趋势为：燃气轮机进口导叶系统产生的振动信 号由叶根传递至机匣表面进而传递至振动传感器；其中振动信号幅值在故障时刻会发生突变， 振动信号幅值r
a
为：
[0014][0015]式中，ω
c
为固有频率，Hz；ζ为阻尼比；Ω为转速，r/s；为振动相位，rad；l为导叶断裂 前后质心间距离，cm；t为时间，单位为s。
[0016]所述步骤2中，利用群体智能算法中的海豚群算法对变分模态分解的参数进行优化，步骤 2分为：
[0017]设定模态分解个数k和惩罚因子α的参数范围，对种群初始化；通过VMD分解信号得到 多个本征模态函数分量，选取最小包络熵为适应度函数；再进入搜索阶段，找到个体最优适应 度值；进入呼叫和接收阶段，找到邻域最优解；进入捕食阶段，个体向邻域最优解进行位置更 新，计算最优适应度值；当满足迭代次数要求时，输出k和α的最优解，其中适应度函数F
fit
公式为：
[0018]F
fit
＝min(E
en
)
ꢀꢀꢀ
(2)
[0019]式中，E
en
为包络熵，表示分量信号的稀疏性；
[0020]E
en
计算公式为：
[0021][0022]式中，τ(s)为振动信号X(t)经希尔伯特解调后的包络信号；e
s
为τ(s)的归一化值； s＝1,2,...,n。
[0023]所述步骤3中，采用优化后的参数对振动信号进行变分模态分解分解，变分模态分解分解 将振动信号分解成k个本征模态函数分量，保证分解序列为具有中间频率的有限带宽的模态分 量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，变分模态分 解分解实现信号的频域划分，进而得到振动信号的有效分解成分，最终获得变分问题的最优解；
[0024]其中，振动信号经变分模态分解分解后得到k个本征模态函数分量，对振动信号建立约束 变分模型公式为：
[0025][0026]式中，u
k
(t)为模态分量；ω
k
为各模态分量的中间频率；k为IMF的个数；δ(t)为冲击函数； j为虚数单位；t为时间，单位为s；为谐波信号；*为卷积计算；s.t.为约束条件；
[0027]为求解式(4)变分模型约束问题的最优解，利用二次惩罚函数和拉格朗日乘子法，将其转 换为式(5)所示的非约束变分模型：
[0028][0029]式中，λ(t)为拉格朗日乘子；表示2
‑
范数；<
·
>表示向量内积；
[0030]为了求解非约束变分模型，通过交替方向乘子法寻求拉格朗日表达式的鞍点，直至满足迭 代停止条件即为变分模型取得最优解；式中ε为精度。
[0031]所述步骤3中利用峭度
‑
互信息熵筛选对故障信息敏感的本征模态函数分量，公式为：
[0032][0033]E
mi
＝H
mi
(x1)+H
mi
(X(t))
‑
H
mi
(x1,X(t))
ꢀꢀꢀ
(7)
[0034]式中，K
c
为峭度，表示故障严重程度；为信号X(t)的平均幅值；k为IMF的个数；E
mi
为互信息熵，表示两信号间的关联性；x1为任意一个IMF分量；H
mi
(
·
)为信号的熵值。
[0035]所述步骤4，分为：
[0036]步骤4.1、经变分模态分解分解后的IMF分量为{u
k
(t)}＝{u1(t),u2(t),...u
k
(t)}，计算 瞬时能量熵H
energy
：
[0037][0038][0039]式中r
i...

【技术保护点】

【技术特征摘要】
1.一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法，其特征在于，包括：步骤1、采集燃气轮机进口导叶系统振动信号数据并对数据进行故障机理分析，得到故障时刻振动信号幅值的变化趋势；步骤2、利用群体智能算法优化变分模态分解的参数；步骤3、使用优化后的参数对振动信号进行变分模态分解分解，得到k个本征模态函数分量，以峭度
‑
互信息熵为依据筛选对故障信息敏感的本征模态函数分量；步骤4、采用多特征熵值算法在时频域进行故障特征提取，构造状态特征向量，并对其进行归一化处理；步骤5、将归一化后的特征向量编码为脉冲时间序列，得到训练集；步骤6、将训练集输入脉冲神经网络模型进行训练，构建脉冲神经网络模型，再采用SpikeProp算法优化脉冲神经网络；步骤7、采样进口导叶系统故障数据并重复步骤2至步骤5得到能被脉冲神经网络模型识别的脉冲信号作为测试集；输入至训练好的脉冲神经网络模型得到输出神经元的膜电压，当某个神经元膜电压到达阈值发出脉冲，而其他神经元尚未达到阈值不发出脉冲时，得到待诊断振动信号的故障类别。2.根据权利要求1所述的一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法，其特征在于，所述步骤1中故障时刻振动信号幅值的变化趋势为：燃气轮机进口导叶系统产生的振动信号由叶根传递至机匣表面进而传递至振动传感器；其中振动信号幅值在故障时刻会发生突变，振动信号幅值r
a
为：式中，ω
c
为固有频率，Hz；ζ为阻尼比；Ω为转速，r/s；为振动相位，rad；l为导叶断裂前后质心间距离，cm；t为时间，单位为s。3.根据权利要求1所述的一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法，其特征在于，所述步骤2中，利用群体智能算法中的海豚群算法对变分模态分解的参数进行优化，步骤2分为：设定模态分解个数k和惩罚因子α的参数范围，对种群初始化；通过VMD分解信号得到多个本征模态函数分量，选取最小包络熵为适应度函数；再进入搜索阶段，找到个体最优适应度值；进入呼叫和接收阶段，找到邻域最优解；进入捕食阶段，个体向邻域最优解进行位置更新，计算最优适应度值；当满足迭代次数要求时，输出k和α的最优解，其中适应度函数F
fit
公式为：F
fit
＝min(E
en
)
ꢀꢀꢀꢀꢀꢀꢀ
(2)式中，E
en
为包络熵，表示分量信号的稀疏性；E
en
计算公式为：
式中，τ(s)为振动信号X(t)经希尔伯特解调后的包络信号；e
s
为τ(s)的归一化值；s＝1,2,...,n。4.根据权利要求1所述的一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法，其特征在于，所述步骤3中，采用优化后的参数对振动信号进行变分模态分解分解，变分模态分解分解将振动信号分解成k个本征模态函数分量，保证分解序列为具有中间频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，变分模态分解分解实现信号的频域划分，进而得到振动信号的有效分解成分，最终获得变分问题的最优解；其中，振动信号经变分模态分解分解后得到k个本征模态函数分量，对振动信号建立约束变分模型公式为：式中，u
k
(t)为模态分量；ω
k
为各模态分量的中间频率；k为IMF的个数；δ(t)为冲击函数；j为虚数单位；t为时间，单位为s；为谐波信号；*为卷积计算；s.t.为约束条件；为求解式(4)变分模型约束问题的最优解，利用二次惩罚函数和拉格朗日乘子法，将其转换为式(5)所示的非约束变分模型：式中，λ(t)为拉格朗日乘子；表示2
‑
范数；<
·
>表示向量内积；为了求解非约束变分模型，通过交替方向乘子法寻求拉格朗日表达式的鞍点，直至满
足迭代停止条件即为变分模型取得最优解；式中ε为精度。5.根据权利要求1所述的一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法，其特征在于，所述步骤3中利用峭度
‑
互信息熵筛选对故障信息敏感的本征模态函数分量，公式为：E
mi
＝H
mi
(x1)+H
mi
(X(t))
‑
H
mi
(x1,X(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，K
c
为峭度，表示故障严重程度；为信号X(t)的平均幅值；k为IMF的个数；E
mi
为互信息熵，表示...

【专利技术属性】
技术研发人员：张文广，陆瑶，徐浩博，陈松，牛玉广，王玮，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：