一种燃气轮机电动执行器故障诊断方法技术

本发明专利技术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

【技术实现步骤摘要】
一种燃气轮机电动执行器故障诊断方法


[0001]本专利技术涉及燃气轮机故障诊断
，尤其涉及一种燃气轮机电动执行器故障诊断方法。

技术介绍

[0002]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。
[0003]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。
[0004]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
...

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