一种燃气轮机神经网络容错控制方法及系统技术方案

本发明专利技术涉及一种燃气轮机神经网络容错控制方法及系统。本发明专利技术采用神经网络估计模型进行燃气轮机的模拟，确定无故障情况下的期望输出，基于神经网络补偿模型确定使在故障情况下燃气轮机的实际输出与期望输出一致，本发明专利技术基于人工智能的方式实现了燃气轮机的容错控制，无需建立燃气轮机的精确数学模型。无需建立燃气轮机的精确数学模型。无需建立燃气轮机的精确数学模型。

【技术实现步骤摘要】
一种燃气轮机神经网络容错控制方法及系统


[0001]本专利技术涉及容错控制
，特别是涉及一种燃气轮机神经网络容错控 制方法及系统。

技术介绍

[0002]燃气轮机系统在长期运行过程中容易产生执行器退化、损坏等问题。在执 行机构产生故障的情况下，需要设计有效的容错控制方法来解决运行过程中出 现的一些故障问题。容错控制器的设计方法有硬件冗余和软件冗余两大类，硬 件冗余是利用系统部件双重或多重备份来提高容错。这种方法可靠性和安全性 高，但随着冗余的元部件增多，成本也高；软件冗余则利用系统中不同部件在 功能上的冗余性，具有良好的灵活性和高性价比。
[0003]目前在实现燃气轮机控制系统执行机构容错控制过程中，主要有以下几种 方法进行容错控制：
[0004]1.基于参数空间设计的容错极点配置。该方法借助一个定常状态或输出反 馈控制，将系统的闭环极点配置在一个预定的区域内，并且保证当所考虑的任 何一种故障模式发生时，闭环极点仍然处在该区域内。
[0005]2.基于Riccati方程和Lyapunov稳定性定理设计鲁棒容错控制器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃气轮机神经网络容错控制方法，其特征在于，所述方法包括如下步骤：基于t时刻的控制指令对所述燃气轮机进行控制，采集燃气轮机的t时刻的实际输出；将燃气轮机的控制器输出的t时刻的控制指令输入至神经网络估计模型，获得神经网络估计模型的输出作为燃气轮机的t时刻的期望输出；根据所述期望输出和所述实际输出，判断是否发生故障，获得判断结果；当所述判断结果表示是，则将所述期望输出和所述实际输出的差值输入神经网络补偿模型，获得神经网络补偿模型的输出作为控制补偿量，基于t+1时刻的控制指令和所述控制补偿量对所述燃气轮机进行控制，使燃气轮机的t+1时刻的实际输出与期望输出一致；当所述判断结果表示否，则基于所述t+1时刻的控制指令对所述燃气轮机进行控制。2.根据权利要求1所述的燃气轮机神经网络容错控制方法，其特征在于，所述神经网络估计模型的输入与输出的关系为：其中，y(t)为神经网络估计模型的输出，即t时刻的期望输出，为神经网络估计模型的输入，即t时刻的控制指令，θ为神经网络估计模型的参数，f0(
·
)为神经网络估计模型的函数表达式。3.根据权利要求1所述的燃气轮机神经网络容错控制方法，其特征在于，用于训练所述神经网络估计模型的参数的目标函数为：其中，为用于训练所述神经网络估计模型的参数的目标函数，D为输入数据的个数，为神经网络估计模型的参数阈值，为第k个输入数据对应的残差信号表示第k个输入数据对应的神经网络估计模型的期望输出，y
k
表示第k个输入数据对应的燃气轮机的实际输出，所述输入数据为历史的控制指令。4.根据权利要求1所述的燃气轮机神经网络容错控制方法，其特征在于，神经网络补偿模型的输入与输出的对应关系为：其中，u
f
(t)为神经网络补偿模型的输出，即控制补偿量，ε
i
为输入层的第i个神经元节点的残差值，w
j
为隐藏层的第j个神经元节点的权值，v
ij
为输入层的第i个神经元节点到隐含层的第j个神经元节点的权值，n1，n2分别是输入层与隐含层的神经元节点个数，f(
·
)为神经网络补偿模型的激励函数。5.根据权利要求1所述的燃气轮机神经网络容错控制方法，其特征在于，用于训练神经网络补偿模型的目标函数为：
其中，Δθ(t)为用于训练神经网络补偿模型的目标函数，λ为预先设定的正数，α为动量因子，η
t
表示神经网络补偿模型训练的学习速率，e(t)表示神经网络补偿模型的输出与实际输出的偏差，y
b
(t)表示实际输出，μ(t)表示执行器收到的控制指令，μ
f
(t)表示神经网络补偿模型输出的控制指令，θ表示神经网络补偿模型的神经元节点的权值组成的参数...

【专利技术属性】
技术研发人员：房方，戴晨航，陈远野，刘亚娟，王巍，刘玉升，
申请(专利权)人：国核自仪系统工程有限公司，
类型：发明
国别省市：