一种基于TimesNet和自适应突触学习模型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TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块智能BIT设计方法，通过重燃控制系统控制器原型模拟样机采集能够表征控制器模块运行状态的时序信号；采用TimesNet将复杂的时间模式解耦，将时序信号的分析扩展到二维空间；将时序信号通过快速傅里叶变换的方法沿着时间维度进行零扩展；以残差块的方式组建TimesBlock，捕获不同的重塑二维张量的时序变化特征；并基于归一化振幅值进行自适应聚合，有效提取信号特征重构一维时序信号；针对TimesNet重构的一维时序信号，采用自适应突触学习模型进行状态识别和分类，输出0或1的数字量信号对应信号状态的正常或故障，实现控制器模块智能BIT功能，降低了常规BIT的虚警率，有效提高了重型燃机控制系统控制器模块的可靠性和智能化水平。控制系统控制器模块的可靠性和智能化水平。

【技术实现步骤摘要】
一种基于TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块智能BIT设计方法


[0001]本专利技术涉及一种重型燃机控制系统控制器模块智能BIT设计方法，具体涉及一种基于TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块BIT设计方法。

技术介绍

[0002]重型燃气轮机是迄今为止最高效的热能转换发电设备之一，是发电领域的核心。由于重型燃气轮机在运行状态下的退化机制，导致其性能退化、燃料消耗、温室气体排放和计划外停机风险。为了保障重型燃气轮机的安全可靠稳定运行，智能故障诊断系统的研发是当今一个重大研究课题。
[0003]重型燃气轮机控制系统作为其核心子系统，决定着重型燃气轮机的性能和稳定运行。重型燃机控制系统控制器模块的高集成度使其在故障诊断方面面临诸多难题。信号状态的准确识别是控制器模块故障诊断和事后维护的关键问题。作为一种信号状态识别和故障检测技术，机内自检技术(BIT)具有自动检测和隔离电子系统故障的能力。BIT可以通过系统中的电路或软件实现，在不使用外部硬件或软件的情况下完成设备功能检查。BIT通过更好的可测试性实现设备的可维护性，是保证系统安全可靠稳定运行的重要手段。
[0004]目前，BIT技术已广泛应用于现代工业，在一定程度上构成了电力电子预测和健康管理的基础。随着集成度和复杂性的增加，重型燃气轮机控制系统硬件模块在有效的故障排除和维护方面也面临着许多问题。传统BIT通常通过阈值判断的方法诊断信号是否异常。然而，在常规BIT的检测过程中，间歇性故障导致误报是不可避免的。当硬件模块实际工作时，会产生信号浮动和环境噪声等干扰，这导致传统BIT的虚警率过高，同时严重影响了诊断的准确性，降低了设备的可靠性。因此，为了提高硬件模块的故障自检精度，探索更有效的智能BIT设计方法受到越来越多的关注。近年来，各种人工智能方法被应用于BIT的研究，将深度学习应用于智能BIT领域可以有效减少信号噪声和间歇性故障对BIT模拟量信号检测的影响，达到抑制虚警的目的。从而改善重型燃机控制系统整体性能，提高重型燃机控制系统的可靠性和智能化水平。

技术实现思路

[0005]本专利技术针对重型燃机控制系统传统BIT虚警率较高的问题，提出一种基于TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块智能BIT设计方法。采用数据驱动策略提取BIT信号中蕴含的有效特征，实现对重型燃机控制系统控制器模块的实时状态监测和故障诊断。TimesNet为下游的自适应突触学习模型提供了信号的演变趋势，自适应突触学习模型通过比较信号每一时刻的神经元大小确定信号的正确状态，减少传统BIT的误报和漏报。
[0006]为实现上述目的，本专利技术介绍的一种基于TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块智能BIT设计方法，具体步骤如下：
[0007]步骤1：通过重燃控制系统控制器原型模拟样机采集能够表征控制器模块运行状态的时序信号，所述特征状态选择控制器模块温度信号、CPU负荷信号和内存负荷信号。将采集的三类信号数据集分别划分为训练集、验证集和测试集，并对训练集进行缺失值处理和离群值处理；
[0008]步骤2：由于信号受环境噪声和间歇性故障的影响，信号会产生不同程度的波动和尖峰、毛刺等现象，仅靠时域分析难以对原始信号进行特征提取。因此采用TimesNet将复杂的时间模式解耦，将时序信号的分析扩展到二维空间。TimesNet将一维时间序列重塑为二维张量，打破原始一维空间中表示能力的瓶颈，得到时间上的二维变化；
[0009]步骤3：首先，使用快速傅里叶变换在频域分析时序信号，为了避免高频噪声的影响，选择前k个振幅值，以非归一化振幅{A1,A2,
…
,A
k
}选取频率{f1,f2,
…
,f
k
}，频率对应于k个周期长度{l1,l2,
…
,l
k
}；
[0010]步骤4：其次，根据选取的频率{f1,f2,
…
,f
k
}和对应的周期长度{l1,l2,
…
,l
k
}，采用Padding层将时序信号沿着时间维度进行零扩展，将一维时序信号重构为多个二维张量；
[0011]步骤5：接着，通过基于残差的TimesBlock捕获k个不同的重塑张量的各种时间变化，并基于归一化振幅值进行自适应聚合，有效提取信号特征重构一维时序信号；
[0012]步骤6：最后，针对步骤5中TimesNet重构的一维时序信号，采用自适应突触学习模型进行状态识别和分类。通过神经元连接中的突触学习形成新的连接，比较同一时刻信号的神经元大小确定当前时刻的信号状态，达到有效降低虚警率的目的。
[0013]进一步地，根据选取的三类信号数据集训练完成的模型，需进行的步骤还包括：判断其对BIT信号的识别效果是否达到预设诊断准确率，若未达到理想的BIT诊断准确率，则应当重新获取控制器模块历史状态数据，重复步骤1
‑
6直至诊断结果达到预设诊断准确率。
[0014]进一步地，三类控制器模块时序信号以2000个时刻的时序信号为一组数据集进行采集，训练集为8000个时刻的时序信号数据集，测试集和验证集分别为2000个时刻的时序信号数据集。
[0015]进一步地，针对控制器模块时序信号，每一时刻的模型识别结果为0或1，分别表示当前特征参数处于正常状态或故障状态。
[0016]本专利技术相对于传统BIT具有如下优点：
[0017]本专利技术基于实际重型燃机控制系统控制器模块在运行过程中产生的历史数据建立TimesNet和自适应突触学习模型。将一维时序信号重塑为二维张量以提高时序信号特征的获取效果，通过自适应突触学习机制对重构信号进行分类，从而减少噪声或间歇性故障引发的误报和漏报情况，有效提高了燃气轮机控制器模块的安全性和可靠性。
附图说明
[0018]为了更清楚地说明本专利技术的具体实施方式或现有技术的方法，下面将对具体实施方式或所述的现有技术中所需要的使用的附图简单的介绍。
[0019]图1为本专利技术的整体设计的流程示意图。
[0020]图2为本专利技术所研究的控制器模块的示意图。
[0021]图3为本专利技术中所述的TimesNet网络结构图。
[0022]图4为本专利技术中所述的自适应突触学习模型结构图。
具体实施方式
[0023]下面结合附图对本专利技术设计方法进行清楚、完整地描述，本实施案例以本专利技术技术方案为前提下实施，给出了详细的实施方式和具体的操作过程，但本专利技术的应用范围不限于下述的实施案例。本领域普通技术人员在没有创造性劳动前提下应用本专利技术设计方法的其他案例，都属于本专利技术的保护范围。
[0024]在本案例的描述中，需要说明的是，术语“步骤1”、“步骤2”、“步骤3”、“步骤4”、“步骤5”、“步骤6”、“第一”、“第二”、“第三”、“第四”仅用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TimesNet和自适应突触学习模型的重型燃机控制系统控制器模块智能BIT设计方法，具体步骤如下：步骤1：通过重燃控制系统控制器原型模拟样机采集能够表征控制器模块运行特征状态的时序信号，所述特征状态选择控制器模块温度信号、CPU负荷信号和内存负荷信号。将采集的三类信号数据集分别划分为训练集、验证集和测试集，并对训练集进行缺失值处理和离群值处理；步骤2：由于信号受环境噪声和间歇性故障的影响，信号会产生不同程度的波动和尖峰、毛刺等现象，仅靠时域分析难以对原始信号进行特征提取。因此采用TimesNet将复杂的时间模式解耦，将时序信号的分析扩展到二维空间。TimesNet将一维时间序列重塑为二维张量，打破原始一维空间中表示能力的瓶颈，得到时间上的二维变化；步骤3：首先，使用快速傅里叶变换在频域分析时序信号，为了避免高频噪声的影响，选择前k个振幅值，以非归一化振幅{A1,A2,
…
,A
k
}选取频率{f1,f2,
…
,f
k
}，频率对应于k个周期长度{l1,l2,
…
,l
k
}；步骤4：其次，根据选取的频率{f1,f2,
…
,f
k
}和对应的周期长度{l1,l2,
…
,l
k
}，采用Padding层将时序信号沿着时间维度进行零扩展，将一维时序信号重构为多个二维张量；步骤5：接着，通过基于残差的TimesBlock捕获k个不同的重塑张量的各种时间变化，并基于归一化振幅值进行自适应聚合，有效提取信号特征重构一维时序信号；步骤6：最后，针对步骤5中TimesNet重构的一维时序信号，采用自适应突触学习模型进行状态识别和分类。通过神经元连接中的突触学习形成新的连接，比较同一时刻信号的神经元大小确定当前时刻的信号状态，达到有效降低虚警率的目的。2.根据权利要求1所述的基于TimesNet和自适应突触学习模型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，所述控制器模块历史数据包括各特征状态参数数据，可反映控制器模块的状态。数据来源于某国产重型燃气轮机控制系统原型模拟样机，采集控制器模块温度信号、CPU负荷信号、内存负荷信号，以代表重型燃机控制系统控制器模块的运行状态。所选温度信号数据集的范围在40℃至50℃之间波动，CPU负载信号数据集集中在45％到55％之间波动，内存负荷信号数据集在55％至60％的范围中浮动。3.根据权利要求1所述的基于TimesNet和自适应突触学习模型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，所述步骤3中，采用TimesNet将复杂的时间模式解耦，将一维时间序列重塑为二维张量。采用快速傅里叶变换在频域分析时序信号，方法如下：A＝Avg(Amp(FFT(X
1D
)))其中，Avg(
·
)表示取平均值，Amp(
·
)代表幅值的计算，FFT(
·
)代表幅值的快速傅里叶变换计算，X
1D
代表原始一维时序信号。4.根据权利要求1所述的基于TimesNet和自适应突触学习模型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，所述步骤4中，选择前k个振幅值，以非归一化振幅{A1,A2,
…
,A
k
}选取频率{f1,f2,
…
,f
k
}，频率对应于k个周期长度{l1,l2,
…
,l
k
}，基于选取的频率和周期长度可以将一维时序信号重构为多个二维张量，公式如下：
其中，Padding(
·
...

【专利技术属性】
技术研发人员：黄从智，杨阳，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：