[发明专利]基于数据驱动的燃气轮机控制系统传感器故障诊断方法

权利要求书

1.一种基于数据驱动的燃气轮机控制系统传感器故障诊断方法，其特征在于，具体包括如下步骤：

1)对燃气轮机控制系统传感器正常信号引入偏差故障、漂移故障、冲击故障以及周期性干扰故障四种故障，构造传感器故障信号；

2)对传感器正常信号及故障信号进行归一化处理，利用小波包变换方法对燃气轮机控制系统传感器故障信号进行处理，通过计算小波包变换各个频段的能量占比构造故障特征向量；

3)利用等频离散化方法对提取的故障特征进行离散化处理，接着利用粗糙集理论对其进行属性约简,减少故障特征向量中故障特征的个数，获得故障特征样本集；

4)利用MFO算法优化BPNN的初始权值和阈值，建立MFO-BPNN故障诊断模型；

5)将步骤3)故障特征样本输入到MFO-BPNN诊断模型中进行训练，并保存训练好的最优模型；

6)将待诊断传感器信号同样进行离散化处理和属性约简，并输入到步骤5)保存的最优模型中，得到诊断结果。

2.根据权利要求1所述基于数据驱动的燃气轮机控制系统传感器故障诊断方法，其特征在于，所述步骤1)传感器故障信号如下表：

表中定义：当t₀时刻发生偏差故障时，传感器的信号偏离正常信号一个常数值A；当t₀时刻漂移故障时，信号产生一个偏移量b，并以斜率α逐渐偏离正常信号；当t₀时刻发生冲击故障时，在该时刻信号产生一个冲击性的变化；当周期性干扰故障发生时，信号与原始信号的差值随时间发生周期性的变化。

3.根据权利要求1所述基于数据驱动的燃气轮机控制系统传感器故障诊断方法，其特征在于，所述步骤4)MFO算法优化BPNN的具体步骤如下：

4.1)MFO算法初始化：设置最大迭代次数，飞蛾种群规模，最大火焰数flame.max参数，并利用佳点集理论初始化飞蛾种群位置，飞蛾种群位置表示待优化的BPNN的初始权值和阈值；

4.2)采用K折交叉验证的方法，将BPNN的分类误差作为适应度函数，适应度函数为：

式中：N为样本总数；L为输出层神经元数目；O_pq为第p个样本BPNN输出层第q个神经元的实际输出；y_pq表示第p个样本BPNN输出层第q个神经元的期望输出；

4.3)待求变量初始化，在搜索空间中基于佳点集理论生成飞蛾位置，并计算每只飞蛾的适应度值；

4.4)将飞蛾适应度值排序并按顺序将飞蛾位置赋值给第一代火焰；

4.5)更新当前飞蛾的位置，飞蛾位置更新公式为：

M_r＝|F_s-M_r|·e^bt·cos(2πt)+F_s，

式中，M_r为第r只飞蛾的位置；F_s为第s个火焰的位置；b为定义对数螺旋形状的常数；t为路径系数，在[-1,1]之间；

4.6)如果任何一个飞蛾适应度值由于对应的火焰，则更新火焰位置；

4.7)自适应减少火焰的数量，火焰数量自适应减少机制表达式为：

式中，flame.no为保留的火焰数量；flame.max为最大火焰数；u为迭代次数；T为最大迭代次数；

4.8)判断是否达到最大迭代次数，若没达到，则返回(5)进入下一代，若达到，则执行下一步；

4.9)输出最优飞蛾种群位置，即为优化后BPNN的初始权值和阈值。