[發明專利]基于GSA優化BP神經網絡的燃氣輪機故障診斷方法在審
| 申請號： | 202010537949.0 | 申請日： | 2020-06-12 |
| 公開（公告）號： | CN111829786A | 公開（公告）日： | 2020-10-27 |
| 發明（設計）人： | 茅大鈞;涂雷;李伯勛;孫道萬;鐘帆 | 申請（專利權）人： | 上海電力大學 |
| 主分類號： | G01M15/14 | 分類號： | G01M15/14;G01M15/02;G06F30/27;G06N3/08 |
| 代理公司： | 上海科盛知識產權代理有限公司 31225 | 代理人： | 楊宏泰 |
| 地址： | 200090 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 gsa 優化 bp 神經網絡 燃氣輪機 故障診斷 方法 | ||
1.一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，包括以下步驟：
1)根據燃氣輪機運行的歷史數據構建并訓練基于BP神經網絡的燃氣輪機故障診斷模型，并獲取BP神經網絡的權值和閾值；
2)對所有獲得的BP神經網絡的權值和閾值，將其作為GSA算法的粒子，采用GSA算法進行優化，得到最優的BP神經網絡的權值和閾值；
3)將最優的BP神經網絡的權值和閾值代入BP神經網絡中，實時獲取燃氣輪機運行數據作為輸入，并完成燃氣輪機的故障診斷。
2.根據權利要求1所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的步驟1)中，在燃氣輪機運行的歷史數據中選擇渦輪葉片的轉速、透平輸出功率、角度參數、位移參數、溫度值和應力值6個特征向量作為BP神經網絡的輸入數據。
3.根據權利要求1所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的步驟1)中，BP神經網絡的輸出數據為燃氣輪機渦輪葉片的故障類型，包括葉根腐蝕、導葉損傷和散熱孔阻塞。
4.根據權利要求1所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的步驟2)中，采用GSA算法對權值和閾值進行優化具體包括以下步驟：
21)GSA算法初始化：設置群體粒子個數N、最大迭代次數T以及每個粒子的初始速度vi，并將BP神經網絡的權值和閾值賦值為粒子位置；
22)計算各粒子的適應度函數：將BP神經網絡的實際輸出與期望輸出之間誤差的MSE指標作為粒子的適應度；
23)根據適應度的大小確定當前迭代的最優解和最差解，獲得各粒子的慣性質量和引力，并計算引力產生的加速度，不斷迭代更新粒子的位置和速度，最終得到最優值。
5.根據權利要求4所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的MSE指標的計算式為：
其中，yi為BP神經網絡的實際輸出，為BP神經網絡的期望輸出。
6.根據權利要求4所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的加速度的計算式為：
其中，為在第t步迭代時第l個粒子的加速度，Fl(r)為第l個粒子的引力，Ml(t)為第l個粒子的慣性質量，上標r表示維數。
7.根據權利要求6所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的慣性質量Ml(t)的表達式為：
其中，fitl(t)為在第t步迭代時第l個粒子的適應度，worst(t)為在第t步迭代時所有粒子中適應度的最小值，best(t)為在第t步迭代時所有粒子中適應度的最大值，ml(t)和mj(t)分別為在第t步迭代時第l個粒子和第j個粒子分別規范化到[0，1]之間的慣性質量，Ml(t)為第l個粒子慣性質量。
8.根據權利要求7所述的一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，其特征在于，所述的worst(t)和best(t)的表達式如下：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海電力大學，未經上海電力大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010537949.0/1.html，轉載請聲明來源鉆瓜專利網。
