[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

本發明涉及一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，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。與現有技術相比，本發明具有考慮全面、診斷準確、實用性好等優點。

技術領域

本發明涉及燃氣輪機故障診斷領域，尤其是涉及一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法。

背景技術

燃氣輪機渦輪葉片長期在高溫高壓工況下運行，容易發生故障，造成生產事故。因此，對燃氣輪機渦輪葉片進行故障診斷，能有效保障燃機機組安全可靠地運行。

在實際的燃氣輪機故障診斷中，偏差情況變化較復雜，越來越多的智能算法被廣泛應用在故障診斷領域。神經網絡是一種智能診斷方法，它克服了傳統參數估計中的難點，具有很強的非線性映射能力、較高的自學習能力和良好的容錯能力，但是，在進行燃氣輪機故障診斷時，采用神經網絡算法存在考慮因素不全面，診斷準確率不高，收斂速度慢，樣本依賴性強等問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法。

本發明的目的可以通過以下技術方案來實現：

一種基于GSA優化BP神經網絡的燃氣輪機故障診斷方法，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。

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。

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。

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v_i，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。

所述的MSE指標的計算式為：

其中，y_i為BP神經網絡的實際輸出，為BP神經網絡的期望輸出。

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，為第l個粒子的引力，M_l(t)為第l個粒子的慣性質量，上標r表示維數。

所述的慣性質量M_l(t)的表達式為：