[發明專利]一種基于LSTM和生物激勵神經網絡的重型燃機控制系統控制器模塊智能BIT設計方法

有效

• 申請號: 202010926704.7
• 申請日: 2020-09-07
• 公開（公告）號: CN112000015B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 黃從智;王亞松;侯國蓮;張建華
• 申請（專利權）人: 華北電力大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于LSTM和生物激勵神經網絡的重型燃機控制器模塊智能BIT設計方法，收集重型燃氣輪機控制器模塊在設定時間段內的時間序列歷史數據；數據標準化處理，分為訓練集、測試集；針對控制器的每一個狀態特征參數類型設計并訓練LSTM神經網絡，使用改進的萬有引力算法對其優化；將處理好的數據輸入訓練好的指定狀態類型的LSTM神經網絡并得到該指定狀態類型的預測數據，取該預測值與實際狀態數據的差值；通過生物激勵神經網絡，將差值與控制器模塊狀態信息相關聯，訓練得到可靠生物激勵神經網絡模型，完成控制器模塊BIT自檢。本發明有效提高了重型燃氣輪機控制系統控制器模塊的安全性和可靠性，提高了智能化水平。

技術領域

本發明涉及一種重型燃機控制系統控制器模塊的智能BIT系統，具體涉及一種基于LSTM神經網絡和生物激勵神經網絡的重型燃氣輪機控制系統控制器模塊自檢方法。

背景技術

隨著電子技術與計算機技術的發展，各領域內控制系統的功能也日漸完善，可靠性得到大大提高，但控制系統電子設備難免出現故障或參數漂移，為最大限度的提高控制系統的可靠性，及時發現故障，保證設備參數處于最佳狀態，很多控制系統的電子元件內部嵌入了BIT設備，實現對控制系統的實時監測和故障預測。

隨著國內電廠重型燃氣輪機的占比越來越大，重型燃氣輪機系統的核心技術顯得日益重要，對其自身的檢測也提出了更高的要求。目前重型燃氣輪機的控制器模塊BIT技術不夠成熟，存在虛警率較高的問題，所以為盡最大限度提高重型燃氣輪機控制系統的控制器模塊的故障自檢率，及時發現異常狀態并故障定位，智能BIT成為當前針對重型燃氣輪機控制系統研究的重點，探索更為有效的智能自檢方法受到越來越多的關注和研究。

隨著大數據和人工智能時代來臨，基于數據驅動的方法越來越受到重視，該方法在很多領域取得了突破性進展。基于數據驅動的方法主要是利用各種傳感器采集各種信號的歷史數據，然后通過各種信號處理和數據挖掘方法自動獲取海量數據中的隱含信息，從而建立可靠的模型來對控制器模塊的狀態進行檢測。目前已經得到廣泛關注并使用最多的方法為神經網絡，將神經網絡應用于智能BIT領域可以大大提高設備的自檢率，有利于盡早發現控制器模塊的早期故障，這對于改善重型燃氣輪機控制系統整體性能，提高經濟效益有著重大意義，可提高整個控制器模塊的智能化水平，降低維護成本，提高其安全性和可靠性。

發明內容

本發明的目的在于提供了一種基于LSTM和生物激勵神經網絡的重型燃氣輪機控制器模塊的智能BIT設計方法。從數據驅動的角度實現了對重型燃氣輪機的控制器模塊的狀態的實時監測，可以及時發現控制器模塊的異常狀態，提高了控制器模塊的智能化自檢水平，提高了控制器的可靠性，增加了控制器制造企業的市場競爭力。

為了實現上述目的，本發明的基于LSTM和生物激勵神經網絡的重型燃氣輪機控制器模塊的BIT設計方法，具體步驟如下：

步驟1：收集指定時間段內的控制器模塊運行的特征狀態參數的數據，形成歷史數據矩陣集，所述特征狀態參數選擇網絡狀態、溫度、CPU負荷、內層負荷，以代表重型燃氣輪機控制器模塊的運行狀態；

步驟2：從所采集運行數據中篩選出控制器模塊的歷史正常數據和歷史故障數據，將數據進行歸一化處理，并將正常數據分為訓練集和測試集；

步驟3：針對各個特征狀態參數設計LSTM神經網絡，預測下個單位時間的參數狀態數據，利用歷史正常數據對網絡進行訓練和測試，評估模型誤差，誤差大于預先設置的閾值時重新訓練模型；

步驟4：在訓練LSTM神經網絡時采用改進的萬有引力算法來優化神經網絡的初始權重和閾值，提高模型的精確度和可靠性，減小預測誤差；

步驟5：在步驟4的模型訓練好之后，從采集的歷史運行數據中篩選出控制器模塊不同運行狀態下的數據并分類，將歸一化處理后的數據輸入步驟4 訓練好的LSTM神經網絡模型；