[發明專利]基于特征信息融合的燃氣輪機進口導葉系統故障診斷方法

在審

• 申請號: 202111112808.5
• 申請日: 2021-09-23
• 公開（公告）號: CN113850181A
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 張文廣;陸瑤;徐浩博;陳松;牛玉廣;王瑋
• 申請（專利權）人: 華北電力大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08;F01D9/02
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 張文寶

1.一種基于特征信息融合的燃氣輪機進口導葉系統故障診斷方法，其特征在于，包括：

步驟1、采集燃氣輪機進口導葉系統振動信號數據并對數據進行故障機理分析，得到故障時刻振動信號幅值的變化趨勢；

步驟2、利用群體智能算法優化變分模態分解的參數；

步驟3、使用優化后的參數對振動信號進行變分模態分解分解，得到k個本征模態函數分量，以峭度-互信息熵為依據篩選對故障信息敏感的本征模態函數分量；

步驟4、采用多特征熵值算法在時頻域進行故障特征提取，構造狀態特征向量，并對其進行歸一化處理；

步驟5、將歸一化后的特征向量編碼為脈沖時間序列，得到訓練集；

步驟6、將訓練集輸入脈沖神經網絡模型進行訓練，構建脈沖神經網絡模型，再采用SpikeProp算法優化脈沖神經網絡；

步驟7、采樣進口導葉系統故障數據并重復步驟2至步驟5得到能被脈沖神經網絡模型識別的脈沖信號作為測試集；輸入至訓練好的脈沖神經網絡模型得到輸出神經元的膜電壓，當某個神經元膜電壓到達閾值發出脈沖，而其他神經元尚未達到閾值不發出脈沖時，得到待診斷振動信號的故障類別。

2.根據權利要求1所述的一種基于特征信息融合的燃氣輪機進口導葉系統故障診斷方法，其特征在于，所述步驟1中故障時刻振動信號幅值的變化趨勢為：燃氣輪機進口導葉系統產生的振動信號由葉根傳遞至機匣表面進而傳遞至振動傳感器；其中振動信號幅值在故障時刻會發生突變，振動信號幅值r_a為：

式中，ω_c為固有頻率，Hz；ζ為阻尼比；Ω為轉速，r/s；為振動相位，rad；l為導葉斷裂前后質心間距離，cm；t為時間，單位為s。

3.根據權利要求1所述的一種基于特征信息融合的燃氣輪機進口導葉系統故障診斷方法，其特征在于，所述步驟2中，利用群體智能算法中的海豚群算法對變分模態分解的參數進行優化，步驟2分為：

設定模態分解個數k和懲罰因子α的參數范圍，對種群初始化；通過VMD分解信號得到多個本征模態函數分量，選取最小包絡熵為適應度函數；再進入搜索階段，找到個體最優適應度值；進入呼叫和接收階段，找到鄰域最優解；進入捕食階段，個體向鄰域最優解進行位置更新，計算最優適應度值；當滿足迭代次數要求時，輸出k和α的最優解，其中適應度函數F_fit公式為：

F_fit＝min(E_en) (2)

式中，E_en為包絡熵，表示分量信號的稀疏性；

E_en計算公式為：

式中，τ(s)為振動信號X(t)經希爾伯特解調后的包絡信號；e_s為τ(s)的歸一化值；s＝1,2,...,n。

4.根據權利要求1所述的一種基于特征信息融合的燃氣輪機進口導葉系統故障診斷方法，其特征在于，所述步驟3中，采用優化后的參數對振動信號進行變分模態分解分解，變分模態分解分解將振動信號分解成k個本征模態函數分量，保證分解序列為具有中間頻率的有限帶寬的模態分量，同時各模態的估計帶寬之和最小，約束條件為所有模態之和與原始信號相等，變分模態分解分解實現信號的頻域劃分，進而得到振動信號的有效分解成分，最終獲得變分問題的最優解；

其中，振動信號經變分模態分解分解后得到k個本征模態函數分量，對振動信號建立約束變分模型公式為：

式中，u_k(t)為模態分量；ω_k為各模態分量的中間頻率；k為IMF的個數；δ(t)為沖擊函數；j為虛數單位；t為時間，單位為s；為諧波信號；*為卷積計算；s.t.為約束條件；

為求解式(4)變分模型約束問題的最優解，利用二次懲罰函數和拉格朗日乘子法，將其轉換為式(5)所示的非約束變分模型：

式中，λ(t)為拉格朗日乘子；表示2-范數；·表示向量內積；

為了求解非約束變分模型，通過交替方向乘子法尋求拉格朗日表達式的鞍點，直至滿足迭代停止條件即為變分模型取得最優解；式中ε為精度。