[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

本發明公開了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；包括：原始振動信號采集；故障機理分析；變分模態分解(VMD)參數尋優及分解；故障特征提取；狀態特征向量歸一化；特征向量編碼；脈沖神經網絡(SNN)故障診斷。本分明采用海豚群算法對VMD參數尋優，提升分解準確率；以峭度?互信息熵為依據篩選對故障信息敏感的IMF分量，剔除分布規則差、沖擊成分少的故障特征敏感模態函數；采用多特征熵值算法在時頻域進行故障特征提取，避免單一特征無法全面反映故障特征信息，為故障的準確診斷提供保證；采用SpikeProp算法優化SNN，具備非線性分類問題求解能力，使訓練結果更加準確。

技術領域

本發明屬于燃氣輪機故障診斷技術領域，具體為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。

背景技術

燃氣輪機是以連續流動的天然氣為工質帶動葉輪高速旋轉的內燃式動力機械，已廣泛應用 于航天、化工等領域。用于工業發電的重型燃氣輪機是我國實現節約能源和環境保護的重要動 力系統。進口導葉是燃氣輪機壓氣機的第一級動葉前一系列靜止的葉片，作為燃氣輪機壓氣機 的核心部件，承擔著能量轉換的重任。通過改變導葉的角度，控制進入壓氣機中氣流的角度和 流量，一旦進口導葉系統發生故障，將嚴重危害燃氣輪機的正常運行，更有甚者會造成安全事 故。

當進口導葉系統出現故障，傳感器接收到的振動信號變為顯著的非平穩信號，這些信號中 隱藏著大量的特征信息。目前的信號分析方法大多為經驗模態分解(EMD)，局部均值分解(LMD) 等，EMD易出現模態混疊的問題；LMD容易造成信號奇異性特性丟失。提出的基于特征信息 融合的故障診斷方法采用變分模態分解(VMD)對信號進行自適應處理，克服了模態混疊、信 號特性丟失以及邊界效應等問題，更具有優越性。

為了解決微小故障無法被描述的問題，本發明在引入了熵值的概念的基礎上，提出了基于 特征信息融合的故障診斷方法對多尺度多特征進行分析，通過四個熵值函數進行特征提取，采 用脈沖神經網絡(SNN)進行故障診斷，相較于深度神經網絡具有生物課解釋性高且具有高性 能、低功耗的優勢。

發明內容

針對背景技術中存在的問題，本發明提供了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。

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。