CN110334383A - 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 - Google Patents
基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 Download PDFInfo
- Publication number
- CN110334383A CN110334383A CN201910385050.9A CN201910385050A CN110334383A CN 110334383 A CN110334383 A CN 110334383A CN 201910385050 A CN201910385050 A CN 201910385050A CN 110334383 A CN110334383 A CN 110334383A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault diagnosis
- gas turbine
- expert system
- weight threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 21
- 210000002569 neuron Anatomy 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 235000013350 formula milk Nutrition 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于GA和L‑M组合优化的燃气轮机故障诊断专家***方法，包括以下步骤：S1、确定BP神经网络拓扑结构和BP神经网络的初始权值阈值；S2、确定BP神经网络的最优初始权值阈值；S3、利用最优初始权值阈值，通过L‑M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果；S4、基于LabView软件建立燃气轮机故障诊断专家***，基于MySQL数据库进行***知识库的建立与维护，通过GA和L‑M神经网络算法进行故障诊断计算，推理出最终结果。本发明算法模型有着更好的训练速度，能够满足燃气轮机故障诊断的实时性要求。LabView专家***有良好的人机界面，结合Matlab和MySQL数据库可以解决LabVIEW在数值、矩阵运算和数据库处理方面的短板，有一定的实用性。
Description
技术领域
本发明涉及燃气轮机故障诊断专家***技术，具体涉及一种基于GA和L-M组合优化的燃气轮机故障诊断专家***方法。
背景技术
近年来，在国家节能减排各项政策的引导下，具有绿色无污染、体积小、启停迅速等突出优势的燃气发电技术得到大力推广，国内燃机机组装机容量不断提升。作为燃机机组的核心部件，燃气轮机长期在高温高压工况下运行，容易发生故障，造成生产事故。因此，实行燃机状态监测与诊断，建立故障诊断专家***，对保障燃机机组安全可靠运行有着重要的意义。
在实际的燃气轮机故障诊断中，偏差情况变化较复杂，因此越来越多的机器学习方法被广泛应用于在故障诊断领域。神经网络是机器学习中的一种智能诊断方法，它克服了传统参数估计中的难点，具有很强的非线性映射能力、较高的自学习能力和良好的容错能力，并为现代复杂状态检测和故障诊断专家***提供了全新的理论方法和技术实现手段。十分适合于表达故障诊断及处理***的知识。神经网络与专家***的结合有两种方法：1)使用神经网络来构造专家***，即把传统专家***的基于符号的推理变成基于数值运算的推理，以提高专家***的执行效率，并解决专家***的自学习问题；2)将神经网络理解成一类知识源的表达与处理模式，这类模式与其它知识表达方式，如规则、框架等一起来表达领域专家的知识，并面向不同的推理机制。
发明内容
为了弥补已有技术的缺陷，本发明提供一种基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，采用神经网络与专家***的结合方式，同时采用不同的知识表达与处理模式，满足一般情况下实时诊断、排除***故障的要求，具有重要的工程使用价值，利于专家经验知识的保存和延续，同时也可以利用神经网络对于知识的自动获取特点，能够自适应环境的变化，克服传统专家***中存在的“知识窄台阶”问题，可以工作于所学习过的知识以外的范围，有效应对***运行中可能出现的新故障。
本发明所要解决的技术问题通过以下技术方案予以实现：
一种基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，包括以下步骤：
S1、确定BP神经网络拓扑结构和BP神经网络的初始权值阈值；
S2、通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值；
S3、利用步骤S2得出最优初始权值阈值，通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果；
S4、基于LabView软件建立燃气轮机故障诊断专家***，基于MySQL数据库进行***知识库的建立与维护，通过GA和L-M神经网络算法进行故障诊断计算，推理出最终结果。
进一步地，所述步骤S2中通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值具体包括：
S21、利用遗传算法将解空间数据用遗传空间的串结构数据表示，采用浮点编码；
S22、随机初始化种群，种群规模一般为20-100，提高遗传算法的稳定性，保证种群的多样性，从而更易获得全局最优解；
S23、采用误差函数的倒数作为染色体的评价函数，计算出每条染色体的适应度函数值，其中，误差函数表达式为：
适应度函数值取其中，dk表示神经网络的实际输出，ok表示神经网络的期望输出，l表示种群中的个体数；
S24、利用交叉算子、变异算子处理上代种群，选取适应度值大的个体遗传到下一代，生成下代种群；
S25、通过种群不断迭代，得出最优BP神经网络初始权值阈值。
进一步地，所述步骤S3中通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果具体包括：
S31、设定***训练误差的最大允许值ε、系数β和μ，并对神经网络中的权值和阈值向量x(0)进行初始化；
S32、计算网络输出和***的平均误差E(x(k))；
S33、若E(x(k))＜ε，转到步骤S36，否则继续；
S34、计算雅克比矩阵J(x)；
S35、计算Δx，以x(k+1)＝x(k)+Δx为权值和阈值计算误差函数E(x(k+1))；
S36、若E(x(k+1))＜E(x(k))，则k＝k+1，μ＝μ/β，并转到步骤S32；反之则不更新x(即权值和阈值)，并令ω(k+1)＝ω(k)，μ＝μβ，跳转到步骤S35；
S37、建立起基于GA和L-M神经网络算法，通过网络训练得出算法模型，用于燃气轮机故障诊断。
进一步地，所述步骤S4建立基于LabView的燃气轮机故障诊断专家***，其中基于LabVIWE软件对专家***进行人机界面的设计，基于MySQL数据库对***的知识库建立和维护，推理机设计发挥专家***人机交互功能，采用单相推理方法进行推理，解释程序设计采用预置文本与路径跟踪法，建立了GA和L-M神经网络的基本结构，并提取专家***知识库中的数据作为样本集和测试集，经过MALTAB的仿真训练和测试进行正向计算，推理出最终结果。
本发明的有益效果在于：
本发明为了建立燃气轮机故障诊断的智能诊断专家***，采用第二种神经网络与专家***的结合方式，同时采用不同的知识表达与处理模式，满足实时诊断、排除***故障的要求，具有重要的工程使用价值，利于专家经验知识的保存和延续，同时利用基于GA和L-M组合优化BP网络的燃气轮机气路故障诊断技术研究，首先给出故障诊断的实现过程，然后采用GA和L-M组合优化算法训练BP神经网络，组合优化后的BP神经网络训练速度快，可有效避免陷入局部极值的问题，其能够自适应环境的变化，克服传统专家***中存在的“知识窄台阶”问题，可以工作于所学习过的知识以外的范围，有效应对***运行中可能出现的新故障。
附图说明
图1为本发明空间映射关系图；
图2为本发明燃机各部件故障信息关系图；
图3为本发明故障诊断专家***流程图；
图4为本发明混合编程的参数调用；
图5为本发明Math Script节点函数模板；
图6为本发明LabView程序编辑框；
图7为本发明MySQL数据导入图；
图8为本发明MySQL知识库获取图；
图9为本发明基于GA和L-M组合优化脚本导入测试；
图10为本发明燃气轮机故障诊断专家库人机界面；
图11为本发明L-M优化BP误差曲线图；
图12为本发明GA优化BP的误差曲线图；
图13为本发明GA和L-M组合优化BP的误差曲线图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述。本实施例以本发明技术方案为前提进行实施，本发明的保护范围不限于下述的实施例，对所属领域的普通技术人员来说，在上述说明的基础上还可做其他不同形式的变化和变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易动变化或变动仍处于本发明创造的保护范围之中。
实施例一
故障诊断，简而言之就是根据***的特征参数判断***当前的故障状态。因此可将***的故障诊断空间分为两部分，即特征空间和状态空间。特征空间是诊断对象的可测量特征参数所有可能的取值，而状态空间就是***的所有可能状态(包括故障状态和正常状态)。当被诊断的对象是状态S时，我们便可确定特征y，即存在着映射G关系：
G:S→y
类似的，当已知待诊断对象的特征值时，也可以确定其对应状态，即存在着映射F关系：
F:y→S。
如图1所示，***的状态空间与特征空间之间存在着映射关系，状态空间经过映射会对应到相应的特征空间。而通过对特征空间诊断也可得到相应的状态空间。因此所谓的故障诊断就是要找到映射F关系。一般来说，特征空间里的特征参数一般为可测量参数，而状态空间里的状态就是指***的运行状态，属于物理问题。燃气轮机故障诊断是通过测量转速、流速、温度和压力等可测量参数来确定燃气轮机各个部件故障状态。
燃气轮机各部件故障信息关系图如图2所示。由图可知燃气轮机的故障信息包括：物理信息、部件性能退化信息和测量参数的变化信息。简而言之，燃气轮机的故障诊断就是根据测量参数的变化来确定燃气轮机可能出现的物理问题。
L-M算法是最广泛使用的非线性最小二乘算法之一。该算法利用梯度算法来获得最大(小)值。它结合了高斯牛顿法以及梯度下降法两者的优点，因此其不仅具备梯度下降法的全局特性，还具有Gauss-Newton的局部特性，所以迭代的前一段时间下降速度较快，且当搜寻到最优解附近时还会对最优解更进一步地迭代搜索。所以L-M算法可以很好地克服BP算法收敛缓慢且容易陷入局部最小的问题。
若x是由各神经元的权值以及阈值组成的向量，x(k)则是第k次迭代的向量x，那么L-M算法的迭代表达式如下式所示：
x(k+1)＝x(k)+Δx
其中：Δx＝-(JT(x)J(x)+μI)-1JT(x)e(x)，
式中u为比例系数，且u＞0；ei(x)为第i个网络节点的误差；I为单位矩阵；J(x)为雅克比矩阵。
当x靠近最优解时，比例系数u→0时，uI→0，则Δx＝-(JT(x)J(x))-1JT(x)e(x)，这个式子是高斯牛顿法。
当x离最优解很远时，比例系数u→1，uI→I，则Δx＝-(JT(x)J(x)+I)-1J(x)e(x)，
此时L-M算法就变为了梯度下降法。当迭代次数不断增加时，该算法可以自适应调整的值，因此采用L-M算法可以较好地结合高斯牛顿法和梯度下降法的优点，训练速度比单独用梯度下降法要快几十倍甚至上百倍。
GA算法模仿生物的进化和遗传。它按照特定的规则对初始值迭代计算，当运算结果和理想值之间的误差足够小时，则可求得最优解。该算法经过选择、交叉和变异操作来确定种群的搜寻方向，具体算法实现步骤如下：
1)编码。利用遗传算法可将解空间数据用遗传空间的串结构数据表示。在对数据编码时可以采用二进制编码或浮点编码，由于BP神经网络中的权值较多，且浮点编码计算精度较高，因此本文采用浮点编码。
2)随机初始化种群。种群规模一般为20～100，这样可以提高遗传算法的稳定性，保证种群的多样性，从而更易获得全局最优解。
3)确定适应度函数。通常选取误差函数的倒数作为染色体的评价函数，计算出每条染色体的适应度。误差表达式如下式所示：
适应度函数取误差的倒数，即：
4)挑选适应度值大的个体直接进入下一代，同时消除适应度值偏小的个体。
5)利用交叉算子(pc)、变异算子(pm)等处理上代种群，生成下一代群体。
重复步骤3)、4)和5)，对新一代群体不断迭代，直到训练目标满足终止条件。
如图4所示，采用混合编程方式，利用MathScrip接口在LabVIEW平台上实现各种改进算法,这样可以充分利用到Matlab强大的矩阵计算能力以及它所提供的神经网络工具箱函数。LabVIEW能够方便地编写友好简洁的用户界面，对各个输入输出及显示变量参数能进行即时设置和调试，同时具有许多数学处理函数、变换公式及各种曲线曲面图，程序运行结果直观形象,这些优势使得LabVIEW的应用越来越广泛。故障诊断人员可以在LabVIEW开发平台上直接使用Matlab的神经网络工具箱,使得***的设计十分方便,并且***测试结果表明效果非常好。
如图5，在LabVIEW开发平台应用Math Script节点来实现两者混合编程，将在Matlab中编好调试好的程序直接导入Matlab语言节点中。在导入Matlab程序时，只需要选中的“导入”,并在弹出的对话框中选择要导入的Matlab文件并确认即可，LabView程序编辑框如图6。
利用原始数据表，在MySQL中创建text数据库，然后在其中添加表，建立表检测数据库px1、故障数据库tx1。同样的，相关的资料得出知识库expert，不同的故障类型对于着不同的故障名称、故障原因、故障解决方式，如图7所示。模拟实际检测中的数据输入，通过输入各个监测量的值，将得到的数据进行显示，然后通过数组***，将五个数组合并成一个数组输出，连到MATLAB脚本的text输入。将数据库初始化、打开MySQL数据库、执行数据库、关闭数据库，从而读取数据库中样本，送到MATLAB脚本的输入口PX、TX，供MATLAB运算，并将读取出的检测数据库、故障数据库通过数组显示出来。同样通过知识库初始化、打开MySQL知识库、执行知识库、关闭知识库，从而读取知识库中数据，利用诊断出的故障类型，将数字转换为字符串后，提取相应的知识，如图8。
利用从数据库提取出的检测数据和故障数据，进行神经网络训练，将实际检测输入的数据通过***数组后输出到MATLAB故障检测脚本的text输入端，通过已经训练好的神经网络得出故障类型，然后输出显示，如图9所示。最后通过数据库中读取专家库，并依据神经网络输出的故障类型，提取响应的专家知识，通过索引数组将故障类型、故障名称、故障原因、故障处理方式分别输出到显示框上，如图10所示。
如图3所示，一种基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，包括以下步骤：
S1、确定BP神经网络拓扑结构和BP神经网络的初始权值阈值；
S2、通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值；
S3、利用步骤S2得出最优初始权值阈值，通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果；
S4、基于LabView软件建立燃气轮机故障诊断专家***，基于MySQL数据库进行***知识库的建立与维护，通过GA和L-M神经网络算法进行故障诊断计算，推理出最终结果。
其中，本发明并不具体限定步骤S1中确定BP神经网络拓扑结构和BP神经网络的初始权值阈值的具体方法，其方法和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知，在此不再赘述。
其中，所述步骤S2中通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值具体包括：
S21、利用遗传算法将解空间数据用遗传空间的串结构数据表示，采用浮点编码；
S22、随机初始化种群，种群规模一般为20-100，提高遗传算法的稳定性，保证种群的多样性，从而更易获得全局最优解；
S23、采用误差函数的倒数作为染色体的评价函数，计算出每条染色体的适应度函数值，其中，误差函数表达式为：
适应度函数值取其中，dk表示神经网络的实际输出，ok表示神经
网络的期望输出，l表示种群中的个体数；
S24、利用交叉算子、变异算子处理上代种群，选取适应度值大的个体遗传到下一代，生成下代种群；
S25、通过种群不断迭代，得出最优BP神经网络初始权值阈值。
其中，所述步骤S3中通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果具体包括：
S31、设定***训练误差的最大允许值ε、系数β和μ，并对神经网络中的权值和阈值向量x(0)进行初始化；
S32、计算网络输出和***的平均误差E(x(k))；需要说明的是，本发明并不具体限定计算网络输出和***的平均误差E(x(k))的具体方法，其方法和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知，在此不再赘述。
S33、若E(x(k))＜ε，转到步骤S36，否则继续；
S34、计算雅克比矩阵J(x)；需要说明的是，本发明并不具体限定计算雅克比矩阵的具体方法，其方法和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知，在此不再赘述。
S35、计算Δx，以x(k+1)＝x(k)+Δx为权值和阈值计算误差函数E(x(k+1))；需要说明的是，本发明并不具体限定计算Δx的具体方法，其方法和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知，在此不再赘述。
S36、若E(x(k+1))＜E(x(k))，则k＝k+1，μ＝μ/β，并转到步骤S32；反之则不更新x(即权值和阈值)，并令ω(k+1)＝ω(k)，μ＝μβ，跳转到步骤S35；
S37、建立起基于GA和L-M神经网络算法，通过网络训练得出算法模型，用于燃气轮机故障诊断。
其中，所述步骤S4建立基于LabView的燃气轮机故障诊断专家***，其中基于LabVIWE软件对专家***进行人机界面的设计，基于MySQL数据库对***的知识库建立和维护，推理机设计发挥专家***人机交互功能，采用单相推理方法进行推理，解释程序设计采用预置文本与路径跟踪法，建立了GA和L-M神经网络的基本结构，并提取专家***知识库中的数据作为样本集和测试集，经过MALTAB的仿真训练和测试进行正向计算，推理出最终结果。
实施例二
BP网络输入层神经元个数是5个，隐含层神经元个数是11，输出层神经元个数是10。网络误差采用平方和的形式，目标误差设置为10-3，最大训练次数是10000。在本发明中，分别采用了三种算法对燃气轮机气路故障样本进行训练，这三种算法是：GA优化BP算法、L-M优化BP算法以及GA和L-M组合优化BP算法。BP网络输入层的5个神经元分别表示为：低压压气机转速变化量(δn1％)、高压压气机转速变化量(δn2％)、高压压气机压缩比变化量(δπHC％)、低压压气机压缩比变化量(δπLC％)以及燃油流量变化量(δwf％)这5个变量。为了使诊断结果更精确，我们需要对输入的样本数据进行归一化处理，归一化公式如下：
其中隐含层神经元的数量n与输入层神经元的数量m存在关系：n＝2m+1。
因为BP神经网络的输入层含有5个神经元，所以隐含层神经元的数量为11。在该网络中输出层的10个神经元分别表示燃气轮机的10种气路状态。本发明选用的样本数据的燃气轮机状态有10种，包括9种故障类型和1种无故障类型，训练样本共有30组，其中1-3组的样本目标输出为(0000000000)，表示***处于无故障状态，；4-6组的样本目标输出为(0100000000)，表示***中发生压气机叶片积垢故障；类似的，7-9组表示***中发生压气机顶端间隙故障时的数据；10-12组表示***发生压气机叶片磨损故障时的样本数据等。每种故障数据都有三组，分别对应着燃气轮机***运行在70％、80％、90％工况下的数据。
优化BP算法得到的实验结果如图11、图12、图13所示，其中图11为采用L-M优化BP的误差曲线、图12为GA优化BP的误差曲线，图13为GA与L-M组合优化BP的误差曲线。比较这三条误差曲线，我们发现当使用GA与L-M组合优化BP网络时，训练次数远小于仅使用L-M算法优化BP和仅使用GA算法优化BP的次数。该组合模型的训练可以在13步迭代内完成训练，误差精度可达10-7，训练期间不会出现局部极小值；而使用GA优化BP时大约需要170次迭代才能使误差精度达到10-2；当采用L-M优化BP算法时，它在训练过程中陷入局部最小值，且误差精度低于10-1。基于此实验结果可知，与遗传算法优化BP和L-M算法优化BP相比，采用GA和L-M组合优化BP网络的训练速度更快，全局搜索能力更好，可以有效地对传统的BP神经网络进行改进。
在GA与L-M组合优化BP神经网络的训练之后，我们使用训练好的网络来测试样本，训练样本的输出与实际样本的目标输出几乎一致，这表明经过优化训练后的BP网络模型具有着良好的学习能力。
基于上述实验结果，我们可以看出，使用GA和L-M组合优化BP的算法在训练的结果、速度及测试样本的准确率方面都具有更好的实验结果。因此，基于GA和L-M组合优化算法可以准确有效地对燃气轮机故障诊断专家***进行有效诊断。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制，但凡采用等同替换或等效变换的形式所获得的技术方案，均应落在本发明的保护范围之内。
Claims (4)
1.一种基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，其特征在于，其包括以下步骤：
S1、确定BP神经网络拓扑结构和BP神经网络的初始权值阈值；
S2、通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值；
S3、利用步骤S2得出最优初始权值阈值，通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果；
S4、基于LabView软件建立燃气轮机故障诊断专家***，基于MySQL数据库进行***知识库的建立与维护，通过GA和L-M神经网络算法进行故障诊断计算，推理出最终结果。
2.如权利要求1所述的基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，其特征在于，所述步骤S2中通过遗传算法优化BP神经网络的初始权值阈值，确定BP神经网络的最优初始权值阈值具体包括：
S21、利用遗传算法将解空间数据用遗传空间的串结构数据表示，采用浮点编码；
S22、随机初始化种群，种群规模为20-100；
S23、采用误差函数的倒数作为染色体的评价函数，计算出每条染色体的适应度函数值，其中，误差函数表达式为：
适应度函数值取其中，dk表示神经网络的实际输出，ok表示神经网络的期望输出，l表示种群中的个体数；
S24、利用交叉算子、变异算子处理上代种群，选取适应度函数值大的个体遗传到下一代，生成下代种群；
S25、通过种群不断迭代，得出BP神经网络的最优初始权值阈值。
3.如权利要求1所述的基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，其特征在于，所述步骤S3中通过L-M算法计算误差，进行权值阈值更新，从而得到燃气轮机故障诊断仿真预测结果具体包括：
S31、设定***训练误差的最大允许值ε、系数β和μ，并对神经网络的权值阈值向量x(0)进行初始化；
S32、计算网络输出和***的平均误差E(x(k))；
S33、若E(x(k))＜ε，转到步骤S36，否则继续；
S34、计算雅克比矩阵J(x)；
S35、计算Δx，以x(k+1)＝x(k)+Δx为权值阈值计算误差函数E(x(k+1))；
S36、若E(x(k+1))＜E(x(k))，则k＝k+1，μ＝μ/β，并转到步骤S32；反之则不更新权值阈值，并令ω(k+1)＝ω(k)，μ＝μβ，跳转到步骤S35；
S37、建立起基于GA和L-M神经网络算法，通过网络训练得出算法模型，用于燃气轮机故障诊断。
4.如权利要求1所述的基于GA和L-M组合优化的燃气轮机故障诊断专家***方法，其特征在于，所述步骤S4建立基于LabView的燃气轮机故障诊断专家***，其中基于LabVIWE软件对专家***进行人机界面的设计，基于MySQL数据库对***的知识库建立和维护，推理机设计发挥专家***人机交互功能，采用单相推理方法进行推理，解释程序设计采用预置文本与路径跟踪法，建立了GA和L-M神经网络的基本结构，并提取专家***知识库中的数据作为样本集和测试集，经过MALTAB的仿真训练和测试进行正向计算，推理出最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385050.9A CN110334383A (zh) | 2019-05-09 | 2019-05-09 | 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385050.9A CN110334383A (zh) | 2019-05-09 | 2019-05-09 | 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110334383A true CN110334383A (zh) | 2019-10-15 |
Family
ID=68140027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910385050.9A Pending CN110334383A (zh) | 2019-05-09 | 2019-05-09 | 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334383A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
| CN111539153A (zh) * | 2020-04-07 | 2020-08-14 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
| CN111829786A (zh) * | 2020-06-12 | 2020-10-27 | 上海电力大学 | 基于gsa优化bp神经网络的燃气轮机故障诊断方法 |
| CN112082769A (zh) * | 2020-09-07 | 2020-12-15 | 华北电力大学 | 一种基于专家***和贝叶斯决策器的模拟量输入模块智能bit设计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104678988A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器***有限公司 | 发动机电控单元ecu电路故障诊断方法 |
| US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
-
2019
- 2019-05-09 CN CN201910385050.9A patent/CN110334383A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160242690A1 (en) * | 2013-12-17 | 2016-08-25 | University Of Florida Research Foundation, Inc. | Brain state advisory system using calibrated metrics and optimal time-series decomposition |
| CN104678988A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器***有限公司 | 发动机电控单元ecu电路故障诊断方法 |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王彤: ""站内电码化地面设备故障诊断***分析与设计"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 王浩天等: "基于LM-BP神经网络算法的模拟电路故障诊断", 《计算机测量与控制》 * |
| 王雅娟等: ""基于GA与L-M优化算法的变压器故障诊断研究"", 《电子设计工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110836783A (zh) * | 2019-10-29 | 2020-02-25 | 杭州电子科技大学 | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 |
| CN111539153A (zh) * | 2020-04-07 | 2020-08-14 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
| CN111539153B (zh) * | 2020-04-07 | 2023-12-08 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
| CN111829786A (zh) * | 2020-06-12 | 2020-10-27 | 上海电力大学 | 基于gsa优化bp神经网络的燃气轮机故障诊断方法 |
| CN112082769A (zh) * | 2020-09-07 | 2020-12-15 | 华北电力大学 | 一种基于专家***和贝叶斯决策器的模拟量输入模块智能bit设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334383A (zh) | 基于ga和l-m组合优化的燃气轮机故障诊断专家***方法 | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| WO2020000248A1 (zh) | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 | |
| CN103983453A (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
| CN108804850B (zh) | 基于空间重构的航空发动机过渡态加速过程参数预测方法 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| Zhao et al. | A novel cap-LSTM model for remaining useful life prediction | |
| CN110530650A (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
| CN114707754A (zh) | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及*** | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| Chen et al. | Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network | |
| CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
| CN117189713A (zh) | 基于数字孪生驱动的液压***故障诊断方法 | |
| Yan et al. | Two‐Stage Degradation Assessment and Prediction Method for Aircraft Engine Based on Data Fusion | |
| CN112364446B (zh) | 基于ec-rbelm算法的发动机整机性能衰减预测方法 | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN117090831A (zh) | 具有孪生应用层的液压***故障诊断框架 | |
| CN107545112A (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
| CN115659844A (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
| CN114046816A (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine | |
| Duthé et al. | Modeling and monitoring erosion of the leading edge of wind turbine blades. Energies 2021, 14, 7262 | |
| CN109657285A (zh) | 汽轮机转子瞬态应力的检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |