[发明专利]基于特征信息融合的燃气轮机进口导叶系统故障诊断方法

说明书

本发明公开了一种基于特征信息融合的燃气轮机进口导叶系统故障诊断方法；包括：原始振动信号采集；故障机理分析；变分模态分解(VMD)参数寻优及分解；故障特征提取；状态特征向量归一化；特征向量编码；脉冲神经网络(SNN)故障诊断。本分明采用海豚群算法对VMD参数寻优，提升分解准确率；以峭度‑互信息熵为依据筛选对故障信息敏感的IMF分量，剔除分布规则差、冲击成分少的故障特征敏感模态函数；采用多特征熵值算法在时频域进行故障特征提取，避免单一特征无法全面反映故障特征信息，为故障的准确诊断提供保证；采用SpikeProp算法优化SNN，具备非线性分类问题求解能力，使训练结果更加准确。

技术领域

本发明属于燃气轮机故障诊断技术领域，具体为一种基于特征信息融合的燃气轮机进口导 叶系统故障诊断方法。

背景技术

燃气轮机是以连续流动的天然气为工质带动叶轮高速旋转的内燃式动力机械，已广泛应用 于航天、化工等领域。用于工业发电的重型燃气轮机是我国实现节约能源和环境保护的重要动 力系统。进口导叶是燃气轮机压气机的第一级动叶前一系列静止的叶片，作为燃气轮机压气机 的核心部件，承担着能量转换的重任。通过改变导叶的角度，控制进入压气机中气流的角度和 流量，一旦进口导叶系统发生故障，将严重危害燃气轮机的正常运行，更有甚者会造成安全事 故。

当进口导叶系统出现故障，传感器接收到的振动信号变为显著的非平稳信号，这些信号中 隐藏着大量的特征信息。目前的信号分析方法大多为经验模态分解(EMD)，局部均值分解(LMD) 等，EMD易出现模态混叠的问题；LMD容易造成信号奇异性特性丢失。提出的基于特征信息 融合的故障诊断方法采用变分模态分解(VMD)对信号进行自适应处理，克服了模态混叠、信 号特性丢失以及边界效应等问题，更具有优越性。

为了解决微小故障无法被描述的问题，本发明在引入了熵值的概念的基础上，提出了基于 特征信息融合的故障诊断方法对多尺度多特征进行分析，通过四个熵值函数进行特征提取，采 用脉冲神经网络(SNN)进行故障诊断，相较于深度神经网络具有生物课解释性高且具有高性 能、低功耗的优势。

发明内容

针对背景技术中存在的问题，本发明提供了一种基于特征信息融合的燃气轮机进口导叶系 统故障诊断方法，其特征在于，包括：

步骤1、采集燃气轮机进口导叶系统振动信号数据并对数据进行故障机理分析，得到故障 时刻振动信号幅值的变化趋势；

步骤2、利用群体智能算法优化变分模态分解的参数；

步骤3、使用优化后的参数对振动信号进行变分模态分解分解，得到k个本征模态函数分 量，以峭度-互信息熵为依据筛选对故障信息敏感的本征模态函数分量；

步骤4、采用多特征熵值算法在时频域进行故障特征提取，构造状态特征向量，并对其进 行归一化处理；

步骤5、将归一化后的特征向量编码为脉冲时间序列，得到训练集；

步骤6、将训练集输入脉冲神经网络模型进行训练，构建脉冲神经网络模型，再采用 SpikeProp算法优化脉冲神经网络；

步骤7、采样进口导叶系统故障数据并重复步骤2至步骤5得到能被脉冲神经网络模型识 别的脉冲信号作为测试集；输入至训练好的脉冲神经网络模型得到输出神经元的膜电压，当某 个神经元膜电压到达阈值发出脉冲，而其他神经元尚未达到阈值不发出脉冲时，得到待诊断振 动信号的故障类别。

所述步骤1中故障时刻振动信号幅值的变化趋势为：燃气轮机进口导叶系统产生的振动信 号由叶根传递至机匣表面进而传递至振动传感器；其中振动信号幅值在故障时刻会发生突变， 振动信号幅值r_a为：

式中，ω_c为固有频率，Hz；ζ为阻尼比；Ω为转速，r/s；为振动相位，rad；l为导叶断裂 前后质心间距离，cm；t为时间，单位为s。