一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法与流程

本发明涉及轮叶片健康监测，尤其涉及一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法，属于燃气轮机涡轮叶片监测领域。

背景技术

随着燃气轮机等机械设备的功能越来越完善，规模和复杂程度不断增加，对这些设备的维修和保障任务也变得越来越繁重和复杂。由于无法避免外界环境和内部因素的影响，设备健康状态无法保障。当设备出现健康问题时，降低或失去了其预定功能，甚至会发生严重的灾难性事故。因此，为了能够尽量最大可能地避免事故的发生和提高经济效益，燃气轮机的可靠性、可用性与安全性问题就日益突出地呈现在人们面前，从而促进了对燃气轮机设备健康监测技术的研究。健康监测技术已经发展成为一门涉及融合信号处理、模式识别、计算机科学、人工智能、电子科学、数学等多学科内容的综合性学科。健康监测技术的发展很大程度上依赖于上述多个学科技术研究的不断深入和交叉。当然，健康监测领域的某些特殊之处也促成了一些新兴研究分支领域的出现。

我国开展机械设备健康监测从1983年起步，迄今已有30多年，一些企业已将健康监测技术应用于燃气轮机、汽轮发电机组、船舶发动机、冶金设备、大型电网系统、石油化工设备、矿山设备和机床等领域，取得了显著的经济效益和社会效益。目前中国的机械设备健康监测技术接近当代世界先进水平，特别是进入21世纪以来，由于世界高新技术的发展极为迅速，国际学术交流分外活跃，因而有力地推动了我国机械设备健康监测工作的进展，使其无论在理论上还是在实践上，都进入了一个新的历史阶段。同时，一些现代健康监测技术不断进入国内科研生产领域，包括近年应用颇显成效的神经网络、人工免疫系统、遗传算法、信息集成与融合等。正是这些发展中的现代健康监测技术，它们与传统健康监测技术并肩齐进、互为补充。

当一个系统的状态偏离了正常状态时，称系统发生了健康问题，此时系统不会完全的失去其功能，但是如果不及时进行处理，就会使设备效率降低，也可能部分地失去其功能。健康监测就是评价健康指数的过程，包括状态检测、趋势预测等内容。健康监测是通过研究设备的健康状态与征兆之间的关系来判断健康指数，由于实际因素的复杂性，健康状态很难用精确的数学模型来表示。健康状态的混叠使得各状态难以明确地区分，所以监测中往往得到多个可能的健康状态结论，使监测过程变得非常复杂。

技术实现要素：

本发明的目的是为了提供一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法，研究对象是燃气轮机涡轮叶片，通过对其温度信号的在线测量，实现其健康检测的目的。

本发明的目的是这样实现的：一种基于温度信号的燃气轮机涡轮叶片健康监测系统，包括数据采集模块、上位机数据处理模块，所述数据采集模块包括辐射取样探头、光电转换模块、数据采集卡，光电转换模块将获取的辐射光能量转换为电信号，并进行相应的信号处理，数据采集卡对电压信号进行采集，并将采集到的电压信号传递到上位机数据处理模块，所述数据采集模块与上位机数据处理模块之间为电连接，上位机数据处理模块根据所述温度数据进行分析处理，得到涡轮叶片的温度特征和叶片的健康状况。

一种基于温度信号的燃气轮机涡轮叶片健康监测方法，包括所述的基于温度信号的燃气轮机涡轮叶片健康监测系统，步骤如下：

步骤1：监测模型的选择

①网络结构的改进

增加从关联层到输出层的连接权值ω⁴，改进elman神经网络结构；

②学习算法的改进

选择l-m算法改进elman网络的学习算法；

步骤2：基于miv算法的自变量筛选

在神经网络训练终止后，将训练样本p中每一自变量特征在其原值的基础上分别加和减10％构成两个新的训练样本p1和p2，将p1和p2分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果a1和a2，求出a1和a2的差值，即为变动该自变量后输出产生的影响变化值，最后按观测例数平均得出该自变量对于应变量——网络输出的miv；依次算出各个自变量的miv值，最后根据miv绝对值的大小为各自变量排序，得到各自变量对网络输出影响相对重要性的位次表，从而判断出输入自变量对于网络结果的影响程度，实现了变量筛选；

步骤3：基于遗传算法的自变量降维

将解空间映射到编码空间，每个编码对应问题的一个解，染色体的每一位对应一个输入自变量，每一位的基因取值只能是“1”和“0”两种情况，如果染色体某一位值为“1”，表示该位对应的输入自变量参与最终的建模；反之，则表示“0”对应的输入自变量不作为最终的建模自变量；选取测试集数据均方误差的倒数作为遗传算法的适应度函数，经过迭代进化，最终筛选出最具有代表性的输入自变量参与建模；

步骤4：监测模型的优化

选择粒子群优化算法，在迭代过程中，使用神经网络的实际输出值与期望输出值之间的标准差作为对种群个体的评价指标来构建适应度函数如下：

式中：ti为第i个训练样本的网络输出值，ai为相应的期望输出值，n为训练集的规模；

在设计变异算子时，选取第i个个体的进行变异，位置变异操作为：

速度变异操作为：

f(g)＝r3(1-g/gmax)

式中，xi(k)、vi(k)为第i个粒子在第k次迭代中的位置和速度；xmax、xmin为粒子位置的上界和下界；vmax、vmin分别为速度的最大值和最小值；r1、r2、r3为[0,1]之间的随机数；g为当前迭代次数；gmax为最大进化次数。

与现有技术相比，本发明的有益效果是：本发明的健康监测方法，上位机数据处理模块通过该方法对所采集的数据进行数据分析，得出叶片的温度特征以及健康状态。通过miv算法、遗传算法对输入变量进行筛选和降维，可以避免神经网络陷入局部极小、出现泛化能力差等问题。更重要的是，优化后的模型不仅性能得到了改善和提升，而且建立时间缩短。同时为了加强elman神经网络的精度，提出了改进elman神经网络的算法，自适应变异的粒子群算法对elman神经网络进行优化，有效的提高监测精度，输出的分数值更接近于专家评价的分数。

附图说明

图1是健康监测系统框图；

图2是健康检测算法的流程图；

图3是基本elman结构图；

图4是改进后的elman网络结构图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明提供了一种健康监测系统，其中：图1为本发明提供的健康监测系统的结构示意图。健康监测系统主要结构包括数据采集模块和上位机数据处理模块。具体地，数据采集模块与数据处理模块之间为电连接，实现电连接的方式包括物理硬件的数据线路连接，也包括无线信号连接。其中，数据采集模块用来采集涡轮叶片的温度数据并传送给上位机数据处理模块，数据处理模块根据温度数据进行计算、分析和处理，最后得出涡轮叶片的温度特征以及健康状况。所述数据采集模块包括辐射取样探头，该探头的作用伸入燃机内获取叶片的辐射能量。所述数据采集模块包括光电转换模块，通过光电转换模块将获取的辐射光能量转换为电信号，并进行相应的信号处理。所述数据采集模块包括数据采集卡，数据采集卡对电压信号进行采集，并将采集到的电压传递到上位机。

本发明还提供了一种健康监测方法，利用数据采集模块采集涡轮叶片的温度数据并传送给上位机数据处理模块，数据处理模块接收到该温度数据后，凭借已有的智能核心算法并且借助于历史数据平台，对温度数据进行计算、分析和处理，得出涡轮叶片的温度特征和健康状况

图2为本发明提供的健康监测方法的流程图，如图2示，在本实施例的可选方案中，健康监测方法的具体步骤包括：先是监测模型的选择，包括

①网络结构的改进

增加从关联层到输出层的连接权值ω⁴，改进elman神经网络结构；

②学习算法的改进

选择l-m算法改进elman网络的学习算法；

步骤1：基于miv算法的自变量筛选

miv是用于确定输入神经元对输出神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程：在神经网络训练终止后，将训练样本p中每一自变量特征在其原值的基础上分别加和减10％构成两个新的训练样本p1和p2，将p1和p2分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果a1和a2，求出a1和a2的差值，即为变动该自变量后输出产生的影响变化值，最后按观测例数平均得出该自变量对于应变量——网络输出的miv。按照上面步骤依次算出各个自变量的miv值，最后根据miv绝对值的大小为各自变量排序，得到各自变量对网络输出影响相对重要性的位次表，从而判断出输入自变量对于网络结果的影响程度，即实现了变量筛选。

步骤2：基于遗传算法的自变量降维

利用遗传算法进行优化计算，需要将解空间映射到编码空间，每个编码对应问题的一个解(即为染色体或个体)。染色体的每一位对应一个输入自变量，每一位的基因取值只能是“1”和“0”两种情况，如果染色体某一位值为“1”，表示该位对应的输入自变量参与最终的建模；反之，则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为遗传算法的适应度函数，经过不断地迭代进化，最终筛选出最具有代表性的输入自变量参与建模。

步骤3：监测模型的选择

在对目标信号进行特征提取和选择之后，就需要把这些特征向量输入到监测模型中进行监测和判决。虽然监测的结果是根据特征向量来决定输出结果的，但是不同的监测模型对健康的分析结果也不相同，所以监测模型的设计也是影响最终结果因素。在这里选择elman网络进行改进。改进内容如下：

①网络结构的改进

elman神经网络使用隐层到输入层的反馈来实现神经网络对其内部过去时刻状态的记忆功能，但elman神经网络关联层输出的利用并不是很充分。可以通过改进elman神经网络的结构使这种情况得到改善：增加从关联层到输出层的连接权值。

改进后的elman网络结构与其基本结构不同之处在于增加了从关联层到输出层的连接权值ω⁴，从而使神经网络输出更充分地利用了网络内部的记忆功能，而且实践表明改进的神经网络由于增加了权值ω⁴，从而增强了模型的动态性能，提高了网络在每次学习过程中的学习效率，从而加速了网络误差的学习收敛，比基本elman网络使用更少的学习循环次数。而且在达到同样的收敛误差下，改进的网络结构使用的隐含层神经元个数更少。

②学习算法的改进

由于elman网络是以bp网络为基础建立起来的，因此elman网络可以参考bp网络的权值改进算法。其算法改进主要有启发式学习算法、优化算法两种途径。启发式学习算法就是对于表现函数梯度加以分析，从而改进算法。从算法训练速度角度考虑，在这里选择l-m算法改进elman网络的学习算法，

步骤4：监测模型的优化

监测模型优化选择粒子群优化算法，该算法寻优速度快，并且适用于很多信号，但是容易陷入早熟收敛，可能还会伴随着准确率降低，效率过低等一系列问题。在这里把遗传算法的思想加入粒子群算法，即加入变异理论，进行自适应变异。这样在对粒子初始化的过程中粒子就可以不需要在小的空间领域进行移动，可以改变其空间的范围，寻找最优值。

过大的变异在增加种群多样性的同时也将会导致群体发生混乱，使种群不能进行精确地局部搜索，减缓了算法的收敛速度。而过小的变异，使其不能快速、有效地逃出局部极小点。所以变异的特性必须根据当前环境的变化而调整变异因子的大小，从而增强了变异的自适应性。

迭代过程中，需要对每个个体的好坏进行评价，所以必须构建一个适应度函数。设计的ampso神经网络中，使用神经网络的实际输出值与期望输出值之间的标准差作为对种群个体的评价指标来构建适应度函数，函数公式如下：

式中：ti为第i个训练样本的网络输出值，ai为相应的期望输出值，n为训练集的规模。

在设计变异算子时，选取第i个个体的进行变异，位置变异操作为

速度变异操作为

f(g)＝r3(1-g/gmax)(4)

式中，xi(k)、vi(k)为第i个粒子在第k次迭代中的位置和速度；xmax、xmin为粒子位置的上界和下界；vmax、vmin分别为速度的最大值和最小值；r1、r2、r3为[0,1]之间的随机数；g为当前迭代次数；gmax为最大进化次数。

最后应说明的是：

1、采用改进bp算法的elman网络模型建立健康监测模型的预测精度要高于bp和rbf网络。而神经网络与自变量降维模型相结合，使输入自变量减少，监测模型性能提升，预测精度提高，而且建立时间缩短。

2、从网络训练过程网络的输出标准差变化可以看出，ampso-elman网络相比pso-elman网络收敛速度较快。

3、从训练过程适应度值的变化可以看出，ampso-elman网络搜索到的最优个体适应度值比pso-elman小，适应度函数是根据网络输出与期望输出的标准差来设计的，适应度值越小说明网络的监测准确度高。从结果中可以看出，带变异算子的粒子群算法能够跳出局部极小值点，得到更优的结果。