一种控制器模块的智能BIT故障诊断方法技术

本发明专利技术涉及故障诊断技术领域，尤其涉及一种控制器模块的智能BIT故障诊断方法，包括，步骤S1，采集控制器模块运行数据；步骤S2，对数据进行归一化处理；步骤S3，对全卷积网络训练和测试；步骤S4，优化全卷积网络的超参数设置；步骤S5，将预测值进行二分类；步骤S6，输出智能BIT诊断结果。本发明专利技术通过实际重型燃机控制系统控制器模块在运行过程中产生的大量历史数据建立全卷积网络模型，采用多元时序信号输入全卷积网络，实现对控制器模块的智能自检，通过数据驱动的方法，采用全卷积网络提取多元时序信号中的有效特征，从而减少噪声或突发情况造成的故障误报和漏报情况，有效提高了燃气轮机控制器模块的安全性和可靠性。机控制器模块的安全性和可靠性。机控制器模块的安全性和可靠性。

【技术实现步骤摘要】
一种控制器模块的智能BIT故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其涉及一种控制器模块的智能BIT故障诊断方法。

技术介绍

[0002]随着工业4.0人工智能时代来临，基于数据驱动的方法在各个领域都得到了广泛而深入的使用，采用各种信号处理和数据挖掘的方法自动获取海量数据中的隐含信息，从而建立可靠的模型来对控制器模块的状态进行检测，近年来，深度学习的研究方法得到了广泛关注，将深度学习应用于智能BIT领域可以有效地提高故障诊断的准确率，有利于发现控制器模块的早期故障，改善重型燃机控制系统整体性能，进一步提升控制系统的可靠性和智能化水平。
[0003]各领域内控制系统的功能日臻完善，控制系统的可靠性也稳步提升，但控制系统中的电子设备不可避免地会出现故障异常，为了全面提升控制系统的可靠性，能够及时发现故障，保障电子设备正常运行，很多控制系统的电子设备内部嵌入了BIT技术，以实现对控制系统的实时状态监测和故障诊断，目前重型燃机控制系统一般都内置了BIT技术，但其仍存在BIT故障诊断虚警率较高的问题，因此为提高重型燃机控制系统控制器模块的故障识别准确率，重型燃机控制系统智能BIT成为该领域的研究重点。

技术实现思路

[0004]为此，本专利技术提供一种控制器模块的智能BIT故障诊断方法，用以克服现有技术中BIT故障诊断虚警率较高的问题。
[0005]为实现上述目的，本专利技术提供一种控制器模块的智能BIT故障诊断方法，包括，
[0006]步骤S1，采集重型燃机控制系统内控制器模块运行的特征状态参数的时序信号，特征状态参数选择控制器模块温度、控制器模块CPU负荷和控制器模块内存负荷，以代表重型燃机控制系统控制器模块的运行状态；
[0007]步骤S2，对控制器模块温度、控制器模块CPU负荷以及控制器模块内存负荷三种时序信号进行数据预处理，以携带标签名的方式作为全卷积网络的输入，并对三种时序信号进行归一化处理，将其分为训练集和验证集；
[0008]步骤S3，针对特征状态参数设计全卷积网络，通过滑动窗口算法规定输入网络的时间序列长度，预测下个单位时间的参数状态数据，利用控制器模块的历史数据对全卷积网络模型进行训练和测试；
[0009]步骤S4，在训练全卷积网络时采用改进的飞蛾扑火算法来优化全卷积网络的超参数设置；
[0010]步骤S5，将归一化处理后的多元时序信号输入所述步骤S4中训练好的全卷积网络模型，得出的预测值再输入Softmax分类器进行二分类，确定时序信号的状态：
[0011]步骤S6，对于所述步骤S5中Softmax分类器输出的二分类结果，其中0表示正常，1
表示故障，将该输出结果作为智能BIT的诊断结果。
[0012]进一步地，控制器模块的历史数据包括特征状态参数数据，用以反映控制器模块的状态，使用矩阵I表示特征状态参数的时间序列数据，使用矩阵O表示特征状态参数的诊断数据，其为开关量数据；
[0013]其中，I＝[i1，i2，
…
，i
n
]，i
n
表示第n个时间序列的监测数据，O＝[o1，o2，
…
，o
n
]，o
n
表示第n个时间序列的诊断结果。
[0014]进一步地，在所述步骤S2中，归一化处理方法具体为，
[0015][0016]其中，x
’
代表归一化处理后的数据，x代表归一化处理前的数据，x
min
代表该特征状态参数时序信号的最小值，x
max
代表该特征状态参数时序信号的最大值。
[0017]进一步地，在所述步骤S3中，全卷积网络包含卷积层、BatchNormalization算法、ReLU激活函数和池化层，全卷积网络的训练以MSE作为损失函数，设置学习率，采用随机方式确定神经网络初始的权重和阈值，设定网络最大迭代次数和目标误差，权值更新采用Adam优化器，全卷积网络的训练步骤为，
[0018]步骤S31，针对任意一特征状态参数的数据，利用前5个时间序列预测下一个时间序列的值，即将i
t
‑5，i
t
‑4，i
t
‑3，i
t
‑2，i
t
‑1作为全卷积网络的输入，i
t
作为全卷积网络的输出；
[0019]步骤S32，若i
t
‑5，i
t
‑4，i
t
‑3，i
t
‑2，i
t
‑1作为全卷积网络的输入，i
t
作为全卷积网络的输出，则下一组训练数据为i
t
‑4，i
t
‑3，i
t
‑2，i
t
‑1，i
t
作为全卷积网络的输入，i
t+1
作为全卷积网络的输出；
[0020]步骤S33，将训练数据输入至全卷积网络的卷积层进行卷积操作后，传递到BatchNormalization算法进行处理，再经过ReLU激活函数输出，并将输出结果重复上述卷积操作、BatchNormalization算法处理以及ReLU激活函数输出的过程，通过池化层输出得到预测值，全卷积网络的计算过程为，
[0021]卷积层，
[0022][0023]其中，output为输出矩阵的尺寸，input为输入矩阵的尺寸，padding为填充数量，kernel_size为卷积核尺寸，stride为步长；
[0024]BatchNormalization算法，
[0025][0026][0027][0028][0029]其中，x
i
为卷积层的输出，μ
BN
为x
i
的均值，为xi的方差，为x
i
标准化的结果，y
i
为反标准化的结果；
[0030]ReLU激活函数表示为，
[0031][0032]池化层，
[0033][0034]其中，output为输出矩阵的尺寸，input为输入矩阵的尺寸，kernel_size为卷积核尺寸，stride为步长；
[0035]步骤S34，根据池化层输出得到的预测值与实际值计算均方误差函数MSE，并在误差大于预定值时，采用Adam优化器对网络的权值阈值进行优化。
[0036]进一步地，在所述步骤S4中，采用改进的飞蛾扑火算法来优化全卷积网络超参数，
[0037]对改进的飞蛾相对火焰的位置更新机制为：
[0038]S(Mi
，
F
j
)＝Di
j
·
e
bt
·
cos(2πt)+F
j
[0039]其中，S代表改进的飞蛾扑向火焰的路径函数，M
i
代表第i只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种控制器模块的智能BIT故障诊断方法，其特征在于，包括，步骤S1，采集重型燃机控制系统内控制器模块运行的特征状态参数的时序信号，特征状态参数选择控制器模块温度、控制器模块CPU负荷和控制器模块内存负荷，以代表重型燃机控制系统控制器模块的运行状态；步骤S2，对控制器模块温度、控制器模块CPU负荷以及控制器模块内存负荷三种时序信号进行数据预处理，以携带标签名的方式作为全卷积网络的输入，并对三种时序信号进行归一化处理，将其分为训练集和验证集；步骤S3，针对特征状态参数设计全卷积网络，通过滑动窗口算法规定输入网络的时间序列长度，预测下个单位时间的参数状态数据，利用控制器模块的历史数据对全卷积网络模型进行训练和测试；步骤S4，在训练全卷积网络时采用改进的飞蛾扑火算法来优化全卷积网络的超参数设置；步骤S5，将归一化处理后的多元时序信号输入所述步骤S4中训练好的全卷积网络模型，得出的预测值再输入Softmax分类器进行二分类，确定时序信号的状态；步骤S6，对于所述步骤S5中Softmax分类器输出的二分类结果，其中0表示正常，1表示故障，将该输出结果作为智能BIT的诊断结果。2.根据权利要求1所述的控制器模块的智能BIT故障诊断方法，其特征在于，控制器模块的历史数据包括特征状态参数数据，用以反映控制器模块的状态，使用矩阵I表示特征状态参数的时间序列数据，使用矩阵O表示特征状态参数的诊断数据，其为开关量数据；其中，I＝[i1,i2,
…
,i
n
]，i
n
表示第n个时间序列的监测数据，O＝[o1,o2,
…
,o
n
]，o
n
表示第n个时间序列的诊断结果。3.根据权利要求1所述的控制器模块的智能BIT故障诊断方法，其特征在于，在所述步骤S2中，归一化处理方法具体为，其中，x
′
代表归一化处理后的数据，x代表归一化处理前的数据，x
min
代表该特征状态参数时序信号的最小值，x
max
代表该特征状态参数时序信号的最大值。4.根据权利要求1所述的控制器模块的智能BIT故障诊断方法，其特征在于，在所述步骤S3中，全卷积网络包含卷积层、BatchNormalization算法、ReLU激活函数和池化层，全卷积网络的训练以MSE作为损失函数，设置学习率，采用随机方式确定神经网络初始的权重和阈值，设定网络最大迭代次数和目标误差，权值更新采用Adam优化器，全卷积网络的训练步骤为，步骤S31，针对任意一特征状态参数的数据，利用前5个时间序列预测下一个时间序列的值，即将i
t
‑5,i
t
‑4,i
t
‑3,i
t
‑2,i
t
‑1作为全卷积网络的输入，i
t
作为全卷积网络的输出；步骤S32，若i
t
‑5,i
t
‑4,i
t
‑3,i
t
‑2,i
t
‑1作为全卷积网络的输入，i
t
作为全卷积网络的输出，则下一组训练数据为i
t
‑4,i
t
‑3,i
t
‑2,i
t
‑1,i
t
作为全卷积网络的输入，i
t+1
作为全卷积网络的输出；步骤S33，将训练数据输入至全卷积网络的卷积层进行卷积操作后，传...

【专利技术属性】
技术研发人员：黄从智，杨阳，王巍，金曹斌，张建华，侯国莲，
申请(专利权)人：国核自仪系统工程有限公司，
类型：发明
国别省市：