【技术实现步骤摘要】
本专利技术涉及燃气轮机故障检测，具体为一种燃气轮机振荡燃烧故障检测方法及系统。
技术介绍
1、贫燃预混旋流燃烧是目前燃气轮机中普遍采用的燃烧组织方式，这种燃烧方式可将燃烧温度控制在1650℃以下，降低nox的排放。但由于接近熄火极限，贫燃预混燃烧易导致热释放率发生波动，进而使燃烧室内部产生压力脉动，造成流场扰动，进一步激励热释放率波动。这个耦合过程是燃气轮机燃烧室振荡燃烧故障发生的主要因素。振荡燃烧故障一旦诱发，将会严重影响整个机组的安全运行，甚至造成灾难性的事故。因此，需要发展诊断精度高、泛化能力强的燃机振荡燃烧故障检测方法，以及时在故障早期进行停机或主动控制等操作，保障人员财产安全。
2、振荡燃烧故障的准确检测对于降低其带来的安全隐患与经济损失而言是至关重要的，国外很多研究机构及学者对于燃烧不稳定的动态监测做了很多努力，目前工程常用的诊断方法是对压力信号进行时频分析。但当数据量较大时，现有的数据分析方法无法保证诊断的准确度及速度，可能会造成误报、报警延迟等现象，造成财产的巨大损失。
3、卷积神经网络(convolutional neural networks，cnn)作为一种有监督的深度学习算法，在各个领域都有广泛应用，取得了令人信服的结果，尤其对于以特征提取和分类为目标的计算机视觉任务特别有效。cnn在传感器故障诊断、目标检测、分类、噪声抑制和变化检测等领域取得了巨大进展。在实际应用中，cnn在两个空间方向(x,y)上进行卷积，以发现隐藏在数据中的潜在特征。
4、本专利技术提出通过对压力
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何提高燃气轮机振荡燃烧故障检测的准确性和实时性，特别是在复杂工况下，对燃烧状态进行精确分类和判断。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种燃气轮机振荡燃烧故障检测方法，其包括如下步骤，
4、收集燃气轮机的数据，进行数据预处理。
5、基于预处理的结果，利用连续小波变换对燃气轮机数据进行多尺度分析，并在时域上进行同步解析，提取小波系数。
6、按获得的小波系数对燃烧状态进行分类，区分故障特征与稳定特征。
7、将分类好的小波系数作为卷积神经网络的输入，对模型进行训练，输出准确度。
8、根据输出结果调整变换模型参数，直至诊断效果最优。
9、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述收集燃气轮机的数据是使用传感器采集燃气轮机燃烧室内的温度、燃烧效率以及压力数据；
10、所述预处理是采用低通滤波器对燃气轮机收集到的燃烧室温度、燃烧效率和燃烧室内压力数据进行去噪处理，对各信号中的高频噪声进行滤除，将去噪后的温度、燃烧效率和压力数据进行归一化处理，采用3σ原则对归一化后的数据进行异常值识别与处理，计算每个信号的均值和标准差，并识别出超出三倍标准差范围的异常值，针对异常值的数据进行插值处理，对来自不同传感器的数据进行时间序列对齐，对于时间序列对齐后的数据，通过插值法填补在采集或传输过程中出现的缺失数据，将经过时间序列对齐和数据填补后的信号数据进行分割，采用滑动窗口技术将连续的数据流划分为固定长度的时间窗口。
11、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述利用连续小波变换对燃气轮机数据进行多尺度分析，并在时域上进行同步解析，提取小波系数是在时间序列对齐完成后，在每一个时间窗口内对温度、燃烧效率和压力信号，采用自适应小波变换方法进行多尺度分析；
12、分析温度、燃烧效率和压力信号的频谱特性，自适应地选择母小波函数并通过小波变换对信号进行分解，表达式为：
13、
14、其中，tc(x)、ef(x)、pc(x)分别为在时间x的燃烧室温度信号、燃烧效率信号以及压力信号，wt(at,bt)、we(ae,be)、wp(ap,bp)分别为燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果，at、ae、ap分别为燃烧室温度信号、燃烧效率信号以及压力信号的小波变换尺度因子，bt、be、bp分别为燃烧室温度信号、燃烧效率信号以及压力信号的小波变换换位移因子，是经过母小波函数缩放和平移后的形式。
15、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述提取小波系数还包括根据燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果确定当前信号在时间节点的贡献度，表达式为：
16、et＝|wt(at,bt)|
17、ee＝|we(ae,be)|
18、ep＝|wp(ap,bp)|
19、
20、其中，et、ee、ep分别为燃烧室温度信号、燃烧效率信号以及压力信号的幅值。
21、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述提取小波系数还包括对燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果进行加权计算输出综合数值，表达式为：
22、
23、其中，分别为燃烧室温度信号、燃烧效率信号以及压力信号的权重。
24、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述将分类好的小波系数作为卷积神经网络的输入，对模型进行训练，输出准确度包括当综合数值大于转变阈值时，则判定当前燃烧状态不稳定，当综合数值小于等于转变阈值时，则判定当前燃烧状态稳定；
25、将小波变换结果和分类好的稳定与不稳定数据作为卷积神经网络的输入，卷积层通过卷积核在输入的小波系数上执行卷积操作，提取局部特征，在全连接层中，卷积层提取的局部特征被整合并进一步处理，形成完整的特征向量，全连接层将特征与分类标签相结合，输出燃烧状态的预测结果，在模型训练过程中，通过比较卷积神经网络的输出与实际分类标签之间的误差，不断对卷积神经网络的权重以及参数进行优化，完成燃烧状态的预测。
26、作为本专利技术所述的一种燃气轮机振荡燃烧故障检测方法的一种优选方案，其中：所述不断对卷积神经网络的权重以及参数进行优化是定义交叉熵损失函数，计算模型预测结果与实际分类标签之间的误差，利用反向传播算法，从输出层开始逐层计算损失函数相对于每个网络参数的梯度，并传播至卷积神经网络的各层，更新权重和偏置参数，采用梯度下降算法，根据计算出的梯度调整网络的权重和偏置参数，并设定学习率控制每次参数更新的步长，通过迭代方式逐步减少模型的损失值，同时使用验证集对模型本文档来自技高网...
【技术保护点】
1.一种燃气轮机振荡燃烧故障检测方法，其特征在于，包括：
2.如权利要求1所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述收集燃气轮机的数据是使用传感器采集燃气轮机燃烧室内的温度、燃烧效率以及压力数据；
3.如权利要求2所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述利用连续小波变换对燃气轮机数据进行多尺度分析，并在时域上进行同步解析，提取小波系数是在时间序列对齐完成后，在每一个时间窗口内对温度、燃烧效率和压力信号，采用自适应小波变换方法进行多尺度分析；
4.如权利要求3所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述提取小波系数还包括根据燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果确定当前信号在时间节点的贡献度，表达式为：
5.如权利要求4所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述提取小波系数还包括对燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果进行加权计算输出综合数值，表达式为：
6.如权利要求5所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述将分类好的
7.如权利要求6所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述不断对卷积神经网络的权重以及参数进行优化是定义交叉熵损失函数，计算模型预测结果与实际分类标签之间的误差，利用反向传播算法，从输出层开始逐层计算损失函数相对于每个网络参数的梯度，并传播至卷积神经网络的各层，更新权重和偏置参数，采用梯度下降算法，根据计算出的梯度调整网络的权重和偏置参数，并设定学习率控制每次参数更新的步长，通过迭代方式逐步减少模型的损失值，同时使用验证集对模型性能进行监控，当模型的损失值在训练集和验证集在连续多次迭代中损失值达到预设的收敛条件，模型参数的优化过程结束。
8.一种采用如权利要求1至7任一所述的一种燃气轮机振荡燃烧故障检测方法的系统，其特征在于：包括收集数据及预处理模块、小波变换模块、分类与判断模块、卷积神经网络训练模块以及燃烧状态预测与输出模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种燃气轮机振荡燃烧故障检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述一种燃气轮机振荡燃烧故障检测方法的步骤。
...【技术特征摘要】
1.一种燃气轮机振荡燃烧故障检测方法，其特征在于，包括：
2.如权利要求1所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述收集燃气轮机的数据是使用传感器采集燃气轮机燃烧室内的温度、燃烧效率以及压力数据；
3.如权利要求2所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述利用连续小波变换对燃气轮机数据进行多尺度分析，并在时域上进行同步解析，提取小波系数是在时间序列对齐完成后，在每一个时间窗口内对温度、燃烧效率和压力信号，采用自适应小波变换方法进行多尺度分析；
4.如权利要求3所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述提取小波系数还包括根据燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果确定当前信号在时间节点的贡献度，表达式为：
5.如权利要求4所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述提取小波系数还包括对燃烧室温度信号、燃烧效率信号以及压力信号的小波变换结果进行加权计算输出综合数值，表达式为：
6.如权利要求5所述的一种燃气轮机振荡燃烧故障检测方法，其特征在于：所述将分类好的小波系数作为卷积神经网络的输入，对模型进行训练，输出准确度包括当综合数值大于转变阈值时，则判定当前燃烧状态不稳定，当综合数值小于等于转变阈值时，则判定当前燃烧状态...
【专利技术属性】
技术研发人员：肖俊峰，于倩倩，高松，王玮，夏家兴，王峰，李晓丰，李丹，李乐，郭菡，郑俊辉，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。