本發(fā)明涉及燃氣輪機故障檢測，具體為一種燃氣輪機振蕩燃燒故障檢測方法及系統(tǒng)。

背景技術(shù)：

1、貧燃預(yù)混旋流燃燒是目前燃氣輪機中普遍采用的燃燒組織方式，這種燃燒方式可將燃燒溫度控制在1650℃以下，降低nox的排放。但由于接近熄火極限，貧燃預(yù)混燃燒易導(dǎo)致熱釋放率發(fā)生波動，進而使燃燒室內(nèi)部產(chǎn)生壓力脈動，造成流場擾動，進一步激勵熱釋放率波動。這個耦合過程是燃氣輪機燃燒室振蕩燃燒故障發(fā)生的主要因素。振蕩燃燒故障一旦誘發(fā)，將會嚴重影響整個機組的安全運行，甚至造成災(zāi)難性的事故。因此，需要發(fā)展診斷精度高、泛化能力強的燃機振蕩燃燒故障檢測方法，以及時在故障早期進行停機或主動控制等操作，保障人員財產(chǎn)安全。

2、振蕩燃燒故障的準確檢測對于降低其帶來的安全隱患與經(jīng)濟損失而言是至關(guān)重要的，國外很多研究機構(gòu)及學(xué)者對于燃燒不穩(wěn)定的動態(tài)監(jiān)測做了很多努力，目前工程常用的診斷方法是對壓力信號進行時頻分析。但當數(shù)據(jù)量較大時，現(xiàn)有的數(shù)據(jù)分析方法無法保證診斷的準確度及速度，可能會造成誤報、報警延遲等現(xiàn)象，造成財產(chǎn)的巨大損失。

3、卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?networks，cnn)作為一種有監(jiān)督的深度學(xué)習(xí)算法，在各個領(lǐng)域都有廣泛應(yīng)用，取得了令人信服的結(jié)果，尤其對于以特征提取和分類為目標的計算機視覺任務(wù)特別有效。cnn在傳感器故障診斷、目標檢測、分類、噪聲抑制和變化檢測等領(lǐng)域取得了巨大進展。在實際應(yīng)用中，cnn在兩個空間方向(x,y)上進行卷積，以發(fā)現(xiàn)隱藏在數(shù)據(jù)中的潛在特征。

4、本發(fā)明提出通過對壓力傳感器信號或加速度傳感器信號應(yīng)用cwt來檢測燃燒的特征，并與卷積神經(jīng)網(wǎng)絡(luò)等人工智能相結(jié)合。與tve等先進的方法相比，該方法的優(yōu)勢在于無需為每個測量的發(fā)動機校準閾值。該算法只需查看類似燃燒室的壓力軌跡樣本，即可自動學(xué)習(xí)動態(tài)閾值，可處理不同的發(fā)動機和配置。隨著數(shù)據(jù)庫的擴展，該算法的泛化性能有望提高，從而減少神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的過擬合傾向。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：如何提高燃氣輪機振蕩燃燒故障檢測的準確性和實時性，特別是在復(fù)雜工況下，對燃燒狀態(tài)進行精確分類和判斷。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種燃氣輪機振蕩燃燒故障檢測方法，其包括如下步驟，

4、收集燃氣輪機的數(shù)據(jù)，進行數(shù)據(jù)預(yù)處理。

5、基于預(yù)處理的結(jié)果，利用連續(xù)小波變換對燃氣輪機數(shù)據(jù)進行多尺度分析，并在時域上進行同步解析，提取小波系數(shù)。

6、按獲得的小波系數(shù)對燃燒狀態(tài)進行分類，區(qū)分故障特征與穩(wěn)定特征。

7、將分類好的小波系數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，對模型進行訓(xùn)練，輸出準確度。

8、根據(jù)輸出結(jié)果調(diào)整變換模型參數(shù)，直至診斷效果最優(yōu)。

9、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述收集燃氣輪機的數(shù)據(jù)是使用傳感器采集燃氣輪機燃燒室內(nèi)的溫度、燃燒效率以及壓力數(shù)據(jù)；

10、所述預(yù)處理是采用低通濾波器對燃氣輪機收集到的燃燒室溫度、燃燒效率和燃燒室內(nèi)壓力數(shù)據(jù)進行去噪處理，對各信號中的高頻噪聲進行濾除，將去噪后的溫度、燃燒效率和壓力數(shù)據(jù)進行歸一化處理，采用3σ原則對歸一化后的數(shù)據(jù)進行異常值識別與處理，計算每個信號的均值和標準差，并識別出超出三倍標準差范圍的異常值，針對異常值的數(shù)據(jù)進行插值處理，對來自不同傳感器的數(shù)據(jù)進行時間序列對齊，對于時間序列對齊后的數(shù)據(jù)，通過插值法填補在采集或傳輸過程中出現(xiàn)的缺失數(shù)據(jù)，將經(jīng)過時間序列對齊和數(shù)據(jù)填補后的信號數(shù)據(jù)進行分割，采用滑動窗口技術(shù)將連續(xù)的數(shù)據(jù)流劃分為固定長度的時間窗口。

11、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述利用連續(xù)小波變換對燃氣輪機數(shù)據(jù)進行多尺度分析，并在時域上進行同步解析，提取小波系數(shù)是在時間序列對齊完成后，在每一個時間窗口內(nèi)對溫度、燃燒效率和壓力信號，采用自適應(yīng)小波變換方法進行多尺度分析；

12、分析溫度、燃燒效率和壓力信號的頻譜特性，自適應(yīng)地選擇母小波函數(shù)并通過小波變換對信號進行分解，表達式為：

13、

14、其中，tc(x)、ef(x)、pc(x)分別為在時間x的燃燒室溫度信號、燃燒效率信號以及壓力信號，wt(at,bt)、we(ae,be)、wp(ap,bp)分別為燃燒室溫度信號、燃燒效率信號以及壓力信號的小波變換結(jié)果，at、ae、ap分別為燃燒室溫度信號、燃燒效率信號以及壓力信號的小波變換尺度因子，bt、be、bp分別為燃燒室溫度信號、燃燒效率信號以及壓力信號的小波變換換位移因子，是經(jīng)過母小波函數(shù)縮放和平移后的形式。

15、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述提取小波系數(shù)還包括根據(jù)燃燒室溫度信號、燃燒效率信號以及壓力信號的小波變換結(jié)果確定當前信號在時間節(jié)點的貢獻度，表達式為：

16、et＝|wt(at,bt)|

17、ee＝|we(ae,be)|

18、ep＝|wp(ap,bp)|

19、

20、其中，et、ee、ep分別為燃燒室溫度信號、燃燒效率信號以及壓力信號的幅值。

21、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述提取小波系數(shù)還包括對燃燒室溫度信號、燃燒效率信號以及壓力信號的小波變換結(jié)果進行加權(quán)計算輸出綜合數(shù)值，表達式為：

22、

23、其中，分別為燃燒室溫度信號、燃燒效率信號以及壓力信號的權(quán)重。

24、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述將分類好的小波系數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，對模型進行訓(xùn)練，輸出準確度包括當綜合數(shù)值大于轉(zhuǎn)變閾值時，則判定當前燃燒狀態(tài)不穩(wěn)定，當綜合數(shù)值小于等于轉(zhuǎn)變閾值時，則判定當前燃燒狀態(tài)穩(wěn)定；

25、將小波變換結(jié)果和分類好的穩(wěn)定與不穩(wěn)定數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，卷積層通過卷積核在輸入的小波系數(shù)上執(zhí)行卷積操作，提取局部特征，在全連接層中，卷積層提取的局部特征被整合并進一步處理，形成完整的特征向量，全連接層將特征與分類標簽相結(jié)合，輸出燃燒狀態(tài)的預(yù)測結(jié)果，在模型訓(xùn)練過程中，通過比較卷積神經(jīng)網(wǎng)絡(luò)的輸出與實際分類標簽之間的誤差，不斷對卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重以及參數(shù)進行優(yōu)化，完成燃燒狀態(tài)的預(yù)測。

26、作為本發(fā)明所述的一種燃氣輪機振蕩燃燒故障檢測方法的一種優(yōu)選方案，其中：所述不斷對卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重以及參數(shù)進行優(yōu)化是定義交叉熵損失函數(shù)，計算模型預(yù)測結(jié)果與實際分類標簽之間的誤差，利用反向傳播算法，從輸出層開始逐層計算損失函數(shù)相對于每個網(wǎng)絡(luò)參數(shù)的梯度，并傳播至卷積神經(jīng)網(wǎng)絡(luò)的各層，更新權(quán)重和偏置參數(shù)，采用梯度下降算法，根據(jù)計算出的梯度調(diào)整網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，并設(shè)定學(xué)習(xí)率控制每次參數(shù)更新的步長，通過迭代方式逐步減少模型的損失值，同時使用驗證集對模型性能進行監(jiān)控，當模型的損失值在訓(xùn)練集和驗證集在連續(xù)多次迭代中損失值達到預(yù)設(shè)的收斂條件，模型參數(shù)的優(yōu)化過程結(jié)束。

27、本發(fā)明的另外一個目的是提供一種燃氣輪機振蕩燃燒故障檢測系統(tǒng)，其能通過對燃燒室溫度、燃燒效率和壓力信號進行小波變換、分類和深度學(xué)習(xí)，有效識別燃燒狀態(tài)的穩(wěn)定性，解決了現(xiàn)有技術(shù)中故障檢測方法精度不足、實時性差以及對復(fù)雜信號處理能力有限的問題。

28、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種燃氣輪機振蕩燃燒故障檢測系統(tǒng)，包括：收集數(shù)據(jù)及預(yù)處理模塊、小波變換模塊、分類與判斷模塊、卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊以及燃燒狀態(tài)預(yù)測與輸出模塊。

29、所述收集數(shù)據(jù)及預(yù)處理模塊是使用傳感器收集燃氣輪機燃燒室內(nèi)的溫度、燃燒效率以及壓力數(shù)據(jù)，對燃氣輪機的原始信號數(shù)據(jù)進行去噪、歸一化處理以及對時間序列進行對齊。

30、所述小波變換模塊是對預(yù)處理后的信號進行小波變換，生成小波系數(shù)。

31、所述分類與判斷模塊是基于小波變換模塊生成的小波系數(shù)，通過設(shè)定的閾值對燃燒狀態(tài)進行分類，將燃燒狀態(tài)分為穩(wěn)定或不穩(wěn)定。

32、所述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊是通過接收分類好的小波系數(shù)和分類標簽進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，卷積層從小波系數(shù)中提取局部特征，結(jié)合分類標簽進行深度學(xué)習(xí)，通過迭代訓(xùn)練，優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和參數(shù)。

33、所述燃燒狀態(tài)預(yù)測與輸出模塊是使用經(jīng)過訓(xùn)練優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)，實時處理輸入的小波系數(shù)和分類標簽，對當前燃燒狀態(tài)進行預(yù)測。

34、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上所述一種燃氣輪機振蕩燃燒故障檢測方法的步驟。

35、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述一種燃氣輪機振蕩燃燒故障檢測方法的步驟。

36、本發(fā)明的有益效果：本發(fā)明采用連續(xù)小波變換對燃燒室溫度、燃燒效率和壓力信號進行時頻分析，提取小波系數(shù)，實現(xiàn)了數(shù)據(jù)降維及特征提取。采用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法進行火焰特征分類，與傳統(tǒng)故障診斷方法相比，縮短了故障診斷時間，提高了故障診斷速度，大大降低了計算成本。卷積神經(jīng)網(wǎng)絡(luò)由于其具有的自監(jiān)督學(xué)習(xí)算法，提高了故障診斷的準確度。與現(xiàn)有技術(shù)相比，本發(fā)明提出的振蕩燃燒故障檢測算法具有更快的檢測速度及更高的準確度。