基于MFO-SVM的燃气轮机传感器故障诊断方法

摘要

本发明涉及一种基于MFO‑SVM的燃气轮机传感器故障诊断方法，首先利用EMD方法将传感器故障信号进行分解，得到故障特征向量；接着针对SVM参数选取会影响分类性能的问题，利用MFO算法对SVM的参数进行优化，建立MFO‑SVM故障诊断模型；最后将传感器故障特征向量输入到MFO‑SVM诊断模型对模型进行训练，得到用于传感器故障诊断的模型，能够快速的、准确的识别燃气轮机控制系统传感器故障类型，及时进行维修和保护，降低燃气轮机控制系统传感器故障带来的经济损失，使燃气轮机能够可靠安全的运行。

说明书

技术领域

本发明涉及一种火电厂故障诊断技术，特别涉及一种基于MFO-SVM的燃气轮机传感器故障诊断方法。

背景技术

传感器作为控制系统中的一个重要组成部分，负责对各种过程参数的采集，控制器负责接收传感器传递过来的各种参数并发出控制指令，执行器根据控制器发出的指令来进行相应的动作，三者之间相互配合，实现对燃气轮机机组的自动控制，保障了燃气轮机机组的安全稳定运行。其中，传感器作为测量元件，通常工作在较为恶劣的环境下，因此容易发生故障。而传感器一旦发生故障，将会使测得的参数偏离正常值，会影响控制器的决策，使得执行器不能准确动作，影响燃气轮机机组的安全稳定运行，严重时可能导致机组崩溃解列。因此，对燃气轮机控制系统传感器进行故障诊断具有重大的研究意义和研究价值。

对燃气轮机控制系统传感器进行故障诊断，需要完整、准确地提取故障特征，比较常见的特征提取方法有傅里叶变换、EMD(经验模态分解)、小波包变换等。其中，EMD是一种非平稳信号分析方法，与小波包变换不同，它不需要基函数，对于任意一段信号，不需要对信号进行分析和研究就可以对其进行分解。因此，EMD方法在故障诊断领域得到广泛的应用。

近年来，机器学习作为一门多交叉学科，也广泛应用在各个领域，其在故障诊断中也取得了良好的应用，因此也成为了故障诊断领域中的一个研究热点。SVM(支持向量机)是机器学习中常用的一种方法，在故障诊断领域得到良好的应用，然而对于SVM，参数的选取会对其性能造成影响，因此有必要对其参数进行优化。飞蛾扑火优化MFO算法是一种智能寻优算法，具有较强的寻优能力。

发明内容

针对燃气轮机控制系统传感器故障判断问题，提出了一种基于MFO-SVM的燃气轮机传感器故障诊断方法，首先利用EMD方法将传感器故障信号进行分解，得到故障特征向量；接着针对SVM参数选取会影响分类性能的问题，利用MFO算法对SVM的参数进行优化，建立MFO-SVM故障诊断模型；最后将传感器故障特征向量输入到MFO-SVM诊断模型中对模型进行训练，得到用于传感器故障诊断的模型，为故障诊断工作提供了重要的决策支持。

本发明的技术方案为：一种基于MFO-SVM的燃气轮机传感器故障诊断方法，具体包括如下步骤：

1)获取燃气轮机控制系统传感器正常信号及故障信号，对信号进行归一化处理后，利用EMD方法对传感器正常及故障信号进行分解，将传感器信号分解为若干个IMF分量，并计算各个IMF分量的能量占比，将IMF分量的能量占比作为故障特征，所有IMF分量能量占比构成故障特征向量；

2)利用等频离散化方法对提取的故障特征向量进行离散化处理，获得故障特征样本，接着利用粗糙集理论对所有样本进行属性约简，减少故障特征向量中故障特征的个数后，最终构成故障特征样本集，并将其分为训练样本和测试样本；

3)SVM的惩罚参数C和核函数参数σ作为MFO算法中飞蛾种群的位置代表，利用MFO算法优化SVM的惩罚参数C和核函数参数σ，建立MFO-SVM故障诊断模型；

4)将步骤2)获得的训练样本输入到步骤3)建立的MFO-SVM诊断模型中进行训练，并保存训练好的最优模型；

5)将步骤2)获得的测试样本输入到步骤4)训练后的最优模型中，得到诊断结果，验证最优模型。

进一步，所述步骤1)获取故障特征向量的具体步骤如下：

1.1)对传感器输出信号进行EMD分解，得到n个IMF分量，并将其记为imf

1.2)计算各IMF分量的能量：

式中，e

1.3)计算各IMF分量的能量占比，并将其作为故障特征向量：

式中，E

故障特征向量E＝(E

进一步，所述步骤3)具体实现方法如下：

3.1)MFO算法初始化：设置最大迭代次数，飞蛾种群规模，最大火焰数flame.max参数，并利用佳点集理论初始化飞蛾种群位置；

3.2)采用K折交叉验证的方法，将SVM的分类正确率作为适应度函数，适应度函数为：

式中：N为样本数；W为分类误差数；

3.3)待求变量初始化，在搜索空间中基于佳点集理论生成飞蛾位置，并计算每只飞蛾的适应度值；

3.4)将飞蛾适应度值排序并按顺序将飞蛾位置赋值给第一代火焰；

3.5)更新当前飞蛾的位置，飞蛾位置更新公式为：

M

式中，M

3.6)如果任何一个飞蛾适应度值由于对应的火焰，则更新火焰位置；

3.7)自适应减少火焰的数量，火焰数量自适应减少机制表达式为：

式中，flame.no为保留的火焰数量；flame.max为最大火焰数；l为迭代次数；T为最大迭代次数；

3.8)判断是否达到最大迭代次数，若没达到，则返回3.5)进入下一代，若达到，则执行下一步；

3.9)输出最优飞蛾种群的位置，即优化后SVM的惩罚参数C和核函数参数σ，建立MFO-SVM故障诊断模型。

本发明的有益效果在于：本发明基于MFO-SVM的燃气轮机传感器故障诊断方法，能够快速的、准确的识别燃气轮机控制系统传感器故障类型，及时进行维修和保护，降低燃气轮机控制系统传感器故障带来的经济损失，使燃气轮机能够可靠安全的运行。

附图说明

图1为本发明基于MFO-SVM的燃气轮机传感器故障诊断方法示意图；

图2为本发明中MFO-SVM故障诊断模型建立示意图；

图3为本发明方法中MFO优化SVM参数流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示基于MFO-SVM的燃气轮机传感器故障诊断方法示意图，整体为基于MFO-SVM的燃气轮机控制系统传感器故障诊断结构。获取燃气轮机控制系统传感器正常信号及故障信号，对传感器信号进行EMD分解，通过计算分解出的各个IMF分量的能量占比得到故障特征向量，利用等频离散化方法和粗糙集理论对故障特征向量进行属性约简，得到故障特征样本集，并将其分为训练样本和测试样本。通过MFO算法对SVM的惩罚参数C和核函数参数σ进行优化，建立MFO-SVM故障诊断模型，并将训练样本输入到已建立的故障诊断模型中训练，保存优化过程中得到的最优SVM模型。将测试样本输入到最优SVM模型中即可得到诊断结果，实现对燃气轮机控制系统传感器故障类型的识别。

结合图2所示MFO-SVM故障诊断模型建立具体流程图，阐述故障诊断方法的具体实现步骤如下：

S1、对传感器正常信号及故障信号进行归一化处理，利用EMD方法对传感器正常及故障信号进行分解，将传感器信号分解为若干个IMF分量来表达信号的特征，并通过计算各个IMF分量能量的占比来得到故障特征向量。获取故障特征向量的具体操作步骤如下：

(1)对传感器输出信号进行EMD分解，得到n个IMF分量，并将其记为imf

(2)计算各IMF分量的能量：

式中，e

(3)计算各IMF分量的能量占比，并将其作为特征向量：

式中，E

对于任意一个信号，都可以将它分解为若干个IMF分量，根据公式(1)计算各个IMF分量的能量，再根据公式(2)计算其中每一个IMF分量占所有能量之和的比例，即为此IMF分量的能量占比，将IMF分量的能量占比作为故障特征，此信号的所有IMF分量能量占比构成一个故障特征向量。

由于EMD是一种自适应的数据处理或挖掘方法，是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，因此对于非线性、非平稳的传感器信号，利用EMD方法能够较好的提取信号特征，所提取的特征更能反映燃气轮机传感器的运行状态，能够提高后续算法的诊断正确率。

S2、利用等频离散化方法对提取的故障特征向量进行离散化处理，获得故障特征样本，接着利用粗糙集理论对所有样本进行属性约简，减少故障特征向量中故障特征的个数后，最终构成故障特征样本集，并将其分为训练样本和测试样本。通过属性约简，可以剔除一些冗余的属性，加快了后续算法的计算速度，并提高了诊断的正确率。

S3、初始化MFO算法，飞蛾种群的位置表示待优化的参数，利用MFO算法优化SVM的惩罚参数C和核函数参数σ，建立MFO-SVM故障诊断模型。MFO算法优化SVM的流程图如图3所示，具体步骤如下：

(1)MFO算法初始化：设置最大迭代次数T，飞蛾种群规模n，最大火焰数flame.max等参数，并利用佳点集理论初始化飞蛾种群位置，飞蛾种群位置表示待优化参数。

(2)采用K折交叉验证的方法，将SVM的分类正确率作为适应度函数，适应度函数为：

式中：N为样本数；W为分类误差数。

(3)待求变量初始化，在搜索空间中基于佳点集理论生成飞蛾位置，并计算每只飞蛾的适应度值。

(4)将飞蛾适应度值排序并按顺序将飞蛾位置赋值给第一代火焰。

(5)更新当前飞蛾的位置，飞蛾位置更新公式为：

M

式中，M

(6)如果任何一个飞蛾适应度值由于对应的火焰，则更新火焰位置。

(7)自适应减少火焰的数量，火焰数量自适应减少机制表达式为：

式中，flame.no为保留的火焰数量；flame.max为最大火焰数；l为迭代次数；T为最大迭代次数。

(8)判断是否达到最大迭代次数，若没达到，则返回(5)进入下一代，若达到，则执行下一步。

(9)输出优化结果。

惩罚参数C和核函数参数σ的设置会影响SVM的诊断性能，MFO算法的寻优机制可以同时兼顾全局搜素能力和局部搜素能力，利用MFO算法优化SVM可以提高故障诊断的正确率。

S4、将步骤S2获得的训练样本输入到MFO-SVM诊断模型中进行训练，并保存训练好的最优模型。

S5、将步骤S2获得的测试样本输入到保存的最优模型中，得到诊断结果，验证模型。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。