(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111001163.8 (22)申请日 2021.08.3 0 (71)申请人 华北电力大 学 地址 102206 北京市昌平区朱辛庄北农路2 号 (72)发明人 孙建平　周正　张文广　牛玉广　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 代理人 张文宝 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种燃气轮 机电动执 行器故障诊断方法 (57)摘要 本发明公开了属于燃气轮机故障诊断技术 领域的一种燃气轮机电动执行器故障诊断方法。 包括步骤1： 对采集到的流量信号样本进行标准 化预处理； 步骤2： 对步骤1中的数据集合进行工 况辨识和初步聚类， 再对高斯概率密度的函数模 型进行训练； 步骤3： 构建自我学习网络模型， 对 自我学习网络模 型进行训练， 提取流量信号样本 的数据特征并保存自我学习网络模型的网络权 重； 步骤4： 构建电动执行器的状态分类与识别网 络模型， 载入网络权重参数； 步骤5： 对电动执行 器的GMM‑1DCNN的网络权重进行微调。 本发明在 诊断精度与诊断效率方面有较强优势， 避免了直 接处理数据带来的数据处理工作量大、 有效特征 难以提取等 弊端。 权利要求书2页 说明书5页 附图3页 CN 114154254 A 2022.03.08 CN 114154254 A 1.一种燃气轮机电动执 行器故障诊断方法， 其特 征在于， 包括以下步骤： 步骤1： 利用传感器采集含变负载、 变转速和变开度三种工况运行状态下的流量信号样 本作为数据集 合， 并对采集到的流 量信号样本进行 标准化预处理； 步骤2： 利用高斯混合模型， 即GMM， 对步骤1中的数据集合进行工况辨识， 将数据进行初 步聚类， 得到高斯概率密度的函数模型， 再采用期望最大化算法对高斯概率密度的函数模 型进行训练， 从而得到GM M最终参数； 步骤3： 在经GMM处理后的每个子工况 区间内构 建以一维卷积神经网络模型， 即1DCNN为 基础的自我学习网络模型， 分别使用每个子工况区间内的训练样本对自我学习网络模型进 行训练， 提取流 量信号样本的数据特 征并保存自我学习网络模型的网络 权重； 步骤4： 构建1DCNN与Softmax分类器结合的电动执行器的状态分类与识别网络模型， 即 GMM‑1DCNN， 载入步骤3中保存的网络 权重参数； 步骤5： 使用经过预处理后的真实流量信号样本及每个流量信号样本对应的状态标签 对电动执 行器的GM M‑1DCNN的网络权重进行微调， 实现不同工况 下的电动执 行器故障诊断。 2.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于： 所述步骤1 中每种工况运行状态下的流量信号样本数为500个， 包括训练样本300个， 测试样本200个； 每种工况运行状态下检测的故障模式为 10种， 包括电源故障， 电机故障， 行程传动装置齿轮 损坏， 蜗轮蜗杆严重磨损， 填料硬化干涩或填料压盖拧 得过紧， 外部泄露， 内部泄漏， 阀门阻 塞， 阀或阀座有沉积物以及阀杆弯曲。 3.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于： 所述步骤2 中的期望最大化 算法包括以下步骤： 步骤2.1： 根据已知数据的聚类中心得到GMM中各密度分布待估计参数( αu， μu， Σu)的初 始值； 其中， αu为混合系数， μu为高斯分布均值， Σu为高斯分布 协方差矩阵； 步骤2.2： 计算每 个样本xv(v＝1,2,3 …,m)属于第u个高斯模型的后验概 率 式中， Zv为生成xv的高斯分布， P(Xv| μu,Σu)为概率密度函数； 步骤2.3： 通过计算样本数据似然函数的期望方程达到最大值， 得到下一次迭代的GMM 参数； 步骤2.4： 反复迭代步骤2.2和步骤2.3至算法收敛， 从而得到GMM 的最终参数； 否则， 重 复步骤2.2和步骤2.3 。 4.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于： 所述步骤3 中对自我学习网络模 型进行训练的初期误差大时， 采用高固定学习率； 模型误差下降后， 学 习率采用参照误差的自然指数衰减方式； 其中， 参照误差的自然指数衰减方式如下： 式中， α 为指数衰减的学习率； lr为初始学习率； dr为学习率的衰减率； step为当前迭代 次数； 1个epoc h等于使用训练集中的全部样本训练一次。 5.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于： 所述步骤3权　利　要　求　书 1/2 页 2 CN 114154254 A 2中1DCNN包括卷积层、 池化层和全连接层； 其中， 卷积层和池化层交替出现进行故 障特征提 取； 卷积层中卷积核与输入数据进 行卷积提取输入 数据的特征； 池化层设置在卷积层后， 且 池化运算是取子工况区间内的最大值、 最小值或者平均值。 6.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于， 所述步骤4 中的Softmax分类 器的代价 函数J( θ )为： 式中， x＝(x1,x2,...,xm)为输入， 其标签为j＝(j1,j2,...,jm)， ji∈{1,2,...,k}； θ表示 Softmax分类器模型的参数； l表示归一化运算中的起始运算点， m表示定义变量的范围， 表述归一化运算； n表示特征图的维度； 1{yi＝j}为示性函数， 其数值与内部表达式 的真假有关， 若内部表达式成立则为1， 反 之则为0； λ为权 重衰减系数。 7.根据权利要求1所述的燃气轮机电动执行器故障诊断方法， 其特征在于： 所述步骤5 中的GMM‑1DCNN模型包括两个建立过程： 基于GMM对数据进行工况辨识， 聚类分析采集的数 据； 基于子工况区间数据集建立子 工况1DCN N模型， 重构输入数据， 完成模型训练。权　利　要　求　书 2/2 页 3 CN 114154254 A 3