[发明专利]一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法

权利要求书

1.一种基于温度信号的燃气轮机涡轮叶片健康监测方法，其特征在于：监测系统包括数据采集模块、上位机数据处理模块，所述数据采集模块包括辐射取样探头、光电转换模块、数据采集卡，光电转换模块将获取的辐射光能量转换为电信号，并进行相应的信号处理，数据采集卡对电压信号进行采集，并将采集到的电压信号传递到上位机数据处理模块，所述数据采集模块与上位机数据处理模块之间为电连接，上位机数据处理模块根据温度数据进行分析处理，得到涡轮叶片的温度特征和叶片的健康状况，步骤如下：

步骤1：监测模型的选择

①网络结构的改进

增加从关联层到输出层的连接权值ω⁴，改进Elman神经网络结构；

②学习算法的改进

选择L-M算法改进Elman网络的学习算法；

步骤2：基于MIV算法的自变量筛选

在神经网络训练终止后，将训练样本P中每一自变量特征在其原值的基础上分别加和减10％构成两个新的训练样本P₁和P₂，将P₁和P₂分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果A₁和A₂，求出A₁和A₂的差值，即为变动该自变量后输出产生的影响变化值，最后按观测例数平均得出该自变量对于应变量——网络输出的MIV；依次算出各个自变量的MIV值，最后根据MIV绝对值的大小为各自变量排序，得到各自变量对网络输出影响相对重要性的位次表，从而判断出输入自变量对于网络结果的影响程度，实现了变量筛选；

步骤3：基于遗传算法的自变量降维

将解空间映射到编码空间，每个编码对应问题的一个解，染色体的每一位对应一个输入自变量，每一位的基因取值只能是“1”和“0”两种情况，如果染色体某一位值为“1”，表示该位对应的输入自变量参与最终的建模；反之，则表示“0”对应的输入自变量不作为最终的建模自变量；选取测试集数据均方误差的倒数作为遗传算法的适应度函数，经过迭代进化，最终筛选出最具有代表性的输入自变量参与建模；

步骤4：监测模型的优化

选择粒子群优化算法，在迭代过程中，使用神经网络的实际输出值与期望输出值之间的标准差作为对种群个体的评价指标来构建适应度函数如下：

式中：t_i为第i个训练样本的网络输出值，a_i为相应的期望输出值，N为训练集的规模；

在设计变异算子时，选取第i个个体的进行变异，位置变异操作为：

速度变异操作为：

f(g)＝r₃(1-g/G_max)

式中，X_i(k)、V_i(k)为第i个粒子在第k次迭代中的位置和速度；X_max、X_min为粒子位置的上界和下界；V_max、V_min分别为速度的最大值和最小值；r₁、r₂、r₃为[0,1]之间的随机数；g为当前迭代次数；G_max为最大进化次数。