一种基于TCN和KNN的重型燃气轮机控制系统控制器模块智能BIT设计方法

一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法
技术领域
1.本发明涉及一种重型燃机控制系统控制器模块智能bit设计方法，具体涉及一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法。


背景技术：

2.科学技术的发展愈加蓬勃发展，各领域控制系统的功能完善性，性能可靠性受重视程度显著提升，但控制系统中的电子设备不可完全避免故障情况发生，为了控制系统中的电子设备的故障或异常情况能够及时被发现，保证控制系统的高可靠性，bit技术在控制系统的电子设备中被广泛应用于对控制系统进行实时状态监测和故障诊断，是改善系统或设备测试性与诊断能力的重要途径。
3.随着我国火力发电产业的转型优化，国内重型燃机发电厂的占比越来越大，重型燃机控制系统一般都内置了bit技术。但在该领域中，由于虚警率偏高问题的存在，不可避免地会造成无效维修甚至影响设备的可用度，因此，为解决bit虚警率高的问题，提高重型燃机控制系统控制器模块的故障识别准确率，重型燃机控制系统智能bit成为该领域的研究重点。


技术实现要素：

4.本发明的目的是提供一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，将网络应用于bit领域，从数据驱动的角度实现了对重型燃气轮机的控制器模块的状态的实时监测和故障诊断，利用时间卷积网络(temporal convolutional network，tcn)实现bit的初步诊断，再利用k最邻近(k-nearest neighbor，knn)分类器的高效分类特性确定模块运行状态，完成故障诊断。本发明可以有效缓解常规bit诊断精度不高且虚警率较高的问题，提高控制器的可靠性。
5.为了实现上述目的，本发明介绍的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，具体按照以下步骤实施：
6.步骤1：收集指定时间段内的控制器模块运行的单一模拟量特征状态参数的历史数据，并采集连续时间序列的数据和当前状态参数的真实运行状态；
7.步骤2：对数据进行归一化处理，使数据标准统一化，不受数据量级的影响，结合其实际运行状态确定tcn的输入和输出；
8.步骤3：依据时间序列递推，采用动态训练的方式划分模型的训练集和测试集；
9.步骤4：针对特征状态参数设计tcn，通过滑动窗口算法规定输入网络的时间序列长度，预测下个单位时间的参数状态数据，利用历史数据对网络进行训练和测试，直到模型的训练误差小于预先设定的阈值；
10.步骤5：在训练tcn时采用改进海鸥算法来优化tcn的超参数设置，从而优化网络训练的权值和阈值，提高模型预测的精确度和可靠性；
11.步骤6：基于优化后的tcn，将时间序列数据输入步骤5训练好的tcn模型，将tcn的输出再输入knn分类器中进行二分类，确定时间序列数据的状态；
12.步骤7：针对步骤6中knn的二分类结果，其中0表示正常，1表示故障，将针对每一时间序列数据的knn输出结果作为当前时刻bit的诊断结果。
13.进一步地，根据所选特征参数的历史数据集训练好tcn模型并通过knn分类器分类后，进行的步骤还包括：判断所述bit的诊断结果是否达到预设诊断准确率，若未达到预设的bit故障准确率，则应该重新获取特征状态参数的历史数据和控制器模块的状态数据，重复步骤1-7直至bit的诊断结果达到预设诊断准确率。
14.进一步地，所述控制器模块的单一特征状态参数时间序列数据分别获取3000组，其中训练测试集与所述测试数据的数据比例为4:1。
15.进一步地，所述每一个特征状态参数的tcn模型都利用改进海鸥算法进行寻优。
16.进一步地，所述每一个特征状态参数的tcn模型输出都传递至knn进行二分类。
17.进一步地，knn针对输入中的每一时刻的输出结果为0和1，分别表示当前特征参数的状态正常或故障。
18.本发明相对于传统bit具有如下优点：
19.与现有技术相比，本发明的有益效果是：提出了一种针对重型燃气轮机控制系统智能bit领域的新方法，利用实际重型燃机控制系统控制器模块在运行过程中产生的大量历史数据建立tcn模型，并采用knn分类器对预测结果进行分类。首先针对控制器模块的单一状态参数时间序列数据训练tcn，采用改进海鸥算法优化网络超参数，将状态参数的检测数据和诊断结果分别作为输入和输出，引入dropout层避免过拟合问题，将tcn的输出传递至knn进行二分类，结果表示当前时间序列数据的正常或故障，实现重型燃气轮机控制器模块的故障智能自检。该方法通过数据驱动的方法，利用tcn提取bit的监测诊断结果并有效融入时间因素，有效降低虚警率。
附图说明
20.为了更清楚地说明本发明的具体实施方式或现有技术的方法，下面将对具体实施方式或所述的现有技术中所需要的使用的附图简单的介绍。
21.图1为本发明的设计流程示意图。
22.图2为本发明所研究控制器模块的上位机界面图。
23.图3为本发明中的数据流向示意图。
24.图4为本发明中所述的tcn的输入和输出。
25.图5为本发明中所述tcn数据处理示意图。
26.图6为本发明中所述knn数据处理示意图。具体实施方法
27.下面结合附图对本发明设计方法进行清楚、完整地描述，本实施案例以本发明技术方案为前提下实施，给出了详细的实施方式和具体的操作过程，但本发明的应用范围不限于下述的实施案例。本领域普通技术人员在没有创造性劳动前提下应用本发明设计方法的其他案例，都属于本发明的保护范围。
28.在本案例的描述中，需要说明的是，术语“步骤1”、“步骤2”、“步骤3”、“步骤4”、“步
骤5”、“步骤6”、“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示重要性。
29.本发明提出了一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，利用控制器模块的特征状态数据训练网络。本发明描述了实际实施方式的所有特征，在便于开发人员实现具体目标，针对本领域的开发人员，该发明可以作为参考，实现突破和创新。本技术领域技术人员可以理解，除非单独定义，这里所使用的所有术语(包含技术术语和科学术语)具有与本发明所属领域的技术人员相同的理解。
30.如图1所示，为基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法的整体流程。具体步骤为：
31.步骤1：收集指定时间段内的控制器模块运行的单一特征状态参数的时间序列数据，所述参数可选择网络状态、温度、cpu负荷、内层负荷等，以代表重型燃气轮机控制器模块的运行状态，并收集故障信息。
32.步骤2：确定tcn的输入为状态参数的时间序列数据，输出为当前参数的状态，并将数据进行归一化处理。
33.步骤3：依据时间序列递推，采用动态训练的方式划分模型的训练集和测试集；
34.步骤4：针对特征状态参数设计tcn，通过滑动窗口算法规定输入网络的时间序列长度，预测下个单位时间的参数状态数据，利用历史数据对网络进行训练和测试，直到模型的训练误差小于预先设定的阈值；
35.步骤5：在训练tcn时采用改进海鸥算法来优化tcn的超参数设置，从而优化网络训练的权值和阈值，提高模型预测的精确度和可靠性；
36.步骤6：基于优化后的tcn，将时间序列数据输入步骤5训练好的tcn模型，将tcn的输出再输入knn分类器中进行二分类，确定时间序列数据的状态；
37.步骤7：针对步骤6中knn的二分类结果，其中0表示正常，1表示故障，将针对每一时间序列数据的knn输出结果作为当前时刻bit的诊断结果。
38.进一步地，所述控制器模块历史数据包括各特征状态参数数据，可反映控制器模块的状态。矩阵i代表状态参数的时间序列数据，in表示第n个时间序列的监测数据，即i＝[i1,i2,
…
,in]，矩阵o表示代表不同时间下状态参数的诊断数据，此数据为开关量数据，on表示第n个时间序列的诊断结果,即o＝[o1,o2,
…
,on]。
[0039]
进一步地，对原始数据进行归一化处理的具体操作为其中，u
*
代表归一化处理后的数据，u代表归一化处理前的数据，u
min
代表该特征状态参数的最小值，u
max
代表该特征状态参数的最大值。
[0040]
进一步地，利用历史数据的训练集对tcn进行训练的具体方法为，以mse作为损失函数，设置学习率，采用随机方式确定网络初始的权重和阈值，设定网络最大迭代次数和目标误差，权值更新采用adam优化器，tcn的训练过程如下：
[0041]
第一，针对某一特征状态参数的正常数据，利用前5个时间序列预测下一个时间序列的值，即将i
t-5
,i
t-4
,i
t-3
,i
t-2
,i
t-1
作为tcn的输入，i
t
作为网络的输出；
[0042]
第二，若i
t-5
,i
t-4
,i
t-3
,i
t-2
,i
t-1
作为网络的输入，i
t
作为网络的输出，则下一组训练数据为i
t-4
,i
t-3
,i
t-2
,i
t-1
,i
t
作为网络的输入，i
t+1
作为网络的输出，依次类推训练网络达
到反映动态特性的效果；
[0043]
第三，将训练数据输入至tcn的输入层进行因果卷积，并进行权重归一化、激活函数、正则化操作，通过建立残差块形成多层网络训练，最后通过一层全连接层输出得到最终的预测值。
[0044]
扩张卷积层：
[0045][0046]
x为输入序列，f(s)表示经过一次扩张卷积计算后在s位置上的网络输出结果；d为扩张系数，且d以2的指数幂形式增长；k表示卷积核大小；f为过滤器，f(i)表示对第i个输入进行过滤操作；
[0047]
weightnorm权重归一化：
[0048][0049]
w是与神经元连接的权重，是与w同方向的单位向量，g是w的模长；
[0050]
relu激活函数：
[0051][0052]
第四，根据全连接层输出得到的预测值与实际值计算均方误差函数mse，如果误差大于预定值，则采用adam优化器对网络的权值阈值进行优化；
[0053]
进一步地，采用改进海鸥算法来优化tcn的超参数设置，主要过程为：
[0054]
迁移过程：
[0055]
算法模拟海鸥群如何从一个位置移动到另一个位置。避免碰撞：为了避免与其他海鸥碰撞，算法采用附加变量a计算海鸥的新位置：
[0056]cs
(t)＝a
×
ps(t)
[0057]
其中t为当前迭代次数，ps(t)为海鸥当前所处位置，a代表海鸥在给定搜索空间中的迁徙行为，a的大小通过fc控制，fc为[0,2]间的常数：
[0058]
a＝f
c-(n
×
fc/max
iteration
)
[0059]
max
iteration
为最大迭代次数。
[0060]
为了更好地改善全局搜索能力，将原算法中的线性惯性权重a改为非线性权重，使其具备更好的寻优能力：
[0061][0062]
在保证海鸥个体之间不会发生碰撞之后，令所有海鸥向着最佳海鸥靠拢：
[0063]ms
(t)＝b
×
(p
best
(t)-ps(t))
[0064]ms
(t)表示个体向最佳海鸥的收敛方向，p
bs
(t)为最优个体的位置，b作为平衡算法探索和开发能力的重要参数。
[0065]
b＝2
×
a2×
r1[0066]
其中，r1是0到1之间的随机数。
[0067]
在计算出每个海鸥的收敛方向后，海鸥开始向着这个位置进行移动：
[0068]ds
(t)＝|cs(t)+ms(t)|
[0069]
其中，ds(t)为当前位置与最优海鸥个体位置的相对距离。
[0070]
攻击行为：
[0071]
海鸥在觅食时产生的攻击行为呈螺旋状下降，通过不断改变角度和半径在空中进行移动。海鸥在三维空间x，y，z中的具体位置为：
[0072][0073]
其中，r为螺旋半径，θ为[0,2π]的随机角度值，u和v是两个决定螺旋形状的参数。
[0074]
结合海鸥新位置，得到整体海鸥位置更新公式如下：
[0075]
ps(t)＝ds(t)
×
x
×y×
z+p
best
(t)
[0076]
适应度函数fitness(n)取tcn的预测结果与真实值的均方差的倒数，即
[0077][0078]
xi(n)和分别代表第n次迭代时tcn的训练数据的实际值和预测值，n表示训练数据的样本总数。
[0079]
根据位置更新公式进行迭代，最终取适应度函数值最大的一只海鸥的位置来表示tcn的超参数。
[0080]
进一步地，将最后的全连接层的输出层值作为输入传递给knn分类器中，进行二分类，将knn分类器的输出结果作为诊断结果，实现如下：
[0081]
第一，计算测试数据与各个训练数据之间的距离；
[0082]
第二，按照距离递增关系进行排序；
[0083]
第三，选取距离最近的k个点；
[0084]
第四，确定各个点所在类别出现的频率；
[0085]
第五，返回k个点中出现频率最高的类别作为测试结果。
[0086]
距离选择euclidean距离，计算方式为：
[0087][0088]
其中xk，yk为二维空间中两点坐标，i＝1,2,
…
,n。
[0089]
knn分类决策规则函数为误分类率：
[0090][0091]
其中，y
ki
为预测值，c
kj
为对应的实际值，误分类率越小，预测的精度越高。
[0092]
进一步地，knn分类器针对输入中的每一时刻的输出结果为0和1，分别表示当前特征参数的状态正常或故障。
[0093]
进一步地，将智能bit的诊断结果上传至上位机。
[0094]
如图2所示，重型燃气轮机轮机的上位机控制器模块部分可监测到的特征参数数据有以下几种，cpu温度、负荷和内层负荷等，本发明采用了其中的部分监测数据，针对单参数的时间序列数据可采用本发明所提方案，在实际运用时并不限于本发明实例中所运用的特征状态参数数据，可以自行进行选择。
[0095]
如图3所示，体现了特征状态数据在本发明中的整体流向。首先针对特征状态历史数据，以每5个时间序列的数据诊断下一时间序列数据，建立时间网络模型，输入输出如图4所示，将tcn的结果传递至knn进行二分类，确定时间序列数据对应的每一时刻的状态，得到精确的开关量诊断结果，实现控制器模块的基于tcn-knn的智能bit设计。
[0096]
如图5所示，tcn包含扩张卷积层、残差模块和全连接层，残差模块的主要组成为：tcn卷积层、激活函数relu和dropout层，并且将输入层的直接映射作为残差链接，在本发明中主要利用特征状态参数的前5个时间序列的数据预测下一时间序列诊断结果，采用knn分类器对预测数据进行二分类，进一步精确智能bit的诊断结果，有效降低常规bit的虚警率。
[0097]
以上实施案例仅用于说明本发明的技术方案，并非对其进行限制；针对上述实例对本发明进行了详细的说明，本领域的普通技术人员即可理解；针对不同案例实施可根据实际情况对本发明提出方法的细节进行部分替换或全部替换，而这些修改和替换，并不使相应技术方案的本质脱离本发明设计的技术方案的范围。
[0098]
以上发明所提供一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，本文介绍的具体案例对本发明的原理和实施进行了阐述，仅用于说明本发明的原理及实施方式；针对本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用上均会有所改变之处，综上所述，本说明书不应理解为对本发明的限制。

技术特征：
1.一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，按照以下步骤实施：步骤1：采集控制器模块在指定时间段内运行的单一模拟量状态参数的历史数据，采集连续时间序列的数据和当前数据的实际运行状态；步骤2：对数据进行归一化处理，使数据标准统一化，不受数据量级的影响，结合其实际运行状态确定tcn的输入和输出；步骤3：依据时间序列递推，采用动态训练的方式划分模型的训练集和测试集；步骤4：针对特征状态参数设计tcn，通过滑动窗口算法规定输入网络的时间序列长度，预测下个单位时间的参数状态数据，利用历史数据对网络进行训练和测试，直到模型的训练误差小于预先设定的阈值；步骤5：在训练tcn时采用改进海鸥算法来优化tcn的超参数设置，从而优化网络训练的权值和阈值，提高模型预测的精确度和可靠性；步骤6：基于优化后的tcn，将时间序列数据输入步骤5训练好的tcn模型，将tcn的输出再输入knn分类器中进行二分类，确定时间序列数据的状态；步骤7：针对步骤6中knn的二分类结果，其中0表示正常，1表示故障，将针对每一时间序列数据的knn输出结果作为当前时刻bit的诊断结果。2.根据权利要求1所述中的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，所述控制器模块历史数据为常规bit诊断方式为阈值诊断或简单逻辑诊断时的状态参数，按照时间序列进行排序，且包含可反映控制器模块状态的所有特征状态参数历史数据，矩阵i代表状态参数的时间序列数据，i
n
表示第n个时间序列的监测数据，即i＝[i1,i2,
…
,i
n
]，矩阵o表示代表不同时间下状态参数的诊断数据，此数据为开关量数据，o
n
表示第n个时间序列的诊断结果,即o＝[o1,o2,
…
,o
n
]。3.根据权利要求1所述中的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，所述步骤2中，对原始数据进行归一化处理的具体操作为：u
*
代表归一化处理后的数据，u代表归一化处理前的数据，u
min
代表该特征状态参数的最小值，u
max
代表该特征状态参数的最大值。4.根据权利要求1所述中的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，所述步骤3中，tcn包含扩张卷积层、残差模块和全连接层，残差模块的主要组成为：tcn卷积层、激活函数relu和dropout层，并且将输入层的直接映射作为残差链接，tcn的训练过程如下：以均方差作为损失函数，设置学习率α，采用随机方式确定网络初始的权重和阈值，设定网络最大迭代次数和目标误差，权值更新采用adam优化器，tcn的训练过程如下：(1)针对某一特征状态参数的正常数据，利用前5个时间序列预测下一个时间序列的值，即将i
t-5
,i
t-4
,i
t-3
,i
t-2
,i
t-1
作为tcn的输入，i
t
作为网络的输出；(2)若i
t-5
,i
t-4
,i
t-3
,i
t-2
,i
t-1
作为网络的输入，i
t
作为网络的输出，则下一组训练数据为i
t-4
,i
t-3
,i
t-2
,i
t-1
,i
t
作为网络的输入，i
t+1
作为网络的输出，依次类推训练网络达到反映动态特性的效果；
其中，r1是0到1之间的随机数。在计算出每个海鸥的收敛方向后，海鸥开始向着这个位置进行移动：d
s
(t)＝c
s
(t)+m
s
(t)其中d
s
(t)为当前位置与最优海鸥个体位置的相对距离。(2)攻击行为海鸥在觅食时产生的攻击行为呈螺旋状下降，通过不断改变角度和半径在空中进行移动。海鸥在三维空间x、y、z中的具体位置为：x＝r
×
cos(θ)y＝r
×
sin(θ)z＝r
×
θr＝u
×
e
θv
其中，r为螺旋半径，θ为[0,2π]的随机角度值，u和v是两个决定螺旋形状的参数。结合海鸥新位置，得到整体海鸥位置更新公式如下：p
s
(t)＝d
s
(t)
×
x
×
y
×
z+p
best
(t)适应度函数fitness(n)取tcn的预测结果与真实值的均方差的倒数，即x
i
(n)和分别代表第n次迭代时tcn的训练数据的实际值和预测值，n表示训练数据的样本总数。根据位置更新公式进行迭代，最终取适应度函数值最大的一只海鸥的位置来表示tcn的超参数。6.根据权利要求1所述中的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，所述步骤6中，本发明将最后的全连接层的输出层值作为输入传递给knn分类器中，进行二分类，将knn分类器的输出结果作为诊断结果，实现如下：(1)计算测试数据与各个训练数据之间的距离；(2)按照距离递增关系进行排序；(3)选取距离最近的k个点；(4)确定各个点所在类别出现的频率；(5)返回k个点中出现频率最高的类别作为测试结果。距离选择euclidean距离，计算方式为：其中x
k
,y
k
为二维空间中两点坐标，i＝1,2,
…
,n。knn分类决策规则函数为误分类率：其中，y
ki
为预测值，c
kj
为对应的实际值，误分类率越小，预测的精度越高。
7.根据权利要求1所述中的一种基于tcn和knn的重型燃气轮机控制系统控制器模块智能bit设计方法，其特征在于，所述步骤7中，knn分类器针对输入中的每一时刻的输出结果为0和1，分别表示当前特征参数的状态正常或故障，作为智能bit的诊断结果，将其上传至上位机。

技术总结
本发明公开了一种基于TCN和KNN的重型燃气轮机控制系统控制器模块智能BIT设计方法，首先采集实际重型燃机控制系统控制器模块在运行过程中产生的大量历史数据，并对数据进行归一化处理，按照时间序列确定TCN的输入和输出，针对控制器模块的单一状态参数时间序列数据训练TCN，采用改进海鸥算法优化网络超参数，将状态参数的检测数据和诊断结果分别作为输入和输出，引入Dropout层避免过拟合问题，将TCN的输出传递至KNN进行二分类，得到当前特征参数的诊断结果，通过开关量表示正常或故障，完成控制器模块智能BIT诊断，本发明提高了重型燃气轮机控制系统控制器模块的可靠性，有效降低虚警率。降低虚警率。


技术研发人员：黄从智 屈双艳
受保护的技术使用者：华北电力大学
技术研发日：2023.05.29
技术公布日：2023/9/22