一种基于优化算法的动力装置状态恢复方法

本发明涉及动力装置状态恢复，更具体地说是一种基于优化算法的动力装置状态恢复方法。

背景技术：

1、动力装置能够高效地将燃料燃烧的热能转化为机械能。由于功率大、体积紧凑、可靠性高以及启停迅速等原因，动力装置被广泛应用在航空动力、能源发电、船舶动力以及管路压缩等场景。长期服役在高盐雾、高温、高压、高转速、交变负载等极端恶劣环境下，其性能随使用时间不可避免地下降，造成动力装置变工况安全裕度降低、燃油累计消耗量增加，直接影响任务半径。因此需要对动力装置健康状态进行实时监测，并对动力装置异常运行状态进行可应用性维护，使之在维修前尽量提高工作能力。状态恢复研究旨在开发和优化方法，以在燃气轮机运行期间监测、检测和纠正可能发生的状态异常，从而最大程度地提高系统可用性、可靠性和性能。该领域关注的关键问题包括异常检测、诊断和恢复策略的开发，以及在异常状态下系统的自适应控制方法。

技术实现思路

1、本发明的目的是提供一种基于优化算法的动力装置状态恢复方法，通过监测动力装置运行数据，提取有效特征，进行动力装置状态评估，对于异常状态下的评估结果实现动力装置动态的状态恢复，制定控制方法与运行决策。

2、本发明的目的通过以下技术方案来实现：

3、一种基于优化算法的动力装置状态恢复方法，该方法包括以下步骤：

4、s1：动力装置恢复参数的选取；

5、s2：提取动力装置监测数据特征；

6、s3：基于神经网络利用特征参数搭建反映出动力装置状态的状态评估模型；

7、s4：搭建健康度模型，将状态评估模型输出结果转为数值，表征为动力装置健康度；

8、s5：利用状态评估模型生成对应状态下的健康度数值建立起状态恢复模型，确定状态恢复的约束条件；

9、s6：结合优化算法对状态恢复模型进行迭代计算，寻找约束条件下该状态的最优恢复参数，并生成恢复方案；

10、s7：根据恢复方案设置恢复器，依据动力装置实时健康度对其进行反馈控制，使动力装置保持最佳工作状态；

11、所述动力装置恢复参数的选取为，对于动力装置模型运行参数中可进行状态控制的参数选取，恢复参数选取包括辨别动力装置可进行状态控制参数的可恢复性，并探究动力装置可进行状态控制参数的经济性、可操作性和环保方面，综合考量恢复参数；

12、所述提取动力装置监测数据特征为，根据动力装置监测参数对装置状态的敏感性，选择出部分监测参数作为特征；提取动力装置监测数据特征包含计算理想运行数据和故障数据与正常数据之间的相似度，进行特征的独立性与敏感性分析实现特征的降维，在减少冗余的同时也获得了各个诊断层的优势特征；

13、特征提取在于基于数据驱动的方法，先对动力装置可监测点数据进行分析，通过正常运行数据降噪后得到正常状态下各个测点的无噪声数据，利用无噪声数据与原始数据进行相似度计算，据此得到测点的相似度阈值，为噪声阈值，只有当一个测点的数据异常超过该噪声阈值时，才考虑是由故障引起的数据波动。根据故障样本数据分别计算每个测点的正常数据与故障数据之间的相似度，利用噪声阈值去除由噪声引起的数据波动测点，对剩余测点进行分析。将数据相似度相差小于10％的测点归为同类测点，为避免特征冗余，只保留同类测点中的第一个，其余测点作为冗余测点被去除。最终得到每个故障所需要的最佳检测特征。

14、所述状态评估模型包含输入数据映射到一个拓扑结构的低维空间中，实现了数据的聚类和可视化，其能够有效地识别出数据中的隐藏模式和异常情况；

15、状态评估模型在于从历史数据库中读取所有故障运行数据，进行故障特征提取，选取故障特征下的退化数据作为训练数据，对训练数据进行标准化预处理，将训练数据用于神经网络训练，得到拓扑结构的低维空间中聚类结果，每个聚类数据簇包含部分数据编号，对聚类结果中包含的异常值进行检测处理，去除异常值得到标准聚类结果；

16、所述健康度模型包含基于欧氏距离的转换模型，能够将状态评估模型输出结果转换为表征健康度大小的一段距离；

17、健康度模型在于根据状态评估模型聚类结果，得到m个聚类中心，聚类中心为n维(n为特征数量)空间下的数据点，计算初始神经元与额定健康参数，对于测试数据，从所有神经元中找出最匹配神经元，计算最匹配神经元与初始神经元之间的欧氏距离，计算聚类健康度参数；对于一个待测数据点，首先找到最匹配神经元，匹配对应聚类中心，计算聚类中心与待测数据之间的位置记为，计算修正健康度。根据计算的聚类健康度参数与修正健康度参数的变异程度来确定指标权数，选择正向指标计算，得到聚类健康度参数与修正健康度参数权重，根据权重实现类健康度参数与修正健康度参数聚合，最终得到健康度模型；

18、所述基于欧氏距离的转换模型包含两部分组成，第一部分模型为神经元之间的相关度，第一部分模型计算神经元的聚类间健康度差异，引入第二部分模型，第二部分模型侧重在单个聚类中各数据点之间的健康度差异，根据数据点与该聚类中心的距离匹配修正健康度，定义聚类中心点为0修正位置，参数数据的健康度由两部分健康度模型评估结果聚合而成，称第一部分健康度为聚类健康度，第二部分为修正健康度；

19、所述确定状态恢复的约束条件是确定在状态恢复中恢复参数的合理优化区间，状态恢复的约束条件的确定包含确定恢复参数的上下限，限制了参数搜索的范围，确保了参数在合理的范围内进行调整，以避免无效的搜索或出现不可行的参数取值；所述确定恢复参数的上下限包含确定参数变化形式，参数数值变化或参数百分比变化，这两种变化形式用来调整恢复算法中的参数；

20、恢复条件确定在于在进行状态恢复时，参数变化形式可以选择参数数值变化或参数百分比变化，这两种变化形式都可以用来调整恢复算法中的参数。对于参数数值变化，它的优点是可以精确地控制参数的具体数值。通过调整参数的绝对值，可以测试不同参数值对算法性能的影响，从而找到最优的参数取值。这种变化形式通常适用于那些取值范围较小且有特定意义的参数，比如学习率、正则化参数等。而对于参数百分比变化，它的优点是可以相对于参数的初始值进行自适应调整。通过调整参数的百分比变化，可以避免受到绝对数值的限制，使得参数的调整更灵活。这种变化形式通常适用于那些取值较大且不具备明确物理含义的参数；

21、基于优化算法迭代出最优恢复参数包含建立动力装置状态恢复模型，通过迭代计算寻找燃气轮机异常运行时通过恢复参数的调整，使燃气轮机处于健康的状态，满足基于状态的控制策略的要求；

22、所述动力装置状态恢复模型包含以燃气轮机运行状态健康度最大作为恢复目标，构建状态恢复模型；

23、所述恢复方案包含探究恢复参数与实际控制参数的映射关系，形成燃气轮机异常状态下可控策略，恢复方案还包含将可控策略形成知识库，作为恢复器的控制知识储备，动力装置实际运行时恢复器用以监测动力装置状态，并实时对应状态下的控制策略，实现闭环反馈控制。

24、在动力装置状态恢复中，确定恢复参数的上下限是一个关键的步骤。这些上下限限制了参数搜索的范围，确保了参数在合理的范围内进行调整，以避免无效的搜索或出现不可行的参数取值。确定恢复参数的上下限通常需要考虑以下几个因素：(1)物理限制，确定参数上下限时，需要考虑动力装置本身的物理限制。例如，动力装置的最大转速、最大温度等，这些参数具有特定的安全范围，需要确保恢复参数不会超出这些范围。(2)已知经验范围：根据已有的经验和工程知识，可以估计出合理的恢复参数范围。例如，某个参数在实际运行中的典型取值范围，可以作为确定上下限的参考。(3)设计要求和约束：恢复参数的上下限还需要考虑到动力装置的设计要求和约束条件。例如，某个参数对动力装置的性能特性、效率、稳定性等方面有特定的要求或约束，需要将这些因素纳入考虑。(4)实际可行性：恢复参数的上下限还需要考虑到实际的可行性和可实现性。在考虑参数范围时，需要确保所选取的上下限是有意义、可行的，并且可以在实际操作中实现；

25、基于优化算法迭代出最优恢复参数在于在优化算法中设置恢复参数、恢复条件和恢复模型进行迭代计算，迭代出满足恢复目标的结果后结束迭代，并输出该状态下的最优恢复参数。优化算法的结果受很多因素的影响，其中受初始值的影响比较大，而且较难调控。如果初始值是随机初始化的，在不改变任何参数的情况下，多次优化的结果不一定都收敛到一个全局或局部最优解，也可能会得到一个无效解。所以初始化是一个十分重要的步骤，它关系到整个优化过程中优化收敛的速度与方向。

26、在实际运算中一般随机生成初始位置，但随机区间的选择会影响寻优结果的优劣。若随机区间过小，会导致寻优时间过长或陷入局部最优；若随机区间过大，会导致部分参数靠近边界，影响恢复效果。因此选择恢复参数作用域的一半作为初始位置随机区间。

27、所述生成基于最优参数的恢复方案在于探究恢复参数与动力装置可控参数之间的映射关系，形成动力装置异常状态与可控参数之间一一对应的控制关系。

28、所述恢复器的建立在于将恢复参数的变化控制量作为恢复策略，形成知识库，作为恢复器的控制知识储备。最终依据恢复策略知识库建立恢复器，作为动力装置状态保持的反馈控制器；

29、本发明的有益效果为：

30、本发明提供的一种基于优化算法的动力装置状态恢复方法，基于动力装置状态评估方法，对动力装置状态评估后的健康状态进行进一步的研究，提出了一种基于优化算法的动力装置状态恢复方法。构建层次化状态恢复架构，将动力装置的状态恢复分为恢复模型建立、状态恢复方案研究和状态恢复器建立三个步骤，可以在一定程度上解决了动力装置运行状态不佳时的状态恢复控制问题。开展了以优化算法为核心的动力装置状态恢复方法研究，探究动力装置状态恢复参数，结合动力装置评估方法，计算生成不同运行状态下的状态恢复方案，根据状态恢复方案建立动力装置状态恢复器，实时地对动力装置运行状态进行调整恢复，使动力装置运行时保持最优状态；

31、优化算法能够快速有效地找到最优解，从而加快动力装置状态的恢复过程，提高系统的响应速度；

32、优化算法能够在复杂的状态空间中寻找全局最优解或者接近最优解，从而提高状态恢复的准确性和精度；

33、优化算法可以根据动力装置当前的状态和环境变化进行自适应调整，适用于不同条件下的状态恢复需求；

34、优化算法能够提高状态恢复的可靠性，降低系统在恢复过程中出现错误的风险，增强系统的稳定性和安全性；

35、某些优化算法具有较好的可解释性，能够帮助研究人员理解状态恢复过程中的决策依据，提高系统操作的可信度和可控性。