重型燃气轮机控制系统是燃气轮机的核心组成部分,为保证重型燃气轮机控制系统能够安全稳定可靠运行,往往在控制系统模块级引入机内自测试（Built-in Test,BIT）技术,改善其可测试性,实现硬件模块的自检功能。然而,随着控制系统技术的发展,硬件模块的BIT面临着工作环境复杂多变,测试与维修难度不断提高,虚警率居高不下等一系列挑战。因此,有必要优化重型燃气轮机控制系统硬件模块的常规BIT自检方法,实现硬件模块级别的智能BIT设计。针对重型燃气轮机控制系统硬件模块的离线检测任务,本文提出一种基于CNN-GRU-BINN的智能BIT离线检测设计方法。该方法首先使用变分模态分解（VMD）算法滤除高频噪声等干扰信号,保留含有故障特征的有效信息。然后,针对滤波后的信号开发一种适应模拟量数据趋势的CNN-GRU神经网络。通过逐层训练提取模块正常状态的代表性特征,并结合时间特性建立针对时间序列的预测模型。最后,结合生物激励神经网络（BINN）进行硬件模块状态识别。计算预测值与真实值的残差,并将残差输入至生物激励神经网络中,检测模块的故障状态。针对重型燃气轮机控制系统硬件模块的在线检测任务,本文提出一种基于麻雀搜索算法优化（Sparrow Search Algorithm,SSA）的GRU-BINN智能BIT设计方法,建立一种更高效简练的智能BIT在线检测模型。该设计方法利用GRU神经网络能够有效提取模拟量信号中时间特征的能力,使得智能BIT模型在提取时间特征的同时保证快速性。采用SSA算法优化生物激励神经网络的关键参数,使得所提方法能够准确识别模块的状态转换,并在很大程度上滤除由于环境信号波动引发的虚假报警。最后,实验结果表明本文所提出的两种智能BIT设计方法可以应用于重型燃气轮机控制系统硬件模块离线检测和在线检测任务中。不仅能够提高模块状态识别准确率,而且针对常规BIT的较高虚警率问题也具有显著改善效果。