基于深度学习人工神经网络的汽轮机振动故障诊断方法技术

本发明专利技术属于汽轮机振动故障诊断技术领域，涉及一种采用深度学习的汽轮机振动故障诊断，即基于深度学习人工神经网络的汽轮机振动故障诊断方法。本发明专利技术采用的是基于深度学习人工神经网络的汽轮机振动故障诊断方法。综合考虑汽轮机组系统发生振动时的各参数特性以及各参数之间的联系，通过多元分析对数据进行预处理，从而建立各种数据间的独立性关系，减少冗余数据，构建基础特征表，然后进行深度学习人工神经网络训练，获得经过训练后的深度学习人工神经网络对汽轮机振动故障进行诊断。本发明专利技术基于深度学习人工神经网络，创新点和特点在于使用深度学习人工神经网络，避免了构建计算模型，同时在数据预处理时运用多元分析进行降维。

Fault Diagnosis Method of Steam Turbine Vibration Based on Deep Learning Artificial Neural Network

【技术实现步骤摘要】
基于深度学习人工神经网络的汽轮机振动故障诊断方法
本专利技术属于汽轮机振动故障诊断
，涉及一种采用深度学习的汽轮机振动故障诊断，即基于深度学习人工神经网络的汽轮机振动故障诊断方法。
技术介绍
在高新技术日益突飞猛进的当下，汽轮机振动故障检测的数据进入了大数据时代。海量数据既为汽轮机振动故障诊断系统提供了充足的分析源，也同时带来了冗余数据对系统的干扰。汽轮机的振动故障具有检测数据种类多、数据总量大、采集密度高等特点，如果使用传统诊断方法会导致工作量巨大、工作时间长等不良后果。如何高效进行汽轮机故障诊断和状态监测，如何准确识别汽轮机机组的运行状态，已成为汽轮机机组状态监测领域面临的新问题。传统人工智能使用的是普通迭代算法和层数较少的神经网络结构，在面对庞大的汽轮机振动故障数据时，迭代计算耗费时间长，层数较少的神经网络结构计算得到的结果也不够精确。深度学习人工神经网络是神经网络领域的一个重大研究发展成果。它不同于其余神经网络的地方在于，深度学习人工神经网络将特征和分类器结合到一个框架中，使用大量的普适性数据去学习人为规定的特征，从而较好地表示数据的特征。目前国内外在汽轮机振动故障诊断领域使用深度学习的尝试较少，可供借鉴的经验较欠缺，所以通过深度学习人工神经网络模型来研究汽轮机的振动故障诊断具有重要意义。
技术实现思路
本专利技术采用的是基于深度学习人工神经网络的汽轮机振动故障诊断方法。综合考虑汽轮机组系统发生振动时的各参数特性以及各参数之间的联系，通过多元分析对数据进行预处理，从而建立各种数据间的独立性关系，减少冗余数据，构建基础特征表，然后进行深度学习人工神经网络训练，获得经过训练后的深度学习人工神经网络对汽轮机振动故障进行诊断。本专利技术采用如下技术方案，包括以下步骤：(1)针对汽轮机机组的各种振动故障参数和振动故障原因进行详细分析，主要包括汽轮机多发的振动故障种类(如：不平衡、不对中、弯曲与热弯曲等)、汽轮机振动故障诊断中常用振动故障分析数据(如：时域波形信号、频域频谱信号、轴心轨迹信号、振动趋势信号等)，汽轮机主要非振动量参数数据(如：主蒸汽压力、主蒸汽温度、转速等)。(2)建立各类故障以及发生故障时的参数集作为训练样本，故障数据可以从运行中的汽轮机组采集得到，也可以使用仿真信号模拟的数据。收集故障样本X份共A种故障类型(X为故障样本份数，A为故障类型数目)，且正常运行也被划归为故障类型中的一种。每一份包含B种汽轮机参数(B为参数类型数目)。样本中50％为训练样本，50％为测试样本。(3)数据预处理。确定发电汽轮机机组常用振动故障分析数据中各个变量之间的独立性关系，对输入变量“B种汽轮机参数”进行多元分析，舍弃弱相关性的自变量，将相关性较高的自变量聚合为一个新定义变量，将数量B降低为数量B′达到降维的目的，优化所需要的主要参数。(4)建立深度学习人工神经网络。使用深度学习人工神经网络在参数数量为B′等级训练样本进行训练，之后在参数数量B等级下做对照训练，如前后两组训练得到结果偏差较大，则更换多元分析方式后重复步骤(3)。(5)将训练结束后的深度学习人工神经网络用于测试样本的测试，验证神经网络可信度。(6)修正神经网络，重新代入测试样本，验证可信度。(7)重复步骤(5)和(6)，直到神经网络可信度达到规定等级。(8)与传统人工神经网络做对比。其中，所述步骤(3)处理模型如下：假设以x1,x2,x3,...xn汽轮机的n种参数的测量值组，假定存在一个C＝[c1,c2,c3,...cn]为常数数组，C＝[c1,c2,c3,...cn]为n种参数一一对应的权重组(c1对应x1，c2对应x2，以此类推cn对应xn)，那么可以得到该故障类型的表征方式为s＝x1c1+x2c2+…+xncn；设s1,s2,s3,...sp为各类故障组，p为故障种类的数目；同时一种故障可以有多个故障数据，因此定义数据组全体为同一行表示n种参数来源于同一个故障数据，如果s1，s2,s3,...sp的数值互相分散，表明区分较好；为了达到较好的分类效果，首先要确定An,m的列数n，即找到合适的参数组；其次在该参数组的组成下，验证是否存在较好的权重组，使故障组互相分散；对数据全体进行标准化处理：对有可能存在相关度较高的数据组，首先要确定的是变量的相似性度量；记变量Xp＝(x1,p,x2,p,...,xm,p)和Xq＝(x1,q,x2,q,...,xm,q)，则可以使用样本相关系数作为相似性度量；样本相关系数即：|rpq|越接近1，则Xp和Xq越近似或相关性越高；|rpq|越接近0，则Xp和Xq越独立或相关性越低；在已知样本相关系数后，采用距离法进行变量聚类；对于高维数据，一般常用最长距离法；即：定义X1,X2,X3,...Xn为x1,x2,x3,...xn的样本观测值的随机变量，若存在合适的，C＝[c1,c2,c3,...cn]使得Var(X1c1+X2c2+…+Xncn)达到最大值，则此时方差就反映了数据的差异程度，也就表明了变量n的最大变异；在数学上为避免权值的无穷大而失去意义，经常会规定的约束条件；因此，求解关系变为：max(Var(X1c1+X2c2+…+Xncn))在该约束下，最优解即为n维空间里的一个单位向量，即主成分方向Z；假设一个主成分方向没有包含原来的n个变量，则要计算多个主成分方向Zi，同时应保证权值数组互相垂直，即：Zi＝X1ci,1+X2ci,2+…+Xnci,nmax(Var(Zi))[cj,1,cj,2,...,cj,n]·cj,1,ck,2,...,ck,n]＝0计算得到主成分的特征值和特征向量：λ1,λ2,...,λnai＝(ai,1,ai,2,...,ai,n)在选取计算得到的主成分时，一般要选择较少的主成分，要求不超过8个，且能解释数据变异的80％或以上，因此选择主成分需要考虑其贡献率，使用合适的主成分给出表达式并命名；这里的贡献率是指某个主成分的方差占据全部主成分方差的比重，也就是某个特征值占据全部特征值和的比重计算主成分的贡献率：挑选k个主成分计算的得分：fi,j＝aj,1ai,1+aj,2ai,2+…+aj,mai,m。本专利技术基于深度学习人工神经网络，创新点和特点在于使用深度学习人工神经网络，避免了构建计算模型，同时在数据预处理时运用多元分析进行降维。目前，本专利技术相较于使用传统人工神经网络的汽轮机振动故障诊断的优势主要体现在以下三个方面：一、本专利技术对汽轮机的海量数据能进行有效缩放。汽轮机的振动数据越多，深度学习人工神经网络的拓展越好，计算精度也越高。汽轮机振动故障具有振动原因复杂、故障种类多、涉及到的数据量庞大、引起故障的原因多且相互作用的特征，在此条件下深度学习人工神经网络的精确度远超传统人工神经网络。二、本专利技术不需要对汽轮机数据进行特征工程处理。传统人工神经网络在执行汽轮机数据导入之前必须先在汽轮机数据集上执行数据分析，然后根据分析结果选择最合适的计算模型，最后选择最佳功能以传递给传统人工神经网络算法进行计算。而在本专利技术中，只需将汽轮机数据进行预处理降维后可直接传递到深度学习人工神经网络进行计算。这完全消除了建模过程中大型且具有挑战性的特征工程处理阶段。利用本专利技术来诊断汽轮机振动故障，可以节本文档来自技高网...

【技术保护点】
1.深度学习人工神经网络的汽轮机振动故障诊断方法，其特征在于：包括如下步骤：(1)针对汽轮机机组的各种振动故障参数和振动故障原因进行详细分析；(2)建立各类故障以及发生故障时的参数集作为训练样本，故障数据从运行中的汽轮机组采集得到，或者使用仿真信号模拟的数据；收集故障样本X份共A种故障类型，且正常运行也被划归为故障类型中的一种；每一份包含B种汽轮机参数；样本中50％为训练样本，50％为测试样本；(3)数据预处理：确定发电汽轮机机组常用振动故障分析数据中各个变量之间的独立性关系，对输入变量“B种汽轮机参数”进行多元分析，舍弃弱相关性的自变量，将相关性较高的自变量聚合为一个新定义变量，将数量B降低为数量B′达到降维的目的，优化所需要的主要参数；(4)建立深度学习人工神经网络：使用深度学习人工神经网络在参数数量为B′等级训练样本进行训练，之后在参数数量B等级下做对照训练，如前后两组训练得到结果偏差较大，则更换多元分析方式后重复步骤(3)；(5)将训练结束后的深度学习人工神经网络用于测试样本的测试，验证神经网络可信度；(6)修正神经网络，重新代入测试样本，验证可信度；(7)重复步骤(5)和(6)，直到神经网络可信度达到规定等级。...

【技术特征摘要】
1.深度学习人工神经网络的汽轮机振动故障诊断方法，其特征在于：包括如下步骤：(1)针对汽轮机机组的各种振动故障参数和振动故障原因进行详细分析；(2)建立各类故障以及发生故障时的参数集作为训练样本，故障数据从运行中的汽轮机组采集得到，或者使用仿真信号模拟的数据；收集故障样本X份共A种故障类型，且正常运行也被划归为故障类型中的一种；每一份包含B种汽轮机参数；样本中50％为训练样本，50％为测试样本；(3)数据预处理：确定发电汽轮机机组常用振动故障分析数据中各个变量之间的独立性关系，对输入变量“B种汽轮机参数”进行多元分析，舍弃弱相关性的自变量，将相关性较高的自变量聚合为一个新定义变量，将数量B降低为数量B′达到降维的目的，优化所需要的主要参数；(4)建立深度学习人工神经网络：使用深度学习人工神经网络在参数数量为B′等级训练样本进行训练，之后在参数数量B等级下做对照训练，如前后两组训练得到结果偏差较大，则更换多元分析方式后重复步骤(3)；(5)将训练结束后的深度学习人工神经网络用于测试样本的测试，验证神经网络可信度；(6)修正神经网络，重新代入测试样本，验证可信度；(7)重复步骤(5)和(6)，直到神经网络可信度达到规定等级。2.根据权利要求1所述的诊断方法，其特征在于：所述步骤(1)汽轮机机组的各种振动故障参数和振动故障原因主要包括汽轮机多发的振动故障种类、汽轮机振动故障诊断中常用振动故障分析数据，汽轮机主要非振动量参数数据。3.根据权利要求2所述的诊断方法，其特征在于：所述振动故障种类包括不平衡、不对中、弯曲和\或热弯曲；汽轮机振动故障诊断中常用振动故障分析数据包括时域波形信号、频域频谱信号、轴心轨迹信号和\或振动趋势信号；汽轮机主要非振动量参数数据包括主蒸汽压力、主蒸汽温度和\或转速。4.根据权利要求1所述的诊断方法，其特征在于：所述步骤(3)处理模型如下：假设以x1，x2，x3，...xn汽轮机的n种参数的测量值组，假定存在一个C＝[c1，c2，c3，...cn]为常数数组，C＝[c1，c2，c3，...cn]为n种参数一一对应的权重组(c1对应x1，c2对应x2，以此类推cn对应xn)，那么可以得到该故障类型的表征方式为s＝x1c1+x2c2+…+xncn；设s1，s2，s3，...sp为各类故障组，...

【专利技术属性】
技术研发人员：李蔚，吴懿范，盛德仁，陈坚红，王广坤，聂慧明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33