基于正弦修正焦点损失的燃机类不平衡诊断方法及系统技术方案

基于正弦修正焦点损失的燃机类不平衡诊断方法及系统，涉及燃气轮机故障检测诊断领域。本发明专利技术是为了解决现有燃气轮机故障检测方法在故障样本数目稀缺的条件下故障检测精度低的问题。本发明专利技术包括：获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障。待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度。基于正弦修正焦点损失的燃机类不平衡诊断系统用于实现基于正弦修正焦点损失的燃机类不平衡诊断方法。本发明专利技术用于对燃气轮机进行故障诊断。障诊断。障诊断。

【技术实现步骤摘要】
基于正弦修正焦点损失的燃机类不平衡诊断方法及系统


[0001]本专利技术涉及燃气轮机故障检测诊断领域，特别涉及基于正弦修正焦点损失的燃机类不平衡诊断方法及系统。

技术介绍

[0002]燃气轮机在舰船推进、发电、航空动力等领域有着广泛的应用。开展燃气轮机的健康状态监测与故障诊断，能够在故障的早期及时发现故障，避免严重故障的发生，提高其运行安全性与可靠性。
[0003]现有技术主要利用BP(Back Propagation)神经网络对含有正常样本和故障样本的燃气轮机数据进行训练，然后利用训练好的BP神经网络对新的健康状态未知的样本进行故障诊断。但是这种方法在进行燃气轮机故障诊断的时候仅仅考虑了正常样本数目和故障样本数目相差不多的场景，而在实际燃气轮机运行数据中，正常样本数目远多于故障样本数目，处于严重的类不平衡状态。这种情况下，由于故障样本数目的稀缺，故障样本的诊断精度往往会大大降低。

技术实现思路

[0004]本专利技术目的是为了解决现有燃气轮机故障检测方法在故障样本数目稀缺的条件下故障检测精度低的问题，而提出了基于正弦修正焦点损失的燃机类不平衡诊断方法及系统。
[0005]基于正弦修正焦点损失的燃机类不平衡诊断方法具体过程为：
[0006]获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障。
[0007]所述待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度；
[0008]所述故障诊断网络通过以下方式获得：
[0009]步骤一、获取燃气轮机数据，将数据划分训练集和测试集；
[0010]所述训练集中的正常数据数目大于故障数据数目；
[0011]步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；
[0012]所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和SMOTE过采样方法对燃气轮机进行过采样；
[0013]步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，获得训练好的深度神经网络；
[0014]所述深度神经网络的损失函数为正弦修正焦点损失函数；
[0015]步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。
[0016]基于正弦修正焦点损失的燃机类不平衡诊断系统用于实现基于正弦修正焦点损失的燃机类不平衡诊断方法，所述系统包括：数据获取模块、故障诊断模块、诊断输出模块；
[0017]所述数据获取模块用于待检测的燃气轮机数据并将燃气轮机数据输入到故障诊断模块中；
[0018]所述故障诊断模块用于根据燃气轮机数据对燃气轮机进行故障诊断，并将诊断结果传输给诊断输出模块；
[0019]所述诊断输出模块用于输出故障诊断模块输出的结果。
[0020]本专利技术的有益效果为：
[0021]本专利技术将基于正弦修正焦点损失函数的深度神经网络引入燃气轮机故障诊断中，以在正常数据远多于故障数据的类不平衡场景下解决燃气轮机故障诊断问题，提升了故障检测诊断精度。本专利技术提出的正弦修正焦点损失函数强调样本数目少的故障样本和难分类样本，损失函数中的正弦修正因子抑制了类不平衡的影响，增加少数故障类在分类学习中的权重，因此样本数目少的故障样本可以在分类学习中加以强化，从而更准确地分类。本专利技术将正弦修正焦点损失与少数故障类别样本的随机过采样与SMOTE过采样融合的混合过采样相结合，在数据扩充层面和样本加权层面同时强化少数故障类在训练中的作用，进一步提高了故障诊断精度。
附图说明
[0022]图1为(1
‑
p
t
)
γ
曲线图；
[0023]图2为(1
‑
p
t
)2,和的曲线图；
[0024]图3为正弦修正因子曲线图；
[0025]图4为过采样原理图；
[0026]图5为各个测量参数随时间的变化趋势；
[0027]图6不进行处理时的故障诊断结果；
[0028]图7为本专利技术的故障诊断结果。
具体实施方式
[0029]具体实施方式一：本实施方式基于正弦修正焦点损失的燃机类不平衡诊断方法具体过程为：获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机的是否故障；
[0030]所述待检测燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度；
[0031]所述故障诊断网络通过以下方式获得：
[0032]步骤一、获取燃气轮机数据，将数据划分训练集和测试集；
[0033]所述训练集中的正常数据数目大于故障数据数目；
[0034]步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；
[0035]所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和
SMOTE过采样方法对燃气轮机进行过采样；
[0036]步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，所述深度神经网络的损失函数为正弦修正焦点损失函数，利用误差反向传播的方法对深度神经网络进行迭代训练，直到损失函数的值收敛，获得训练好的深度神经网络；
[0037]步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。
[0038]具体实施方式二：所述步骤二中的将训练集的燃气轮机数据进行混合过采样获得过采样后的燃气轮机数据，如图4，包括以下步骤：
[0039]从训练集中随机选择一部分故障样本A进行复制，使得进行随机过采样后的故障样本a数目为正常样本的数目的一半；然后再对训练集中的全部故障样本采用SMOTE过采样，通过插值的方式再生成一些故障数据b，使得SMOTE过采样得到的故障样本数目也为正常样本的数目的一半。将随机过采样得到的故障样本a与SMOTE过采样得到的故障样本b结合，即为混合过采样得到的最终故障样本；最后，将故障样本a、故障样本b、训练集中的正常样本组合为混合过采样后的燃气轮机数据。
[0040]本实施方式中，本专利技术为了进一步提升类不平衡场景下的故障诊断精度，提出了正弦修正焦点损失与混合过采样融合的策略。过采样方法增加了训练集中少数故障类样本的数目，从而平衡了训练集中正常数据和测试数据的类别分布。随机过采样方法随机选择一些属于少数类(即燃气轮机诊断问题中的故障类)的样本，并复制它们以平衡训练集中的类分布。在一个L类多类诊断问题中，设大多数j类(即燃气轮机诊断问题中的正常类)有N
max
个样本，第i(i＝1,2,...,L and i≠j)类有N
i
个样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于所述方法具体过程为：获取待检测的燃气轮机数据，将待检测的燃气轮机数据输入到故障诊断网络中，判断待检测燃气轮机是否故障；所述故障诊断网络通过以下方式获得：步骤一、获取燃气轮机数据，将数据划分训练集和测试集；所述训练集中的正常数据数目大于故障数据数目；步骤二、将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据；所述将训练集中的燃气轮机数据进行混合过采样具体为：利用随机过采样方法和SMOTE过采样方法对燃气轮机进行过采样；步骤三、建立深度神经网络，利用混合过采样后的燃气轮机数据训练深度神经网络，获得训练好的深度神经网络；所述深度神经网络的损失函数为正弦修正焦点损失函数；步骤四、利用测试集对训练好的深度神经网络进行测试，获得训练好的深度神经网络的精度，保存精度最接近1的训练好的深度神经网络即故障诊断网络。2.根据权利要求1所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述待检测的燃气轮机数据包括：燃料量、大气温度、功率、透平排气温度、压气机出口压力、压气机出口温度。3.根据权利要求1所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述步骤二中的将训练集中的燃气轮机数据进行混合过采样获得混合过采样后的燃气轮机数据，包括以下步骤：步骤二一、在训练集中随机选取一部分故障样本A，对A进行随机过采样生成故障样本a；所述故障样本a为训练集中正常样本数目的一半；步骤二二、对训练集中的全部故障样本进行SMOTE过采样，生成故障样本b；所述故障样本b为训练集中正常样本数目的一半；步骤二三、将故障样本a、故障样本b、训练集中的正常样本组合为混合过采样后的燃气轮机数据。4.根据权利要求3所述的基于正弦修正焦点损失的燃机类不平衡诊断方法，其特征在于：所述深度神经网络的损失函数为正弦修正焦点损失函数，具体为：其中，f(p
...

【专利技术属性】
技术研发人员：刘金福，白明亮，罗京，冯春达，任铭昊，陈云潇，于达仁，李文峰，李中华，
申请(专利权)人：深圳利行科技有限公司，
类型：发明
国别省市：