基于复杂网络建模的转子故障诊断方法及其装置制造方法及图纸

本发明专利技术公开了一种基于复杂网络建模的转子故障诊断方法及其装置，涉及燃气轮机转子故障诊断技术领域，包括：获取实时转子数据；其中，实时转子数据为正常、转子碰撞故障、转子不平衡故障或转子不对中故障数据；将实时转子数据输入到训练好的转子故障诊断模型，进行实时诊断分类，并输出相应的诊断结果；其中，训练好的转子故障诊断模型根据复杂网络模型的边数特征、度均值特征和聚集系数特征进行训练。本发明专利技术能够提高转子故障诊断的准确性和效率。发明专利技术能够提高转子故障诊断的准确性和效率。发明专利技术能够提高转子故障诊断的准确性和效率。

【技术实现步骤摘要】
基于复杂网络建模的转子故障诊断方法及其装置


[0001]本专利技术属于燃气轮机转子故障诊断
，具体涉及一种基于复杂网络建模的转子故障诊断方法及其装置。

技术介绍

[0002]燃气轮机是一种常见的发电机组和大型动力驱动系统，以其高效率和高可靠性，广泛应用在发电厂、航空发动机、大型船舶等诸多重工业领域。其中，燃气轮机转子由多个叶片和轮盘组成，通过燃气喷射产生的高速气流驱动转子旋转，最终将能量转化为电能或动能输出；燃气轮机由于其工作环境恶劣多变，且长期运行在高温高压环境下，导致逐渐老化，剩余寿命逐步下降，发生故障的潜在可能性逐渐增加，再加上转子高速旋转部件的复杂性和高要求，燃气轮机转子也容易出现碰摩、不平衡、不对中、裂纹等典型故障，故障一旦发生，不仅造成巨大的经济损失，甚至会导致灾难性的人员伤亡，形成严重的社会影响。
[0003]因此，亟需对燃气轮机的转子的特征进行研究，以避免转子由于碰摩、不平衡、不对中、裂纹等典型故障引起的经济损失。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于复杂网络建模的转子故障诊断方法及其装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]第一方面，本专利技术提供一种基于复杂网络建模的转子故障诊断方法，包括：
[0006]获取实时转子数据；其中，实时转子数据为正常、转子碰撞故障、转子不平衡故障或转子不对中故障数据；
[0007]将实时转子数据输入到训练好的转子故障诊断模型，进行实时诊断分类，并输出相应的诊断结果；其中，训练好的转子故障诊断模型根据复杂网络模型的边数特征、度均值特征和聚集系数特征进行训练。
[0008]第二方面，本专利技术还提供一种基于复杂网络建模的转子故障诊断装置，包括：
[0009]数据获取模块，用于获取实时转子数据；其中，实时转子数据为正常、转子碰撞故障、转子不平衡故障或转子不对中故障数据；
[0010]数据处理模块，用于将实时转子数据输入到训练好的转子故障诊断模型，进行实时诊断分类，并输出相应的诊断结果；其中，训练好的转子故障诊断模型根据复杂网络模型的边数特征、度均值特征和聚集系数特征进行训练。
[0011]本专利技术的有益效果：
[0012]本专利技术提供的一种基于复杂网络建模的转子故障诊断方法及其装置，通过复杂网络分析可以自动处理大量的机械振动数据，从而实现快速的转子故障诊断；通过分析复杂网络的特征，可以识别出不同类型的转子故障，从而提高诊断的准确性；基于复杂网络的转子故障诊断方法可以在噪声和干扰的情况下工作，因为复杂网络具有一定的鲁棒性。
[0013]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0014]图1是本专利技术实施例提供的基于复杂网络建模的转子故障诊断方法的一种流程图；
[0015]图2是本专利技术实施例提供的复杂网络建模过程的一种流程图；
[0016]图3是本专利技术实施例提供的动力系统构建过程的一种示意图；
[0017]图4是本专利技术实施例提供相空间平面的一种示意图；
[0018]图5是本专利技术实施例提供的时域数据转子正常复杂网络的一种示意图；
[0019]图6是本专利技术实施例提供的时域数据转子不平衡复杂网络的一种示意图；
[0020]图7是本专利技术实施例提供的时域数据转子碰撞故障复杂网络的一种示意图；
[0021]图8是本专利技术实施例提供的时域数据转子不对中故障复杂网络的一种示意图；
[0022]图9是本专利技术实施例提供的频域数据转子正常复杂网络的一种示意图；
[0023]图10是本专利技术实施例提供的频域数据转子不平衡复杂网络的一种示意图；
[0024]图11是本专利技术实施例提供的频域数据转子碰撞故障复杂网络的一种示意图；
[0025]图12是本专利技术实施例提供的频域数据转子不对中故障复杂网络的一种示意图；
[0026]图13是本专利技术实施例提供的时域数据复杂网络边数特征的一种示意图；
[0027]图14是本专利技术实施例提供的时域数据复杂网络度均值特征的一种示意图；
[0028]图15是本专利技术实施例提供的时域数据复杂网络聚集系数特征的一种示意图；
[0029]图16是本专利技术实施例提供的频域数据复杂网络边数特征的一种示意图；
[0030]图17是本专利技术实施例提供的频域数据复杂网络度均值特征的一种示意图；
[0031]图18是本专利技术实施例提供的频域据复杂网络聚集系数特征的一种示意图。
具体实施方式
[0032]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0033]针对燃气轮机转子碰摩、不平衡、不对中等故障，在振动信号中会产生不同的时频特征；如碰摩故障通常在转子与轴承之间产生，导致转子振动的高频噪声增加，在时频分析中，该种故障会导致频率谱中的高频成分增强，且在短时段内出现明显的瞬态；如不平衡故障通常由于转子重心不均匀或叶轮损伤导致，在时频分析中，该种故障会导致频率谱中的分量出现旋转和分裂现象，且在频谱中出现明显的一次、二次、三次等谐波成分；如不对中故障在时频分析中，该种故障会导致频率谱中的分量发生偏移或错位，且在时域中出现振幅和相位的周期性变化。
[0034]燃气轮机转子故障所产生的振动信号具有复杂的时域和频域特征，这些特征在复杂网络分析中可以体现为复杂网络的拓扑特性；如碰摩故障会导致转子振动信号的频率成分增加，这些频率成分在复杂网络分析中会体现为网络中节点的度数增加，同时会增加网络中边的数量；如不平衡故障会使转子振动信号在某一方向上增强，这些增强的信号在复杂网络分析中会体现为网络的部分区域聚类系数增加；如不对中故障会使得转子振动信号的幅值出现周期性变化，这些变化在复杂网络分析中会体现为网络的部分区域聚类系数减小，平均路径长度增加。
[0035]有鉴于此，针对燃气轮机转子碰摩、不平衡、不对中故障；本专利技术提出一种基于复
杂网络建模的转子故障诊断方法，通过时域和频域转换，尽可能多挖掘出更多不同形态下的故障特征，可以提高转子故障诊断的精度和准确性。
[0036]请参见图1所示，图1是本专利技术实施例提供的基于复杂网络建模的转子故障诊断方法的一种流程图，本专利技术所提供的一种基于复杂网络建模的转子故障诊断方法，包括：
[0037]S101、获取实时转子数据；其中，实时转子数据为正常、转子碰撞故障、转子不平衡故障或转子不对中故障数据；
[0038]S102、将实时转子数据输入到训练好的转子故障诊断模型，进行实时诊断分类，并输出相应的诊断结果；其中，训练好的转子故障诊断模型根据复杂网络模型的边数特征、度均值特征和聚集系数特征进行训练。
[0039]本实施例提供的一种基于复杂网络建模的转子故障诊断方法，基于转子故障振动信号时域和频域信号的复杂网络分析可以用于转子故障诊断。
[0040]在本专利技术的一种可选地实施例中，请参见图2所示，图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复杂网络建模的转子故障诊断方法，其特征在于，包括：获取实时转子数据；其中，所述实时转子数据为正常、转子碰撞故障、转子不平衡故障或转子不对中故障数据；将所述实时转子数据输入到训练好的转子故障诊断模型，进行实时诊断分类，并输出相应的诊断结果；其中，所述训练好的转子故障诊断模型根据复杂网络模型的边数特征、度均值特征和聚集系数特征进行训练。2.根据权利要求1所述的基于复杂网络建模的转子故障诊断方法，其特征在于，所述复杂网络模型的构建过程包括：获取训练数据集；其中，所述训练数据集包括正常、转子碰撞故障、转子不平衡故障和转子不对中故障数据；使用小波变换对所述训练数据集去除噪声，得到去噪后的时域训练数据集；对所述预处理后的时域训练数据集使用傅里叶变换，得到去噪后的频域训练数据集；根据所述去噪后的时域训练数据集和所述去噪后的频域训练数据集，使用递归图建模方法分别构建时域复杂网络模型和频域复杂网络模型。3.根据权利要求2所述的基于复杂网络建模的转子故障诊断方法，其特征在于，所述使用小波变换对所述训练数据集去除噪声，得到去噪后的时域训练数据集的过程包括：对所述训练数据集中的数据进行小波分解，得到高频分量和低频分量；对部分含有噪声的所述高频分量进行阈值处理，去除噪声部分高频分量；将剩余的高频分量和低频分量进行小波重构，得到去噪后的时域训练数据集。4.根据权利要求2所述的基于复杂网络建模的转子故障诊断方法，其特征在于，所述使用递归图建模方法构建复杂网络模型的过程包括：预设序列u
k
(k＝1,2,
…
,N)和延迟时间τ，将所述序列和所述延迟时间嵌入m维相空间进行重构，得到动力系统x
i
，其表达式为：x
i
＝(u
i
,u
i+τ
,
…
,u
i+(m
‑
1)τ
),i＝1,2,
…
,N
‑
(m
‑
1)τ；其中，u
i
为序列中第i个数据，N为序列中数据的总数；获取重构m维相空间中的i点和j点之间的距离S
ij
，其表达式为：其中，||
·
||为范数；根据所述重构m维相空间中的i点和j点之间的距离S
ij
，计算其递归值R(i,j)，其表达式为：其中，H(
·...

【专利技术属性】
技术研发人员：赵振民，李江红，崔佳航，单航，马蓉，符立梅，陈超，尚纯洁，王彤，雷庆春，蔡飞超，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：