基于制造技术

基于

【技术实现步骤摘要】
基于LSTM网络与人工鱼群算法的柴油机故障聚类诊断方法、设备、介质和产品


[0001]本申请涉及故障诊断
，尤其涉及柴油机故障诊断
。

技术介绍

[0002]柴油机监测与故障诊断技术是确保柴油机安全
、
高效运行的有效方法
。
其中，基于振动监测的故障诊断技术通过分析柴油机的机械动力特性和振动信号来检测和识别典型的故障状态
。
基于人工神经网络的故障识别技术需要训练大量故障样本，以学习从设备运行状态到故障类型的映射关系
。
尽管柴油机故障诊断技术研究成果丰硕，但由于获取大量典型故障样本十分困难，已成为制约其发展的瓶颈
。
[0003]现有技术如公告号为
CN115200881A
，公开日为
2022
年
10
月
18
日的中国专利公开的一种基于
MDUNN
的多变负荷下柴油机故障诊断方法
。
该技术没有涉及柴油机结构
、
型号多样的情况，同时即使是同一型号的柴油机，由于制造
、
装配等误差，使用时间的不同，其机械动力特性也不一致，这样会造成已掌握的故障样本通用性差这种情况下的诊断不准确的情况
。
[0004]现有技术如公告号为
CN107300925A
，公开日为
2017
年
10
月
27
日的中国专利公开的一种基于改进鱼群算法的四旋翼无人机姿控参数整定方法
。
该技术没有涉及鱼群算法迭代次数以及人工鱼视野的调整
。
人工鱼群算法不同的参数设置可能会导致不同的结果，其中人工鱼的视野如果设置不够合适也会导致算法陷入局部最优解的情况，难以找到全局最优解
。
[0005]人工鱼群算法是在人工鱼所处环境的食物浓度及拥挤度的引导下来实现鱼的聚群与追尾，最终实现所有人工鱼聚集在几个极值中心周围
。
根据以上思想可推论，机械故障特征信号聚类是故障样本在相似度因子及聚类判别因子的引导下，使得所有的故障样本聚集在几个极值样本附近，实现故障的聚类诊断
。
[0006]但人工鱼群算法存在以下问题：
[0007]1、
容易陷入局部最优；
[0008]2、
随机进行的觅食行为，存在迂回搜索的问题，难获取精确解，使用随机选择的方法，会产生一个新的鱼群，没有充分利用前面已经得到的有利信息；
[0009]3、
人工鱼群算法运行后期搜索的盲目性较大，收敛速度减慢，搜索精度不高
。

技术实现思路

[0010]本专利技术目的是为了解决现有采油机故障诊断准确性低以及通用性低的问题，提供了基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法
、
设备
、
介质和产品
。
[0011]本专利技术是通过以下技术方案实现的，本专利技术一方面，提供一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法，所述方法包括：
[0012]步骤
1、
获取柴油机的
GT
‑
power
模型；
[0013]步骤
2、
利用所述柴油机的
GT
‑
power
模型，模拟并监测柴油机的工作状态，所述工作状态包括正常状态和故障状态，并采集运行参数数据；
[0014]步骤
3、
对所述运行参数数据进行标准化处理；
[0015]步骤
4、
利用
LSTM
网络训练对人工鱼群算法的视野
、
步长和拥挤度因子进行优化，获取改进的人工鱼群算法；
[0016]步骤
5、
利用所述改进的人工鱼群算法，并根据所述运行参数数据，对柴油机进行故障聚类诊断
。
[0017]进一步地，步骤1中，所述柴油机的
GT
‑
power
模型包括发动机的传热模型
、
燃烧模型以及发动机的各个组成部分，所述各个组成部分包括气缸
、
气阀
、
涡轮
、
压气机
。
[0018]进一步地，步骤2中，所述运行参数数据包括柴油机气缸的平均指示有效压强
、
爆发压强
、
压力升高率气缸最高温度和排气平均温度
。
[0019]进一步地，步骤3中，所述标准化处理，具体包括：
[0020]假设有
n
个待聚类的对象为
X
＝
[x1，
x2，
...
，
x
n
]，每个分析对象
x
i
具有
m
个属性待征，则样本数据可以构成一个
n
×
m
矩阵，标准化处理公式为：
[0021][0022]式中：
x
j
，
mean
表示对象
xi
所属第
j
个特征量的平均值，
σ
(x
j
)
表示第
j
个特征量的标准方差，标准化后的数据记为
x
ij
表示故障特征参数
。
[0023]进一步地，所述
LSTM
预测网络的均方差预测值为拟定的合适参数与实际预测参数的均方差
。
[0024]进一步地，步骤4，具体包括：
[0025]所述均方差预测值在8％以内时，完成对人工鱼群算法的视野
、
步长和拥挤度因子的优化；否则继续迭代进行参数优化
。
[0026]进一步地，步骤5，具体包括：
[0027]将故障样本作为人工鱼群中个体鱼的状态即
X
i
＝
(X
i1
，
X
i2
，
...X
in
)
，其中，
i
＝1，2，3，
…
，
m
，
X
in
为人工鱼群中个体鱼的第
n
种状态，即故障样本
n
；
[0028]将所有的故障样本构成一个区域内的所有鱼群，相似度作为食物浓度，聚类判别因子作为拥挤度，所有样本间的距离都定义为1，故障样本的可视域为所有故障样本；
[0029]随机选择一个故障样本
X
j
，找出其可视域内相似度最高的故障样本
X
j
，如果存在多处最大值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法，其特征在于，所述方法包括：步骤
1、
获取柴油机的
GT
‑
power
模型；步骤
2、
利用所述柴油机的
GT
‑
power
模型，模拟并监测柴油机的工作状态，所述工作状态包括正常状态和故障状态，并采集运行参数数据；步骤
3、
对所述运行参数数据进行标准化处理；步骤
4、
利用
LSTM
网络训练对人工鱼群算法的视野
、
步长和拥挤度因子进行优化，获取改进的人工鱼群算法；步骤
5、
利用所述改进的人工鱼群算法，并根据所述运行参数数据，对柴油机进行故障聚类诊断
。2.
根据权利要求1所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法，其特征在于，步骤1中，所述柴油机的
GT
‑
power
模型包括发动机的传热模型
、
燃烧模型以及发动机的各个组成部分，所述各个组成部分包括气缸
、
气阀
、
涡轮
、
压气机
。3.
根据权利要求1所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法，其特征在于，步骤2中，所述运行参数数据包括柴油机气缸的平均指示有效压强
、
爆发压强
、
压力升高率气缸最高温度和排气平均温度
。4.
根据权利要求3所述的一种基于
LSTM
网络与人工鱼群算法的柴油机故障聚类诊断方法，其特征在于，步骤3中，所述标准化处理，具体包括：假设有
n
个待聚类的对象为
X
＝
[x1，
x2，
…
，
x
n
]
，每个分析对象
x
i
具有
m
个属性待征，则样本数据可以构成一个
n
×
m
矩阵，标准化处理公式为：式中，
x
j
，
mean
表示对象
x
i
所属第
j
个特征量的平均值，
σ
(x
j
)
表示第
j
个特征量的标准方差

【专利技术属性】
技术研发人员：侯仕卿，李文辉，霍天源，韩明泽，石泽太，王政，刘仁余，周叶培，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：