本发明专利技术公开了一种工业叶片的故障检测方法、系统及装置，该方法包括：获取不同工况下的信号数据，并构建训练集和信号模板；基于所述训练集训练信号比对网络；采集叶片的实时信号数据；将所述运行数据输入至所述第一检测网络得到第一检测结果；将所述运行数据与信号模板进行相似度计算，得到第二检测结果；将第一检测结果和第二检测结果进行加权融合，得到最终检测结果。该系统包括：训练集构建模块、训练模块、信号采集模块、第一检测模块、第二检测模块和融合检测模块。该装置包括存储器以及用于执行上述工业叶片的故障检测方法的处理器。通过使用本发明专利技术，能够实时且高精度的完成叶片故障检测。本发明专利技术可广泛应用于故障检测领域。
【技术实现步骤摘要】
本专利技术涉及故障检测领域，尤其涉及一种工业叶片的故障检测方法、系统及装置。
技术介绍
1、随着工业发展，叶片是是广泛应用于各行各业的重点关键设备。比如：发电厂的汽轮机、水轮机，飞机的涡轮发动机和压气机，化工厂的压缩机，地下采矿的通风机、水泵等。其承受离心力、流体动力、振动、温差(热应力)、介质等的综合作用。现今叶片机械正朝着重载化、高速化、轻型化方向发展.使叶片工作长度和工作参数不断提高,工作条件越来越严酷,导致叶片容易发生故障。而且叶片故障引起的事故往往是灾难性的，会造成巨大的损失。叶片故障严重影响机械的经济和安全运行。
2、如何以简单的方法和较高的准确率在线实时预报叶片故障，是困扰国内外设备故障诊断工程界和学术界的难题。
技术实现思路
1、有鉴于此，为了解决现有检测方法中的实时性不高，无法实时检测叶片在工作中是否存在故障，一方面，本专利技术提出一种工业叶片的故障检测方法，所述方法包括以下步骤：
2、获取不同工况下的信号数据，并构建训练集和信号模板；
3、基于所述训练集训练信号比对网络，得到第一检测网络；
4、采集叶片的实时信号数据，得到运行数据；
5、将所述运行数据输入至所述第一检测网络得到第一检测结果；
6、将所述运行数据与信号模板进行相似度计算，得到第二检测结果；
7、将第一检测结果和第二检测结果进行加权融合，得到最终检测结果。
8、其中，不同工况的参数以及模拟次数按需设置。</p>9、在一方面的实施例中，所述获取不同工况下的信号数据，并构建训练集和信号模板这一步骤，其具体包括：
10、按照故障类别设置对应的工况数据；
11、基于预设的工况控制叶片运行，并采集当前的信号数据，得到训练信号数据；
12、将所述训练信号数据与对应的故障类别进行匹配，得到训练集；
13、根据所述训练数据提取信号曲线并于对应的故障类别进行匹配，得到信号模板。
14、通过该优选步骤，模拟不同故障类别下对应的工况数据，并设置对应的参数，以此批量故障下叶片运行数据。
15、在一方面的实施例中，还包括：
16、基于对抗生成网络，对训练信号数据进行数据扩增。
17、通过该优选步骤，可以在有限的训练数据进行自扩增，可以减少模拟工况获取数据的循环次数。
18、在一方面的实施例中，所述基于所述训练集训练信号比对网络，得到第一检测网络这一步骤，其具体包括：
19、对所述训练集信号进行特征提取，包括时域特征和频域特征；
20、基于所述时域特征和所述频域特征对信号比对网络进行训练，以对应的故障类别作为标签，更新网络参数，得到第一检测网络。
21、通过该优选步骤，确定以时域特征和频域特征为条件，以该特征信号为实质输入，结合对应的标签训练模型。
22、在一方面的实施例中，所述基于所述时域特征和所述频域特征对信号比对网络进行训练，以对应的故障类别作为标签，更新网络参数，得到第一检测网络这一步骤，其具体包括：
23、对所述时域特征利用时域注意力机制的残差收缩网络进行训练，得到时域基学习器；
24、对对所述频域特征利用通道域注意力机制的残差收缩网络进行训练，得到通道域基学习器；
25、以时域基学习器和通道域学基学习器确定第一检测网络。
26、通过该优选步骤，针对于不同的特征类别，利用不同的注意力机制作为通道，以训练对应的网络，能够提高检测的准确率。
27、在一方面的实施例中，所述将所述运行数据与信号模板进行相似度计算，得到第二检测结果这一步骤，其具体包括：
28、基于所述运行数据生成信号曲线；
29、计算所述信号曲线与信号模板的形状相似度；
30、将所述形状相似度进行排序，获取信号模板对应的故障类别，得到第二检测结果。
31、通过该优选步骤，计算形状相似度进行第二初步检测。
32、本专利技术还提出了一种工业叶片的故障检测系统，所述系统包括：
33、训练集构建模块，用于获取不同工况下的信号数据，并构建训练集和信号模板；
34、训练模块，基于基于所述训练集训练信号比对网络，得到第一检测网络；
35、信号采集模块，用于采集叶片的实时信号数据，得到运行数据；
36、第一检测模块，用于将所述运行数据输入至所述第一检测网络得到第一检测结果；
37、第二检测模块，用于将所述运行数据与信号模板进行相似度计算，得到第二检测结果；
38、融合检测模块，用于将第一检测结果和第二检测结果进行加权融合，得到最终检测结果。
39、本专利技术还提出了一种工业叶片的故障检测装置，包括：
40、至少一个处理器；
41、至少一个存储器，用于存储至少一个程序；
42、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种工业叶片的故障检测方法。
43、基于上述方案，本专利技术提供了一种工业叶片的故障检测方法、系统及装置，先通过对深度学习网络进行训练，以信号特征为输入，输出第一检测结果，然后利用信号曲线与曲线模板进行相似度计算，以此输出第二检测结果，最终结合第一检测结果和第二检测结果进行故障判定，通过两个方向的检测并融合，能够极大的提高故障检测的准确性，其次，该信号数据是可以在叶片运行过程中获取的，能够实现实时检测。
本文档来自技高网...
【技术保护点】
1.一种工业叶片的故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种工业叶片的故障检测方法，其特征在于，所述获取不同工况下的信号数据，并构建训练集和信号模板这一步骤，其具体包括：
3.根据权利要求2所述一种工业叶片的故障检测方法，其特征在于，还包括：
4.根据权利要求1所述一种工业叶片的故障检测方法，其特征在于，所述基于所述训练集训练信号比对网络，得到第一检测网络这一步骤，其具体包括：
5.根据权利要求4所述一种工业叶片的故障检测方法，其特征在于，所述基于所述时域特征和所述频域特征对信号比对网络进行训练，以对应的故障类别作为标签，更新网络参数，得到第一检测网络这一步骤，其具体包括：
6.根据权利要求5所述一种工业叶片的故障检测方法，其特征在于，所述将所述运行数据与信号模板进行相似度计算，得到第二检测结果这一步骤，其具体包括：
7.一种工业叶片的故障检测系统，其特征在于，包括：
8.一种工业叶片的故障检测装置，其特征在于，包括：
【技术特征摘要】
1.一种工业叶片的故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种工业叶片的故障检测方法，其特征在于，所述获取不同工况下的信号数据，并构建训练集和信号模板这一步骤，其具体包括：
3.根据权利要求2所述一种工业叶片的故障检测方法，其特征在于，还包括：
4.根据权利要求1所述一种工业叶片的故障检测方法，其特征在于，所述基于所述训练集训练信号比对网络，得到第一检测网络这一步骤，其具体包括：
5.根据权利要...
【专利技术属性】
技术研发人员：陈晓霞，李国平，吴梓源，徐佳淳，申露华，刘汉斌，张国城，
申请(专利权)人：佛山职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。