CN108470084A - 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 - Google Patents
一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 Download PDFInfo
- Publication number
- CN108470084A CN108470084A CN201810133751.9A CN201810133751A CN108470084A CN 108470084 A CN108470084 A CN 108470084A CN 201810133751 A CN201810133751 A CN 201810133751A CN 108470084 A CN108470084 A CN 108470084A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- vibration
- case
- steam turbine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 claims 1
- 230000002547 anomalous effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241001648652 Croton ovalifolius Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，包括对历史故障案例的振动数据进行预处理和统计特征提取，其中历史故障案例的振动数据为低频采样；将对历史案例提取的统计特征作为神经网络的输入，进行网络学习；将新发生的异常事件提取统计特征后输入训练好的神经网络，利用相似度计算方法对神经网络的输出结果进行相似度计算，获取与新发生事件最为相似的历史故障案例。本方法提出了一种新颖且简单的数据预处理方法和一个新的统计特征，其对需要减轻同一模式下不同值引起的干扰或捕获不同输入之间的时序关系的情况效果十分明显。本发明方法对汽轮机轴系振动故障的诊断具有重要的应用价值。
Description
技术领域
本发明涉及一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，用于电厂汽轮机轴系振动故障的诊断。
背景技术
近年来，国内外多次发生大规模停电事件，如印度大停电、加拿大与美国东北部停电事件、欧洲大停电、纽约大停电、中国湖南省大停电、巴西和巴拉圭停电事件，使得电力系统中发电设备的故障诊断技术得到了更多的重视。据统计，2016年，全国发电总量为59897亿千瓦时，火力发电总量为42886亿千瓦时，占比71.6％。火力发电在整个电力行业占主导地位，对于火力发电设备的故障诊断是人们研究的重点。作为火力发电的主体，汽轮机安全影响着整个火力发电的运行状况，一旦汽轮机发生故障，极可能导致整个发电机组全线停机。
目前电厂对汽轮机的故障诊断主要依赖两种方式：定期检修和专家诊断。定期检修主要是停机后对发电设备的零部件进行检查，判断是否松动或出现裂口等。定期检修存在“维修不足”或“维修过剩”的问题。1980年，美国全年工业维修费为2460亿美元，其中因为过剩维修和失修而导致的资金浪费高达750亿美元，占总维修费用的30％。并且定期检修经常无法做到对故障的及时发现。此外，当发电设备在运行过程中出现故障，导致设备无法正常运行时，则需联系专家人员到现场进行故障诊断。由于汽轮机的专业性和特殊性，汽轮机的故障诊断需要电力方面经验丰富的专家，并且整个汽轮机故障诊断的知识储备仍是由专家人员以经验教学的方式向下传播，导致汽轮机的故障诊断对个人的依赖性较强。然而依赖个人的故障诊断具有很强的主观性，知识也可能存在片面性和不完整性。因此设计一种不依赖人类专家的智能故障诊断系统十分必要。
历史振动故障案例主要是以数值信号方式保存，然而振动信号数据量巨大，仅靠人工方法几乎无法识别其中有价值的信息。针对这种情况，提出了基于神经网络的相似振动故障案例检索。
神经网络目前已在智能故障诊断方面得到广泛的利用。当它用于机械系统时，用于神经网络的数据通常是振动信号，主要是因为振动信号包含丰富的信息。然而，即使在正常状态，夹杂在固有振荡中的噪声也是十分复杂的。此外，振动信号通常是非线性和非平稳的，因此通常做法都是先提取包含有用信息的特征，再将提取的特征作为神经网络的输入，而不是直接将原始数据作为神经网络的输入。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法。
本发明的目的是通过以下技术方案来实现的：一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，该方法包括以下步骤：
步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；对汽轮机轴系历史故障案例的振动数据预处理的方法为：从原始数据中减去66um，其中66um是经过试验得到的。令x表示原始数据，则处理后的数据为y＝x-66，如果y<0，则将y的值重置为0。如果设备处于正常运行状态，由于每个设备运行环境不尽相同，振动信号可能是阈值以下的任何值，并且正常状态下不同的振动值会干扰神经网络，将其识别为不同的状态，因此利用上述的预处理过程将低于阈值的数据全部置为零。
步骤2、对预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征。使用的四种常用的统计特征如下：
需要注意的是，传统的统计特征是单独从每个块中提取，无法获取块与块之间的时间相关性。针对这种情况提出了一个新的统计特征，称之为相对位置RL。
RL＝RMS-rmin，
其中，rmin表示所有块提取的RMS的最小值。
步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练。令总共包含a个历史振动故障案例，每个案例包含b组数据类型，则神经网络的输入节点为5*b，输出节点数为a。
步骤4、按照步骤1的方法对新发生的异常事件进行数据预处理，再对预处理后的振动数据进行分块，提取统计特征。
步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果。
步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算。计算方法为：
其中，m表示神经网络输出向量维度，n表示新发生事件的振动数据分块后的个数，yij表示第i个数据块的第j维输出值，表示神经网络输出向量第j维输出的理想值，k为可调变量，可根据对象进行调整。
步骤7、将步骤6的计算结果按照从大到小的顺序排列，如果排在第一位的计算结果大于某个阈值，则将其故障原因作为新发生异常事件的诊断结果。
与现有技术相比，本发明的优点在于：针对汽轮机轴系振动故障诊断，提出了神经网络与案例推理的诊断方法。并且该方法中，针对低采样频率的振动数据，提出了一种新的数据预处理方法和一个新的统计特征。此外，结合神经网络，提出了一种新的相似度计算方法。在相似度计算方法中，引入了可调参数k，使得计算结果更为精确。
附图内容
图1表示本发明基于神经网络和案例推理的汽轮机轴系振动故障诊断方法的流程图；
图2表示三个历史故障案例和新发生异常事件的原始数据(前三个为历史故障案例，最后一个为新发生异常事件)；
图3表示历史案例和新发生异常事件振动数据的统计特征图(前三个分别对应三个历史故障案例的统计特征，最后一个为新发生异常事件的统计特征)；
图4表示神经网络的输出。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明提供的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，该方法包括以下步骤：
步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；对汽轮机轴系历史故障案例的振动数据预处理的方法为：从原始数据中减去66um，其中66um是经过试验得到的。令x表示原始数据，则处理后的数据为y＝x-66，如果y<0，则将y的值重置为0。如果设备处于正常运行状态，由于每个设备运行环境不尽相同，振动信号可能是阈值以下的任何值，并且正常状态下不同的振动值会干扰神经网络，将其识别为不同的状态，因此利用上述的预处理过程将低于阈值的数据全部置为零。
步骤2、对预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征。使用的四种常用的统计特征如下：
需要注意的是，传统的统计特征是单独从每个块中提取，无法获取块与块之间的时间相关性。针对这种情况提出了一个新的统计特征，称之为相对位置RL。
RL＝RMS-rmin，
其中，rmin表示所有块提取的RMS的最小值。
步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练。令总共包含a个历史振动故障案例，每个案例包含b组数据类型，则神经网络的输入节点为5*b，输出节点数为a。
步骤4、按照步骤1的方法对新发生的异常事件进行数据预处理，再对预处理后的振动数据进行分块，提取统计特征。
步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果。
步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算。计算方法为：
其中，m表示神经网络输出向量维度，n表示新发生事件的振动数据分块后的个数，yij表示第i个数据块的第j维输出值，表示神经网络输出向量第j维输出的理想值，k为可调变量，可根据对象进行调整。
步骤7、将步骤6的计算结果按照从大到小的顺序排列，如果排在第一位的计算结果大于某个阈值，则将其故障原因作为新发生异常事件的诊断结果。
实施例
图2展示了三个历史案例和一个新发生异常事件的振动数据，三个历史案例的故障原因分别为正常、不平衡、碰磨。首先，利用之前提到的预处理方法对原始数据进行预处理，然后将处理后的数据分块，每个块包含四组数据，每组数据的长度为50个采样点，并对每个块中的每组数据进行特征提取。本文选取了五个特征，分别为RL，RMS，Kurt，Skew和cf，因此每个块总共包含20个特征，如图3所示。之后，利用前面所述的神经网络与相似度计算方法对新发生的事件进行相似案例检索。用于训练的神经网络包含三层，输入层有20个节点，隐藏层有15个节点，输出层有3个节点。输入层的20个节点分别对应提取的20个特征。正常、质量不平衡和碰磨分别对应的目标输出为[1,0,0]，[0,1,0]，[0,0,1]。因此，总共有三个输出节点。神经网络的输出如图4所示。利用输出结果计算新发生事件的相似度，令k＝2，计算结果如下所示：
从计算结果可以看出，新发生事件与质量不平衡状态下的历史案例最为相似，相似度约等于1。经现场验证，新发生事件的故障原因为质量不平衡，与计算结果一致。
Claims (5)
1.一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，该方法包括以下步骤：
步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；
步骤2、对步骤1预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征，使用的四种常用的统计特征如下：
一个新提出的统计特征称之为相对位置RL：
RL＝RMS-rmin，
其中，rmin表示所有块提取的RMS的最小值。
步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练；
步骤4、对新发生的异常事件进行数据预处理、分块和提取统计特征；
步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果；
步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算；
步骤7、将步骤6的计算结果按照从大到小的顺序排列，如果排在第一位的计算结果大于某个阈值，则将其故障原因作为新发生异常事件的诊断结果。
2.根据权利要求1所述的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，所述步骤1和步骤4中的数据预处理的方法为：从原始数据中减去66um，其中66um是经过试验得到的，令x表示原始数据，则处理后的数据为y＝x-66，如果y<0，则将y的值重置为0。
3.根据权利要求1所述的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，基于两秒采样间隔的汽轮机轴系振动数据，提出了一个新的统计特征(RL)提取方法：
RL＝RMS-rmin
其中，rmin表示所有块提取的RMS的最小值。
4.根据权利要求1所述的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，相似度计算方法为：
其中，m表示神经网络输出向量维度，n表示新发生事件的振动数据分块后的个数，yij表示第i个数据块的第j维输出值，表示神经网络输出向量第j维输出的理想值，k为可调变量，可根据对象进行调整。
5.根据权利要求1所述的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，BP神经网络进行模型训练中，令总共包含a个历史振动故障案例，每个案例包含b组数据类型，则神经网络的输入节点为5*b，输出节点数为a。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810133751.9A CN108470084A (zh) | 2018-02-09 | 2018-02-09 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810133751.9A CN108470084A (zh) | 2018-02-09 | 2018-02-09 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108470084A true CN108470084A (zh) | 2018-08-31 |
Family
ID=63266386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810133751.9A Pending CN108470084A (zh) | 2018-02-09 | 2018-02-09 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108470084A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109556861A (zh) * | 2019-01-23 | 2019-04-02 | 昆明理工大学 | 一种基于案例推理的轴承实时故障诊断系统 |
| CN110530650A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨电气股份有限公司 | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 |
| CN111950093A (zh) * | 2020-08-31 | 2020-11-17 | 武汉理工大学 | 基于不同置信度训练样本优化轴系神经网络的方法 |
| CN112365014A (zh) * | 2020-11-11 | 2021-02-12 | 重庆邮电大学 | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 |
| CN112486148A (zh) * | 2020-12-29 | 2021-03-12 | 浙江大学 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
| CN112740129A (zh) * | 2018-09-18 | 2021-04-30 | 卡迪赛姆公司 | 用于监测产生振动的机器的运行的方法及用于实现该方法的设备 |
| CN118194136A (zh) * | 2024-05-15 | 2024-06-14 | 铁岭技师学院(辽宁工程职业学院) | 一种机械设备的故障诊断方法 |
| CN118194136B (zh) * | 2024-05-15 | 2024-08-27 | 铁岭技师学院(辽宁工程职业学院) | 一种机械设备的故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
| CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
-
2018
- 2018-02-09 CN CN201810133751.9A patent/CN108470084A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
| CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘闯 等: "人工神经网络与基于案例推理结合用于故障诊断", 《2004电站自动化信息化学术技术交流会议论文集》 * |
| 方名菊 等: "基于形式概念的汽轮机相似故障案例检索", 《山东科技大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112740129A (zh) * | 2018-09-18 | 2021-04-30 | 卡迪赛姆公司 | 用于监测产生振动的机器的运行的方法及用于实现该方法的设备 |
| CN109556861A (zh) * | 2019-01-23 | 2019-04-02 | 昆明理工大学 | 一种基于案例推理的轴承实时故障诊断系统 |
| CN109556861B (zh) * | 2019-01-23 | 2020-08-07 | 昆明理工大学 | 一种基于案例推理的轴承实时故障诊断系统 |
| CN110530650A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨电气股份有限公司 | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 |
| CN111950093A (zh) * | 2020-08-31 | 2020-11-17 | 武汉理工大学 | 基于不同置信度训练样本优化轴系神经网络的方法 |
| CN111950093B (zh) * | 2020-08-31 | 2023-03-14 | 武汉理工大学 | 基于不同置信度训练样本优化轴系神经网络的方法 |
| CN112365014A (zh) * | 2020-11-11 | 2021-02-12 | 重庆邮电大学 | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 |
| CN112486148A (zh) * | 2020-12-29 | 2021-03-12 | 浙江大学 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
| CN112486148B (zh) * | 2020-12-29 | 2022-02-18 | 浙江大学 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
| CN118194136A (zh) * | 2024-05-15 | 2024-06-14 | 铁岭技师学院(辽宁工程职业学院) | 一种机械设备的故障诊断方法 |
| CN118194136B (zh) * | 2024-05-15 | 2024-08-27 | 铁岭技师学院(辽宁工程职业学院) | 一种机械设备的故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108470084A (zh) | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 | |
| US20190228110A1 (en) | System and method for abstracting characteristics of cyber-physical systems | |
| CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
| CN111695521B (zh) | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 | |
| CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
| CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
| CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
| US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
| CN106991538A (zh) | 一种基于风电机组部件重要度评价的维修方法及装置 | |
| Bai et al. | A measurement-based approach for power system instability early warning | |
| CN110597232B (zh) | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 | |
| CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
| CN114298080A (zh) | 一种基于摆度数据挖掘的水轮发电机组的监测方法 | |
| Wu et al. | Hybrid deep network based multi-source sensing data fusion for fdia detection in smart grid | |
| Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
| Wang et al. | State evaluation of relay protection system for state maintenance | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| Yang et al. | Fault prediction of ship machinery based on gray neural network model | |
| CN117200458B (zh) | 一种基于智能低压开关柜的数字化管理方法及装置 | |
| CN116975712A (zh) | 一种火电厂制粉系统故障分类方法 | |
| Yang et al. | Running State Assessment for Induced Draft Fans Using Auto Encoder Model Combined With Fuzzy Synthetic | |
| Li et al. | Multiobjective maintenance optimization of the continuously monitored deterioration system | |
| Wang | Condition Analysis of Steam Turbine DEH Control System based on Data Fusion | |
| Wang et al. | Abnormal characteristics capture for thermal power unites before unexpected breakdown based on correlation analysis of operation parameters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180831 |