CN109555566A - 一种基于lstm的汽轮机转子故障诊断方法 - Google Patents
一种基于lstm的汽轮机转子故障诊断方法 Download PDFInfo
- Publication number
- CN109555566A CN109555566A CN201811564600.5A CN201811564600A CN109555566A CN 109555566 A CN109555566 A CN 109555566A CN 201811564600 A CN201811564600 A CN 201811564600A CN 109555566 A CN109555566 A CN 109555566A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- training
- fault
- measuring point
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于LSTM的汽轮机转子故障诊断方法,属于机械故障诊断技术领域。首先布控多测点采集传感器,采集各种典型汽轮机转子故障的振动信号作为训练集和验证集。其次从电厂DCS系统中提取汽轮机转子振动信号作为测试集。接着将训练集、测试集和验证集通过信号分割、堆叠等操作实现多测点信号数据的融合和数据增强。然后架构基于LSTM的神经网络,利用训练集和验证集完成对网络的训练,最后结合实际诊断任务,维护诊断模型,并最终在测试集上实现汽轮机转子故障诊断。
Description
技术领域
本发属于机械故障诊断技术领域,具体涉及一种基于LSTM的汽轮机转子故障诊断方法。
背景技术
汽轮发电机组是电力生产的关键设备,具有结构复杂、工作条件恶劣(高温、高压、高转速)、连续运行要求高等特点,容易发生故障。在机组运行中,转子作为重要部件,一旦发生故障而不能及时排查,轻则会因振动量超过限值引起非计划停机,重则会造成机组损坏和人员伤亡。因此,汽轮发电机组转子的故障诊断方法和实验研究,对于保障汽轮发电机组安全运行、减少重大的经济损失和避免灾难性事故的发生具有十分重要的意义。
汽轮机转子故障包括,转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障等,具有复杂性。为了提取信号进行故障识别,研究学者提出了许多时频分析方法,如短时傅里叶变(Short Time Fourier Transform,STFT)、小波变换 (Wavelet Transformation,WT)、维格纳-威尔分布(Wigner-Ville Distribution,WVD)、经验模态分解(Empirical Mode Decomposition,EMD)等。但是这些方法都存在各自的缺陷,距离工业现场的应用具有一定的差距。并且这些方法需要一定工程经验和专业的信号处理技巧,不利于推广。
一方面,目前关于转子故障诊断方法的研究和专利大多以电机转子为主,极少有介绍汽轮机转子的报道。另一方面,故障诊断分类和定量识别的本质就是数据挖掘的分类和回归问题,近年快速发展的人工智能算法在这一方面已经有了广泛且成功的应用。人工智能算法的实现不需要用户具有很丰富的先验知识,因此不需要专业性极强的信号前处理过程,可以从数据中直接挖掘故障特征,进而进行故障分类和定量识别。基于人工智能算法获得的模型具有体积小、速度快、可迁移性强的特点,适合应用于工业现场的故障诊断。
发明内容
本发明的目的是为了检测和识别汽轮机转子故障,保障汽轮发电机组安全运行,提供了一种基于LSTM的汽轮机转子故障诊断方法,以解决传统方法中汽轮机转子诊断的需要借助经验和极高信号处理技巧导致诊断效率低下,诊断精度差,不利于工业推广等问题。
本发明采用如下技术方案来实现的:
一种基于LSTM的汽轮机转子故障诊断方法,包括以下步骤:
1)、多测点采集故障信号:
在汽轮机的各个汽缸、各个轴承处布置测点,利用位移传感器采集汽轮机转子各种典型振动故障下的振动数据;需要采集的故障数据包括,正常状态的振动信号、转子裂纹故障信号、转子不平衡故障信号、转子不对中故障信号以及转子碰摩故障信号;
在电厂中这类数据存储在DCS系统中,直接从DCS系统中得到;每一个振动测点的数据Xi,j从相同时刻的统一采样率条件下获取;其中X表示故障的长时序信号,i表示第i类故障,j表示第j个振动测点,Xi,j包括正常转子的振动信号;
2)、故障信号前处理及多测点信号融合:
首先将每一种故障类别的信号做标记,记为Yi,j;将每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j,与之对应的故障类别的标签为ym,i,j;最后将同一个i和m下,不同位置j的xm,i,j重构成j行l列的高维信号(xj,l)m,i,与之对应的故障类别的标签为ym,i;其中xj,l表示j行l列的j维时序信号数据;其中Y表示故障类别,取0~i-1的整数;x表示分割之后的短时序信号,y表示故障类别,取0~i-1的整数,l表示振动信号的数据点个数,m 表示第m个样本信号,i表示第i类故障,j表示第j个振动测点;
3)、数据标准化处理、划分训练集和验证集:
首先将上述的m×i个故障信号数据(xj,l)m,i和故障类别ym,i做标准化处理,然后按照训练集/验证集=4.0的比例,分为训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation,随机打乱训练集数据;
从电厂的DCS系统中的故障信号,并利用上述步骤2)中相同的处理方式,将故障信号处理为{(xj,l)m,i}test;
4)、建构基于LSTM的神经网络:
整个神经网络包含LSTM网络的主体结构以及最后的全连接层,每一个训练数据信号 {(xj,l)m,i}train通过LSTM网络的主体结构输出连接到一个全连接层,通过Softmax激活函数得到诊断类型的分布概率;
5)、训练网络:
结合汽轮机转子故障诊断的实际问可以分为以下3种的训练方法:
①对于初始训练,所有神经网络都训练,通过Adam梯度下降算法和SGD梯度下降算法,设置可变学习率优化交叉损失函数来训练网络;
②当需要增加新类别作为训练数据的时候,在①训练结果的前提下,对LSTM网络的主体结构设置小学习率进行学习,然后冻结除全连接层之外的所有神经网络层,重新训练最后的全连接层;
③当需要布控新测点时,利用①的训练结果作为预训练模型,激活所有神经网络,设置可变学习率优化交叉损失函数来训练网络;
6)故障诊断分析:
输入从DCS中得到的电厂测试集数据{(xj,l)m,i}test,算法输出该信号的故障类别。
本发明进一步的改进在于,还包括以下步骤:
7)算法维护:
实际过程中,当需要分析新的故障类别,按照步骤1)中采集数据的方式,新增故障信号的采集;然后按照步骤2)的方式对新增信号做前处理及多测点信号融合;接着按照步骤3) 做新增信号数据的标准化处理并划分数据集;最后按照步骤5)中训练方式②做新增信号数据的训练;
在实际过程中,当需要增加测点时,在汽缸的前端或者后端布控新测点,按照步骤2)对信号做前处理和信号融合,然后按照步骤3)做新信号数据的标准化处理并划分数据集,最后按照步骤5)中训练方式③做新信号数据的训练。
本发明进一步的改进在于,步骤1)的具体实现方法如下:
101)分别在汽轮机各个汽缸的中部水平和竖直的3个方向布置汽缸的测量测点,在汽轮机各个轴承处布置竖直和水平的2个方向布置测量测点;
102)设置固定的采样率f,利用位移传感器获取汽轮机转子的各种故障信号Xi,j,该数据作为训练网络的训练集和测试集;获取的故障数据是典型汽轮机转子故障,包括转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障;其中f 表示传感器的采样频率,Xi,j表示第i类故障在测点j的时序振动信号;
103)从电厂的DCS系统的数据库中,提取与上述101)测点相对应的振动信号作为后续步骤3)的验证集。
本发明进一步的改进在于,步骤2)的具体实现方法如下:
201)将正常状态的振动信号,转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障振动信号分别标记为0,1,2……Yi,j;记录转子平均转速n,其中Yi,j表示测点位置j的第i类故障的标签;
202)计算信号分割的窗长WL:
公式1:
其中[·]表示对式子f取整;
203)取窗与窗之间的重合长度为OL,则每一个信号Xi,j被分割生成的短时信号xm,i,j的数量为m:
公式2:
其中[·]表示对式子取整,L表示信号Xi,j的长度,即数据点个数,WL为信号分割的窗长;
204)根据上述的参数WL、OL将信号Xi,j分割成m个信号xm,i,j,并与之对应m个标签ym,i,j;
205)固定i和m,取不同的j,把信号xm,i,j堆叠为信号(xj,l)m,i:
公式3:
206)与步骤205)中振动信号对应的故障类别的标签为ym,i:
公式4:ym,i=ym,i,1=ym,i,2=…=ym,i,j
其中l表示信号xm,i,j的长度,即数据点个数。
本发明进一步的改进在于,步骤3)的具体实现方法如下:
301)经过步骤2)产生m×i个故障信号数据(xj,l)m,i和故障类别ym,i,对信号数据(xj,l)m,i做标准化处理:
公式5:
其中μj,m,i表示均值,表示标准差,表示归一化之后的信号数据,ε=1×10-16,(xj,l)m,i表示标准化之前的信号数据,j表示测点位置,i表示故障类别,m表示样本;
为方便讨论,标准化之后的数据依然记为(xj,l)m,i;
302)取i=1,随机从m个(xj,l)m,1信号中取个信号作为训练集{(xj,l)m,1}train,同时从ym,i取出与之对应的标签{ym,1}train;取出个信号作为测试集{(xj,l)m,1}validation,同时从ym,i取出与之对应的标签{ym,1}validation;
303)取i=2,重复步骤302),直到i=i,将数据全部分为训练集和测试集。
本发明进一步的改进在于,步骤4)的具体实现方法如下:
401)输入层和隐藏层包含LSTM的记忆单元c、输入门i、遗忘门f及输出门o:
公式6:
输入向量xt对应一个测点j的(xj×l)m,i信号的分量xj×l,经过公式6之后得到输出值;其中,it,ft,ct,ot分别表示t时刻的输入门,遗忘门,记忆单元及输出门的向量值;θxi,θxf,θxc,θxo分别表示输入层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θhi,θhf,θhc,θho分别表示隐藏层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θci,θcf,θco分别表示记忆单元到输入门,遗忘门和输出门的权值矩阵;bi,bf,bc,bo分别表示输入门,遗忘门,记忆单元和输出门的偏置向量;ht表示t时刻隐层的状态值,tanh为双曲正切函数,·表示逐元素的乘法操作,σ为sigmoid函数;
402)全连接层将LSTM的输出作为输入向量,最后输出故障类别的概率分布:
公式7:y=Softmax(θd·x+bd)
其中x表示LSTM的输出,全连接层的输入向量,θd及bd为全连接层的权值和偏置值,y表示全连接层最后的输出,Softmax是激活函数。
本发明进一步的改进在于,步骤5)的具体实现方式如下:
501)损失函数为交叉熵损失函数:
公式8:
其中L(f(xi;θ),yi)是交叉损失函数,N为样本总数,i为样本的序号,f(xi;θ)为第i个样本经过网络之后的输出值,θ为网络的权值,yi为第i个样本的期望值;
502)采用经典的误差反向传播算法对网络进行训练学习;
503)训练过程首先利用Adam梯度下降算法优化10~20步,之后利用衰减学习速率的 SGD梯度下降算法完成对网络的训练,初始学习率设置为0.001,其后每20步衰减1个量级的学习速率。
本发明进一步的改进在于,步骤6)的具体实现方式如下:
601)从DCS中得到的电厂采集的汽轮机转子振动数据,利用步骤301)的方法,将振动信号数据处理为测试集数据{(xj,l)m,i}test;
602)将{(xj,l)m,i}test输入步骤503)训练之后的模型中,模型输出故障类别的概率分布,取概率最大值对应的故障类别作为故障诊断的结果。
本发明进一步的改进在于,步骤7)的具体实现方式如下:
701)按照步骤102)采集新增故障的信号,然后利用步骤2)和步骤3)的方法分别对新增故障信号数据做前处理和归一化,将处理之后的新增数据添加到原始的训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation中;
702)输入步骤701)的数据,首先设置1×10-8的小学习速率全网络训练5~10步,然后冻结除全连接层之外的所有网络,采用步骤503)的方法重新训练全连接层,最后激活全部网络层,利用测试集数据实现新增故障类别维护之后的转子故障诊断分析;
703)在汽轮机新的测量位置布控传感器,重复步骤701);
704)输入步骤701)的数据,利用702)训练之后的模型作为预训练模型,激活所有神经网络,利用衰减学习速率的SGD梯度下降算法完成对网络的训练;初始学习率设置为0.001,其后每20步衰减1个量级的学习速率,训练之后利用测试集数据实现布控新测点维护之后的转子故障诊断分析。
相较于现有技术,本发明保障了汽轮机转子故障信号的时序依赖性、故障特性提取并实现多测点信号数据融合、实现了故障诊断方法的维护,能够在不借助专家经验以及复杂信号处理技巧的前提下实现高精度的故障诊断。
进一步,本发明将多测点的一维振动信号数据重构成多维的振动信号数据,实现了多测点信号数据融合,有助于充分提取故障信号的特征。
进一步,本发明采用分割、堆叠技巧,实现对振动故障信号的数据增强,无需借助复杂的信号处理技巧,有助于向非专业人员推广。
进一步,本发明提供了一种多测点振动信号数据结合LSTM神经网络做故障检测的方法,有助于利用振动信号的时序依赖性,提高故障识别精度。
进一步,本发明结合汽轮机转子实际诊断任务,给出了一种诊断模型维护方法,能够在诊断现有转子故障的条件下,实现对新类型故障数据的诊断,无需专业知识。
进一步,本发明结合汽轮机转子实际诊断任务,给出了一种诊断模型维护方法,能够在现有测点的条件下,新增新测点采集数据,实现对新测点故障数据融合,实现灵活的汽轮机转子故障诊断,无需额外的诊断方法。
综上所述,本发明提供了一种多测点信号检测,且不借助专家经验以及复杂信号处理技巧,实现快速、高精度、可维护、便捷的故障诊断方法。
附图说明
图1为本发明一种基于LSTM的汽轮机转子故障诊断方法的流程示意图。
图2是本发明的多测点布控示意图。
图3(a)和(b)为本发明的故障信号前处理示意图。
图4为本发明的实施例示意图。
图中:201表示转子;202表示汽缸;203表示轴承;204表示汽缸外侧竖直方向的测点1;205表示汽缸外侧水平方向的测点2和3;206表示轴承水平方向的测点4;207表示轴承竖直方向的测点5;208表示轴承轴向的测点6;209表示轴承水平方向的测点7;210表示轴承竖直方向的测点8;211表示轴承轴向的测点9;212表示汽缸前段新增的测点10;213表示汽缸后段新增的测点11;1,2,…,j表示测点位置;L表示原始信号的长度;OL表示两个短时信号的重合长度;WL表示窗长;xm,i,j表示分割得到的短时信号,(xj,l)m,i表示堆叠重构之后的信号;其中m表示样本,i表示故障类型,j表示测点位置;l为信号xm,i,j的长度,大小等于窗长WL。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。在不脱离本发明上述思想的情况下,本发明的方法不仅适用于汽轮机转子故障诊断方法,同时可以根据实际问题推广至各种旋转机械转子的故障诊断。
如图1所示,本发明提供的一种基于LSTM的汽轮机转子故障诊断方法,包括以下7个步骤:
1、多测点采集故障信号:
典型汽轮机转子故障包括,转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障等。布控多测点,在同一采样率条件下,利用位移传感器获取汽轮机转子的各种故障信号Xi,j,该数据作为训练网络的训练集和测试集。从电厂的DCS 系统中,提取出转子的振动故障信号和正常信号作为验证集。在电厂中这类数据存储在DCS 系统中,直接从DCS系统中得到;每一个振动测点的数据Xi,j从相同时刻的统一采样率条件下获取;其中X表示故障的长时序信号,i表示第i类故障,j表示第j个振动测点,Xi,j包括正常转子的振动信号。
步骤1)的具体实现方法如下:
101)分别在汽轮机各个汽缸的中部水平和竖直的3个方向布置汽缸的测量测点,在汽轮机各个轴承处布置竖直和水平的2个方向布置测量测点;
102)设置固定的采样率f,利用位移传感器获取汽轮机转子的各种故障信号Xi,j,该数据作为训练网络的训练集和测试集;获取的故障数据是典型汽轮机转子故障,包括转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障;其中f 表示传感器的采样频率,Xi,j表示第i类故障在测点j的时序振动信号;
103)从电厂的DCS系统的数据库中,提取与上述101)测点相对应的振动信号作为后续步骤3)的验证集。
结合图2来做进一步说明。
如图2,在汽缸外侧中部布置了竖直和水平3个方向的测点;在两个轴承203上布置了总共6个测点。此外,在汽缸前段和后段各布置2个测点,则图中汽缸总共有11个测点采集汽轮机转子的振动信号。其中201表示转子,202表示汽缸,203表示轴承,204表示汽缸外侧竖直方向的测点1,205表示汽缸外侧水平方向的测点2和3,206表示轴承水平方向的测点4,207表示轴承竖直方向的测点5,208表示轴承轴向的测点6,209表示轴承水平方向的测点7,210表示轴承竖直方向的测点8,211表示轴承轴向的测点9,212表示汽缸前段新增的测点10,213表示汽缸后段新增的测点11。
2、故障信号前处理及多测点信号融合:
首先将每一种故障类别的信号做标记,记为Yi,j;将每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j,与之对应的故障类别的标签为ym,i,j;最后将同一个i和m下,不同位置j的xm,i,j重构成j行l列的高维信号(xj,l)m,i,与之对应的故障类别的标签为ym,i;其中xj,l表示j行l列的j维时序信号数据;其中Y表示故障类别,取0~i-1的整数;x表示分割之后的短时序信号,y表示故障类别,取0~i-1的整数,l表示振动信号的数据点个数,m 表示第m个样本信号,i表示第i类故障,j表示第j个振动测点。
步骤2)的具体实现方法如下:
201)将正常状态的振动信号,转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障振动信号分别标记为0,1,2……Yi,j;记录转子平均转速 n,其中Yi,j表示测点位置j的第i类故障的标签;
202)计算信号分割的窗长WL:
公式1:
其中[·]表示对式子f取整;
203)取窗与窗之间的重合长度为OL,则每一个信号Xi,j被分割生成的短时信号xm,i,j的数量为m:
公式2:
其中[·]表示对式子取整,L表示信号Xi,j的长度,即数据点个数,WL为信号分割的窗长;
204)根据上述的参数WL、OL将信号Xi,j分割成m个信号xm,i,j,并与之对应m个标签ym,i,j;
205)固定i和m,取不同的j,把信号xm,i,j堆叠为信号(xj,l)m,i:
公式3:
206)与步骤205)中振动信号对应的故障类别的标签为ym,i:
公式4:ym,i=ym,i,1=ym,i,2=…=ym,i,j
其中l表示信号xm,i,j的长度,即数据点个数。
结合图3来做进一步说明。
如图3(a),用窗长为WL的矩形窗截取信号Xi,j,得到不同的子信号xm,i,j,其中窗长由公式1确定,子信号个数m由公式2确定。
如图3(b),利用公式3,将上述的一维信号xm,i,j组合成多维信号(xj,l)m,i,其中(xj,l)是如图3(b)所示的多维信号,m和i分别表示样本和故障类型。
利用公式4得到与信号(xj,l)m,i对应的故障类别ym,i。
3、划分训练集、测试集和验证集并做标准化处理:
将上述的m×i个故障信号数据(xj,l)m,i和故障类别ym,i,按照训练集/测试集=4.0的比例,分为训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation。随机打乱训练集数据。验证集数据来源于电厂的DCS系统中的故障信号,并利用上述步骤2 中相同的处理方式,将故障信号处理为{(xj,l)m,i}test、{ym,i}test。从电厂的DCS系统中的故障信号,并利用上述步骤2)中相同的处理方式,将故障信号处理为{(xj,l)m,i}test。
步骤3)的具体实现方法如下:
301)经过步骤2)产生m×i个故障信号数据(xj,l)m,i和故障类别ym,i,对信号数据(xj,l)m,i做标准化处理:
公式5:
其中μj,m,i表示均值,表示标准差,表示归一化之后的信号数据,ε=1×10-16,(xj,l)m,i表示标准化之前的信号数据,j表示测点位置,i表示故障类别,m表示样本;
为方便讨论,标准化之后的数据依然记为(xj,l)m,i;
302)取i=1,随机从m个(xj,l)m,l信号中取个信号作为训练集{(xj,l)m,1}train,同时从ym,i取出与之对应的标签{ym,1}train;取出个信号作为测试集{(xj,l)m,1}validation,同时从ym,i取出与之对应的标签{ym,1}validation;
303)取i=2,重复步骤302),直到i=i,将数据全部分为训练集和测试集。
4、建构基于LSTM的神经网络:
LSTM网络和全连接层包括输入层、隐藏层和输出层。每一个训练数据信号{(xj,l)m,i}train通过LSTM层输出连接到一个全连接层,通过Softmax激活函数得到分布概率。
步骤4)的具体实现方法如下:
401)输入层和隐藏层包含LSTM的记忆单元c、输入门i、遗忘门f及输出门o:
公式6:
输入向量xt对应一个测点j的(xj×l)m,i信号的分量xj×l,经过公式6之后得到输出值;其中,it,ft,ct,ot分别表示t时刻的输入门,遗忘门,记忆单元及输出门的向量值;θxi,θxf,θxc,θxo分别表示输入层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θhi,θhf,θhc,θho分别表示隐藏层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θci,θcf,θco分别表示记忆单元到输入门,遗忘门和输出门的权值矩阵;bi,bf,bc,bo分别表示输入门,遗忘门,记忆单元和输出门的偏置向量;ht表示t时刻隐层的状态值,tanh为双曲正切函数,·表示逐元素的乘法操作,σ为sigmoid函数;
402)全连接层将LSTM的输出作为输入向量,最后输出故障类别的概率分布:
公式7:y=Softmax(θd·x+bd)
其中x表示LSTM的输出,全连接层的输入向量,θd及bd为全连接层的权值和偏置值,y表示全连接层最后的输出,Softmax是激活函数。
5、训练网络:
通过Adam梯度下降算法和SGD梯度下降算法,设置可变学习率优化交叉损失函数来训练网络。结合汽轮机转子故障诊断的实际问可以分为以下3种的训练方法:
①对于初始训练,所有神经网络都训练,通过Adam梯度下降算法和SGD梯度下降算法,设置可变学习率优化交叉损失函数来训练网络;
②当需要增加新类别作为训练数据的时候,在①训练结果的前提下,对LSTM网络的主体结构设置小学习率进行学习,然后冻结除全连接层之外的所有神经网络层,重新训练最后的全连接层;
③当需要布控新测点时,利用①的训练结果作为预训练模型,激活所有神经网络,设置可变学习率优化交叉损失函数来训练网络。
步骤5)的具体实现方式如下:
501)损失函数为交叉熵损失函数:
公式8:
其中L(f(xi;θ),yi)是交叉损失函数,N为样本总数,i为样本的序号,f(xi;θ)为第i个样本经过网络之后的输出值,θ为网络的权值,yi为第i个样本的期望值;
502)采用经典的误差反向传播算法(Back Propagation,BP)对网络进行训练学习;
503)训练过程首先利用Adam梯度下降算法优化10~20步,之后利用衰减学习速率的 SGD梯度下降算法完成对网络的训练,初始学习率设置为0.001,其后每20步衰减1个量级的学习速率。
6、故障诊断:
利用测试集数据{(xj,l)m,i}test进行汽轮机转子故障诊断分析。
步骤6)的具体实现方式如下:
601)从DCS中得到的电厂采集的汽轮机转子振动数据,利用步骤301)的方法,将振动信号数据处理为测试集数据{(xj,l)m,i}test;
602)将{(xj,l)m,i}test输入步骤503)训练之后的模型中,模型输出故障类别的概率分布,取概率最大值对应的故障类别作为故障诊断的结果。
7、模型维护:
当需要分析新的故障类别,如油膜失稳故障、转子松动以及各种故障复合而成的复合故障时,按照步骤1中采集数据的方式,新增故障信号的采集;然后按照步骤2的方式对新增信号做前处理及多测点信号融合;接着按照步骤做新增信号数据的标准化处理并划分数据集;最后按照步骤5训练新增信号数据。
当需要增加测点时,如图2在轴承处增加轴向测点,如在轴承处增加轴向测点,在汽缸的前端或者后端布控新测点,按照步骤2对信号做前处理和信号融合,然后按照步骤3做新信号数据的标准化处理并划分数据集,最后按照步骤5训练新信号数据。
步骤7)的具体实现方式如下:
701)按照步骤102)采集新增故障的信号,然后利用步骤2)和步骤3)的方法分别对新增故障信号数据做前处理和归一化,将处理之后的新增数据添加到原始的训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation中;
702)输入步骤701)的数据,首先设置1×10-8的小学习速率全网络训练5~10步,然后冻结除全连接层之外的所有网络,采用步骤503)的方法重新训练全连接层,最后激活全部网络层,利用测试集数据实现新增故障类别维护之后的转子故障诊断分析;
703)在汽轮机新的测量位置布控传感器,重复步骤701);
704)输入步骤701)的数据,利用702)训练之后的模型作为预训练模型,激活所有神经网络,利用衰减学习速率的SGD梯度下降算法完成对网络的训练;初始学习率设置为0.001,其后每20步衰减1个量级的学习速率,训练之后利用测试集数据实现布控新测点维护之后的转子故障诊断分析。
下面结合实施例对本发明提供的基于LSTM的汽轮机转子故障诊断方法进行具体说明。
实施例一:
如图4所示,根据本发明的方法,首先给出4种汽轮机转子典型故障的振动信号。共有两组不同的仿真信号,信噪比均为-3。仿真信号采样频率是12000。转子转速为3000rpm。分割信号的窗长为2048。每个故障信号可以划分出685个样本量的训练集。其中一组仿真通过前处理作为训练集,另一组仿真信号期前处理之后作为测试集。
搭建一个含一个全连接层的LSTM神经网络,设置初始学习率0.001,每30步减少一个量级的学习率,最终学习率为0.00001。
表1是本发明的模型在测试集上诊断的混淆矩阵,从混淆矩阵的结果可以发现,对角元素值远远大于其他位置的元素值,说明本发明对典型汽轮机转子故障具有很高的诊断精度,在信噪比很低的条件下,总体准确率依旧可达到94.4%。
Claims (9)
1.一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,包括以下步骤:
1)、多测点采集故障信号:
在汽轮机的各个汽缸、各个轴承处布置测点,利用位移传感器采集汽轮机转子各种典型振动故障下的振动数据;需要采集的故障数据包括,正常状态的振动信号、转子裂纹故障信号、转子不平衡故障信号、转子不对中故障信号以及转子碰摩故障信号;
在电厂中这类数据存储在DCS系统中,直接从DCS系统中得到;每一个振动测点的数据Xi,j从相同时刻的统一采样率条件下获取;其中X表示故障的长时序信号,i表示第i类故障,j表示第j个振动测点,Xi,j包括正常转子的振动信号;
2)、故障信号前处理及多测点信号融合:
首先将每一种故障类别的信号做标记,记为Yi,j;将每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j,与之对应的故障类别的标签为ym,i,j;最后将同一个i和m下,不同位置j的xm,i,j重构成j行l列的高维信号(xj,l)m,i,与之对应的故障类别的标签为ym,i;其中xj,l表示j行l列的j维时序信号数据;其中Y表示故障类别,取0~i-1的整数;x表示分割之后的短时序信号,y表示故障类别,取0~i-1的整数,l表示振动信号的数据点个数,m表示第m个样本信号,i表示第i类故障,j表示第j个振动测点;
3)、数据标准化处理、划分训练集和验证集:
首先将上述的m×i个故障信号数据(xj,l)m,i和故障类别ym,i做标准化处理,然后按照训练集/验证集=4.0的比例,分为训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation,随机打乱训练集数据;
从电厂的DCS系统中的故障信号,并利用上述步骤2)中相同的处理方式,将故障信号处理为{(xj,l)m,i}test;
4)、建构基于LSTM的神经网络:
整个神经网络包含LSTM网络的主体结构以及最后的全连接层,每一个训练数据信号{(xj,l)m,i}train通过LSTM网络的主体结构输出连接到一个全连接层,通过Softmax激活函数得到诊断类型的分布概率;
5)、训练网络:
结合汽轮机转子故障诊断的实际问可以分为以下3种的训练方法:
①对于初始训练,所有神经网络都训练,通过Adam梯度下降算法和SGD梯度下降算法,设置可变学习率优化交叉损失函数来训练网络;
②当需要增加新类别作为训练数据的时候,在①训练结果的前提下,对LSTM网络的主体结构设置小学习率进行学习,然后冻结除全连接层之外的所有神经网络层,重新训练最后的全连接层;
③当需要布控新测点时,利用①的训练结果作为预训练模型,激活所有神经网络,设置可变学习率优化交叉损失函数来训练网络;
6)故障诊断分析:
输入从DCS中得到的电厂测试集数据{(xj,l)m,i}test,算法输出该信号的故障类别。
2.根据权利要求1所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,还包括以下步骤:
7)算法维护:
实际过程中,当需要分析新的故障类别,按照步骤1)中采集数据的方式,新增故障信号的采集;然后按照步骤2)的方式对新增信号做前处理及多测点信号融合;接着按照步骤3)做新增信号数据的标准化处理并划分数据集;最后按照步骤5)中训练方式②做新增信号数据的训练;
在实际过程中,当需要增加测点时,在汽缸的前端或者后端布控新测点,按照步骤2)对信号做前处理和信号融合,然后按照步骤3)做新信号数据的标准化处理并划分数据集,最后按照步骤5)中训练方式③做新信号数据的训练。
3.根据权利要求2所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤1)的具体实现方法如下:
101)分别在汽轮机各个汽缸的中部水平和竖直的3个方向布置汽缸的测量测点,在汽轮机各个轴承处布置竖直和水平的2个方向布置测量测点;
102)设置固定的采样率f,利用位移传感器获取汽轮机转子的各种故障信号Xi,j,该数据作为训练网络的训练集和测试集;获取的故障数据是典型汽轮机转子故障,包括转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障;其中f表示传感器的采样频率,Xi,j表示第i类故障在测点j的时序振动信号;
103)从电厂的DCS系统的数据库中,提取与上述101)测点相对应的振动信号作为后续步骤3)的验证集。
4.根据权利要求3所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤2)的具体实现方法如下:
201)将正常状态的振动信号,转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障振动信号分别标记为0,1,2……Yi,j;记录转子平均转速n,其中Yi,j表示测点位置j的第i类故障的标签;
202)计算信号分割的窗长WL:
公式1:
其中[·]表示对式子取整;
203)取窗与窗之间的重合长度为OL,则每一个信号Xi,j被分割生成的短时信号xm,i,j的
数量为m:
公式2:
其中[·]表示对式子取整,L表示信号Xi,j的长度,即数据点个数,WL为信号分割的窗长;
204)根据上述的参数WL、OL将信号Xi,j分割成m个信号xm,i,j,并与之对应m个标签ym,i,j;
205)固定i和m,取不同的j,把信号xm,i,j堆叠为信号(xj,l)m,i:
公式3:
206)与步骤205)中振动信号对应的故障类别的标签为ym,i:
公式4:ym,i=ym,i,1=ym,i,2=…=ym,i,j
其中l表示信号xm,i,j的长度,即数据点个数。
5.根据权利要求4所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤3)的具体实现方法如下:
301)经过步骤2)产生m×i个故障信号数据(xj,l)m,i和故障类别ym,i,对信号数据(xj,l)m,i做标准化处理:
公式5:
其中μj,m,i表示均值,表示标准差,表示归一化之后的信号数据,ε=1×10-16,(xj,l)m,i表示标准化之前的信号数据,j表示测点位置,i表示故障类别,m表示样本;
为方便讨论,标准化之后的数据依然记为(xj,l)m,i;
302)取i=1,随机从m个(xj,l)m,1信号中取个信号作为训练集{(xj,l)m,1}train,同时从ym,i取出与之对应的标签{ym,1}train;取出个信号作为测试集{(xj,l)m,1}validation,同时从ym,i取出与之对应的标签{ym,1}validation;
303)取i=2,重复步骤302),直到i=i,将数据全部分为训练集和测试集。
6.根据权利要求5所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤4)的具体实现方法如下:
401)输入层和隐藏层包含LSTM的记忆单元c、输入门i、遗忘门f及输出门o:
公式6:
输入向量xt对应一个测点j的(xj×l)m,i信号的分量xj×l,经过公式6之后得到输出值;其中,it,ft,ct,ot分别表示t时刻的输入门,遗忘门,记忆单元及输出门的向量值;θxi,θxf,θxc,θxo分别表示输入层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θhi,θhf,θhc,θho分别表示隐藏层到输入门,遗忘门,记忆单元和输出门的权值矩阵;θci,θcf,θco分别表示记忆单元到输入门,遗忘门和输出门的权值矩阵;bi,bf,bc,bo分别表示输入门,遗忘门,记忆单元和输出门的偏置向量;ht表示t时刻隐层的状态值,tanh为双曲正切函数,·表示逐元素的乘法操作,σ为sigmoid函数;
402)全连接层将LSTM的输出作为输入向量,最后输出故障类别的概率分布:
公式7:y=Softmax(θd·x+bd)
其中x表示LSTM的输出,全连接层的输入向量,θd及bd为全连接层的权值和偏置值,y表示全连接层最后的输出,Softmax是激活函数。
7.根据权利要求6所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤5)的具体实现方式如下:
501)损失函数为交叉熵损失函数:
公式8:
其中L(f(xi;θ),yi)是交叉损失函数,N为样本总数,i为样本的序号,f(xi;θ)为第i个样本经过网络之后的输出值,θ为网络的权值,yi为第i个样本的期望值;
502)采用经典的误差反向传播算法对网络进行训练学习;
503)训练过程首先利用Adam梯度下降算法优化10~20步,之后利用衰减学习速率的SGD梯度下降算法完成对网络的训练,初始学习率设置为0.001,其后每20步衰减1个量级的学习速率。
8.根据权利要求7所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤6)的具体实现方式如下:
601)从DCS中得到的电厂采集的汽轮机转子振动数据,利用步骤301)的方法,将振动信号数据处理为测试集数据{(xj,l)m,i}test;
602)将{(xj,l)m,i}test输入步骤503)训练之后的模型中,模型输出故障类别的概率分布,取概率最大值对应的故障类别作为故障诊断的结果。
9.根据权利要求8所述的一种基于LSTM的汽轮机转子故障诊断方法,其特征在于,步骤7)的具体实现方式如下:
701)按照步骤102)采集新增故障的信号,然后利用步骤2)和步骤3)的方法分别对新增故障信号数据做前处理和归一化,将处理之后的新增数据添加到原始的训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation中;
702)输入步骤701)的数据,首先设置1×10-8的小学习速率全网络训练5~10步,然后冻结除全连接层之外的所有网络,采用步骤503)的方法重新训练全连接层,最后激活全部网络层,利用测试集数据实现新增故障类别维护之后的转子故障诊断分析;
703)在汽轮机新的测量位置布控传感器,重复步骤701);
704)输入步骤701)的数据,利用702)训练之后的模型作为预训练模型,激活所有神经网络,利用衰减学习速率的SGD梯度下降算法完成对网络的训练;初始学习率设置为0.001,其后每20步衰减1个量级的学习速率,训练之后利用测试集数据实现布控新测点维护之后的转子故障诊断分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564600.5A CN109555566B (zh) | 2018-12-20 | 2018-12-20 | 一种基于lstm的汽轮机转子故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564600.5A CN109555566B (zh) | 2018-12-20 | 2018-12-20 | 一种基于lstm的汽轮机转子故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109555566A true CN109555566A (zh) | 2019-04-02 |
CN109555566B CN109555566B (zh) | 2021-04-20 |
Family
ID=65870556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564600.5A Active CN109555566B (zh) | 2018-12-20 | 2018-12-20 | 一种基于lstm的汽轮机转子故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109555566B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
CN109583346A (zh) * | 2018-11-21 | 2019-04-05 | 齐鲁工业大学 | 基于lstm-fc的脑电信号特征提取与分类识别方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN110633750A (zh) * | 2019-09-17 | 2019-12-31 | 中国石化销售有限公司华南分公司 | 一种基于lstm模型的电动阀门故障检测方法 |
CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
CN111367253A (zh) * | 2020-02-18 | 2020-07-03 | 清华大学 | 基于局部自适应标准化的化工系统多工况故障检测方法 |
CN111753876A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN111764974A (zh) * | 2020-07-08 | 2020-10-13 | 山东核电有限公司 | 一种基于矩阵表的ap1000汽轮机停机保护逻辑的测试方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112052902A (zh) * | 2020-04-16 | 2020-12-08 | 北京信息科技大学 | 滚动轴承故障诊断方法、系统、计算机程序及存储介质 |
CN112464563A (zh) * | 2020-11-27 | 2021-03-09 | 河北建设投资集团有限责任公司 | 一种蒸汽涡轮机故障诊断的数据挖掘方法 |
CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01138304A (ja) * | 1987-11-24 | 1989-05-31 | Mitsubishi Heavy Ind Ltd | 蒸気タービン低圧ロータの振動予測装置 |
GB2485048A (en) * | 2010-10-27 | 2012-05-02 | Gen Electric | Detecting bearing thermal anomalies |
US20160348533A1 (en) * | 2012-11-02 | 2016-12-01 | Pratt & Whitney Canada Corp. | Rotor resonance disturbance rejection controller |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
-
2018
- 2018-12-20 CN CN201811564600.5A patent/CN109555566B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01138304A (ja) * | 1987-11-24 | 1989-05-31 | Mitsubishi Heavy Ind Ltd | 蒸気タービン低圧ロータの振動予測装置 |
GB2485048A (en) * | 2010-10-27 | 2012-05-02 | Gen Electric | Detecting bearing thermal anomalies |
US20160348533A1 (en) * | 2012-11-02 | 2016-12-01 | Pratt & Whitney Canada Corp. | Rotor resonance disturbance rejection controller |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
CN109583346A (zh) * | 2018-11-21 | 2019-04-05 | 齐鲁工业大学 | 基于lstm-fc的脑电信号特征提取与分类识别方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110263846B (zh) * | 2019-06-18 | 2021-12-28 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
CN110441065A (zh) * | 2019-07-04 | 2019-11-12 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110441065B (zh) * | 2019-07-04 | 2022-02-08 | 杭州华电江东热电有限公司 | 基于lstm的燃气轮机在线检测方法与装置 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
CN110633750A (zh) * | 2019-09-17 | 2019-12-31 | 中国石化销售有限公司华南分公司 | 一种基于lstm模型的电动阀门故障检测方法 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN111367253A (zh) * | 2020-02-18 | 2020-07-03 | 清华大学 | 基于局部自适应标准化的化工系统多工况故障检测方法 |
CN112052902A (zh) * | 2020-04-16 | 2020-12-08 | 北京信息科技大学 | 滚动轴承故障诊断方法、系统、计算机程序及存储介质 |
CN112052902B (zh) * | 2020-04-16 | 2023-05-23 | 北京信息科技大学 | 滚动轴承故障诊断方法、系统、计算机程序及存储介质 |
CN111753876A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN111753876B (zh) * | 2020-05-19 | 2024-03-12 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络的产品质量检测方法 |
CN111353482B (zh) * | 2020-05-25 | 2020-12-08 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
CN111764974A (zh) * | 2020-07-08 | 2020-10-13 | 山东核电有限公司 | 一种基于矩阵表的ap1000汽轮机停机保护逻辑的测试方法 |
CN111764974B (zh) * | 2020-07-08 | 2023-02-17 | 山东核电有限公司 | 一种基于矩阵表的ap1000汽轮机停机保护逻辑的测试方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112464563A (zh) * | 2020-11-27 | 2021-03-09 | 河北建设投资集团有限责任公司 | 一种蒸汽涡轮机故障诊断的数据挖掘方法 |
CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
CN113624466B (zh) * | 2021-07-08 | 2023-10-03 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109555566B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109555566A (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
Li et al. | Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine | |
Ai et al. | Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance | |
CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
CN109740523A (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN110207997A (zh) | 基于卷积自编码器的液体火箭发动机故障检测方法 | |
CN108363382A (zh) | 一种复杂装备故障诊断方法及系统 | |
CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN107247231A (zh) | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 | |
CN107316057A (zh) | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
CN113485302A (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN105094118A (zh) | 一种飞机发动机压气机失速故障检测方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN110348468A (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
CN113327632A (zh) | 一种基于字典学习的无监督异常声检测方法和装置 | |
Huang et al. | Structure damage detection based on ensemble learning | |
Liu et al. | Improving anomaly detection fusion method of rotating machinery based on ANN and isolation forest | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
Xiao et al. | A new fault feature extraction method of rolling bearings based on the improved self-selection ICEEMDAN-permutation entropy | |
Li et al. | The Application of AE Signal in Early Cracked Rotor Fault Diagnosis with PWVD and SVM. | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
Liang et al. | Late breaking results: Test selection for RTL coverage by unsupervised learning from fast functional simulation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |