CN110046409B - 一种基于ResNet的汽轮机部件健康状态评估方法 - Google Patents

一种基于ResNet的汽轮机部件健康状态评估方法 Download PDF

Info

Publication number
CN110046409B
CN110046409B CN201910251165.9A CN201910251165A CN110046409B CN 110046409 B CN110046409 B CN 110046409B CN 201910251165 A CN201910251165 A CN 201910251165A CN 110046409 B CN110046409 B CN 110046409B
Authority
CN
China
Prior art keywords
steam turbine
fault
resnet
component
task
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.)
Active
Application number
CN201910251165.9A
Other languages
English (en)
Other versions
CN110046409A (zh
Inventor
谢永慧
孙磊
刘天源
张荻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910251165.9A priority Critical patent/CN110046409B/zh
Publication of CN110046409A publication Critical patent/CN110046409A/zh
Application granted granted Critical
Publication of CN110046409B publication Critical patent/CN110046409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于ResNet的汽轮机部件健康状态评估方法，包括：进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；通过评估模型实现汽轮机部件健康状态评估。本发明采用多任务学习机制，能够同时判别汽轮机故障类型及健康程度，且准确率高。

Description

一种基于ResNet的汽轮机部件健康状态评估方法
技术领域
本发明属于工业机械监控及故障诊断领域，涉及汽轮机部件健康状态评估方法，特别涉及一种基于ResNet(Residual Neural Network，剩余神经网络)的汽轮机部件健康状态评估方法。
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，其主要部件包括转子、叶片、气缸等，而转子及叶片作为重要部件，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。汽轮机转子故障包括转子裂纹、不平衡、不对中、碰摩、油膜失稳以及松动等；而汽轮机叶片故障包括冲刷汽蚀、锈蚀、裂纹、断落以及断裂扭弯等。汽轮发电机组的故障还包括由上述故障复合而成的复合故障等，具有复杂性。因此，对于汽轮发电机组的故障诊断及寿命预测的关键在于转子及叶片的健康状态评估，包括具体故障诊断及剩余可用寿命预估，其实现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。
目前对于健康状态评估的问题，传统的方法大多采用多元统计过程监控技术，主要包括主元分析、最小二乘估计、独立成分分析等等；但这些方法假设变量之间的关系是线性的，这与实际情况不符。而核方法的引入则会使得计算量急剧增加，从而影响计算精度。此外，专家经验等方法需要寿命预测的相关专业知识、复杂的机理分析，依赖性高且经验性强，不利于推广使用。
综上，亟需一种新的汽轮机部件健康状态评估方法。
发明内容
本发明的目的在于提供一种基于ResNet的汽轮机部件健康状态评估方法，以解决现有方法中需要借助专家经验或模型简化过度导致诊断效率低下，预测精度差，不利于工业推广等问题。本发明的方法采用多任务学习机制，能够同时判别汽轮机故障类型及健康程度，并且准确率高。
为达到上述目的，本发明采用以下技术方案：
一种基于ResNet的汽轮机部件健康状态评估方法，包括以下步骤：
S1，进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；
S2，将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；
S3，将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；
S4，采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；
S5，通过步骤S4获得的评估模型获得汽轮机部件的故障类型及剩余可用寿命，完成待评估汽轮机部件健康状态评估。
本发明的进一步改进在于，汽轮机部件为汽轮机叶片；
步骤S1中，对汽轮机叶片进行模拟实验，在叶片所处缸体内、轴承处布置多个测点，通过实验采集汽轮机叶片在正常工况下的振动信号以及各预设故障时的故障振动信号；
预设故障包括：扭歪、失协和激振中的一种或多种。
本发明的进一步改进在于，汽轮机部件为汽轮机转子；对汽轮机转子进行模拟实验，在汽轮机的各个汽缸、各个轴承处布置测点，通过实验采集汽轮机转子在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：裂纹、不平衡和碰摩中的一种或多种。
本发明的进一步改进在于，步骤S2具体包括：Xi,j表示部件故障的长时序信号，i表示部件的第i类故障，j表示监控部件的第j个振动测点，对应的标签信息包括故障类型Fi及剩余可用寿命Ri；其中，X0,j表示部件运行正常时在第j个振动测点所测出的振动信号。
本发明的进一步改进在于，步骤S3中，将采集获得的每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j，与之对应的标签分别为故障类型Fm,i,j和剩余可用寿命Rm,i,j；然后对m×i个故障信号数据(xj,l)m,i及其标签做归一化处理；划分获得训练集数据为{(xj,l)m,i}train、{Fm,i}train、{Rm,i}train，验证集数据为{(xj,l)m,i}validation、{Fm,i}validation、{Rm,i}validation。
本发明的进一步改进在于，步骤S4中，基于ResNet的多任务学习神经网络模型包括：ResNet神经网络以及最后的全连接层；每一个训练数据信号通过依次连接的网络层和全连接层，最后通过Softmax函数进行故障类型分类，通过Sigmiod函数进行剩余可用寿命回归。
本发明的进一步改进在于，步骤S4中，训练过程中损失函数的定义为：
L＝αFLF+αRLR
式中，L是总损失，LF是进行故障分类任务的损失函数，αF是进行故障分类任务的权重；LR是进行部件健康程度识别任务的损失函数，αR是进行部件健康程度识别任务的权重，两个权重的和为1。
本发明的进一步改进在于，步骤S4中，自适应更新网络学习率的策略具体包括：计算验证集上两个分类任务各自的误差，当某一任务上的训练集误差连续多次迭代不出现明显更新时，降低该任务的全连接层的学习率，保持或增大ResNet神经网络及另一任务全连接层的学习率，直至该任务的验证集误差明显更新时，恢复该任务的学习率。
本发明的进一步改进在于，步骤S4中，训练集误差连续多次迭代不出现明显更新具体指连续k次波动率小于1％；验证集误差明显更新具体指与上一次迭代波动率大于5％。
本发明的进一步改进在于，步骤S5具体包括：将来源于电厂的DCS系统中的故障信号按照步骤S3的方式处理后，输入评估模型，实现汽轮机部件健康状态评估方法。
与现有技术相比，本发明具有以下有益效果：
本发明的评估方法不借助相关专业知识和复杂机理分析，是一种实现快速、高精度、便捷的汽轮机部件健康状态评估方法。本发明的方法基于多任务学习ResNet卷积神经网络，依靠自适应更新网络学习率的策略进行网络训练，能够实现对汽轮机部件的健康状态评估，可用于汽轮发电机组的故障诊断及寿命预测，保障汽轮发电机组安全运行。本发明的评估方法能够获得出现故障部件的故障类型，可提高检修处理的效率及针对性，能够降低检修成本；能够预测部件的剩余使用寿命，可避免部件突然失效，保证汽轮机安全运行；获得的结果可为汽轮机的检修及实际使用提供理论指导。本发明的方法计算速度快、计算精度高，工程应用不需要进行复杂的机理分析及丰富的专业经验，能够端对端地实现从监控数据到汽轮机部件的部件健康状态评估。
具体体现在：
(1)基于本方法可进行汽轮机部件的部件健康状态评估，不需要对振动信号进行复杂的处理，有助于推广应用；
(2)本发明所采用的ResNet卷积神经网络具有计算速度快、计算精度高等特点，能够提升部件健康状态评估的准确性与实用性，且经过处理后的信号数据能够很好的匹配网络结构，实现对信号的准确识别；
(3)本发明所使用的多任务学习机制及自适应更新网络学习率策略能够极大地减少网络学习的计算空间并提升训练效率。
附图说明
图1是本发明实施例的一种基于ResNet的汽轮机部件健康状态评估方法的流程示意框图；
图2是本发明的评估方法中构建的ResNet神经网络模型的结构示意框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细解释说明。在不脱离本发明思想的情况下，本发明的方法不仅适用于汽轮机部件的健康状态评估，同时可以根据实际问题推广至各种旋转机械的健康状态评估。
请参阅图1，本发明实施例的一种基于多任务学习ResNet的汽轮机部件健康状态评估方法，包括以下步骤：
1、多测点采集故障信号，即进行部件模拟实验并采集信号。
进行汽轮机部件的模拟实验，并基于实验系统内的多个测点进行数据采集。
具体为，对汽轮机叶片及转子进行模拟实验，同时在在汽轮机的各个汽缸、各个轴承处布置测点，利用位移、压力等传感器，通过实验采集汽轮机转子及叶片在各种典型故障及正常工况下的振动数据。其中，需要采集的故障数据包括，正常状态的振动信号及各典型故障的信号如转子出现的裂纹、不平衡、碰摩等故障、叶片出现的扭歪、失协、激振等故障。
振动数据采集的具体过程为，针对汽轮机转子，需要在各汽缸、各轴承处布置多个位移、压力传感器，采集汽轮机转子在裂纹、不平衡、碰摩等故障以及正常情况下的振动信号；针对汽轮机叶片，需要在叶片所处缸体内、轴承处布置多个位移、压力传感器，采集汽轮机叶片在扭歪、失协、激振等故障以及正常情况下的振动信号。
对采集出的振动数据进行标注，标注内容包括信号所处的故障类型及根据模拟实验计算得出的部件剩余可用寿命。获得的各测点的数据描述如下：Xi,j表示部件故障的长时序信号，i表示部件的第i类故障，j表示监控部件的第j个振动测点，X0,j表示部件运行正常时在第j个振动测点所测出的振动信号，对应的标签信息包括故障类型Fi及剩余可用寿命Ri。
2、故障信号处理，划分训练集和验证集并做归一化处理。
将采集到的每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j，与之对应的标签分别为故障类型Fm,i,j和剩余可用寿命Rm,i,j。然后对m×i个故障信号数据(xj,l)m,i和其标签做归一化处理，归一化处理方法如下：
Figure BDA0002012450980000061
Figure BDA0002012450980000062
Figure BDA0002012450980000063
其中μj,m,i表示均值，
Figure BDA0002012450980000064
表示标准差，
Figure BDA0002012450980000065
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。(在后续讨论中，以(xj,l)m,i表示归一化操作完成的信号数据)。
最后按照训练集/验证集＝5.0的比例进行划分，获得训练集数据{(xj,l)m,i}train、{Fm,i}train、{Rm,i}train和验证集数据{(xj,l)m,i}validation、{Fm,i}validation、{Rm,i}validation，并随机打乱训练集数据。
3、建构基于多任务学习的ResNet神经网络。
请参阅图2，创建的神经网络结构可以如图2所示，使用ResNet神经网络从输入信号簇中分层提取特征。整个神经网络包含ResNet神经网络以及最后的全连接层。每一个训练数据信号{(xj,l)m,i}train通过依次连接的网络层与全连接层，最后通过Softmax函数进行故障类型分类，Sigmiod函数进行剩余可用寿命回归。
举例一个详细的网络结构参数(卷积层参数分别为：input,output,kernel,stride,padding)：
Figure BDA0002012450980000071
Figure BDA0002012450980000081
Figure BDA0002012450980000091
通过这一网络可以得到故障类型分类任务的分布概率和剩余可用寿命的回归预测输出。
4、通过训练集训练构建的网络，使用构建好的多任务学习卷积神经网络对提取出的信号数据进行部件故障及健康程度学习训练。
训练过程中损失函数的定义为：
L＝αFLF+αRLR
式中，L是总损失，LF是进行故障分类任务的损失函数，αF是进行故障分类任务的权重；LR是进行部件健康程度识别任务的损失函数，αR是进行部件健康程度识别任务的权重；两个权重的和为1，可分别设置为0.5。以这一损失函数为优化目标进行网络训练。
在网络训练过程中采用自适应更新网络学习率的策略，具体方法为计算验证集上两个分类任务各自的误差，当某一任务上的训练集误差连续多次迭代不出现明显更新时(连续k次波动率小于1％)，降低该任务的全连接层的学习率，保持或增大ResNet神经网络及另一任务全连接层的学习率。直至该任务的验证集误差明显更新时(与上一次迭代波动率大于5％)，恢复该任务的学习率。
当某一类别需要增加新类别作为训练数据的时候，在已有训练结果的前提下，对ResNet神经网络的主体结构设置小学习率进行学习，然后冻结除该任务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。
5、部件健康状态评估及故障诊断。
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，输入从DCS中得到的实际电厂测试集数据{(xj,l)m,i}test，根据已经训练好的神经网络输出该信号的故障类别及具备的剩余可用寿命，进行汽轮机部件健康状态评估。
综上所述，健康状态评估的本质就是数据挖掘的分类和回归问题，而人工智能算法的实现不需要用户具有很丰富的先验知识，可以从数据中直接挖掘故障特征，且最终的模型具有体积小、速度快、可迁移性强的特点，适合应用于汽轮机故障诊断及健康程度预估。为了检测和识别汽轮机转子及叶片故障，保障汽轮发电机组安全运行，本发明提出一种基于多任务学习ResNet的汽轮机部件健康状态评估方法，首先在对汽轮机部件进行模拟实验，同时布置多测点采集故障信号并添加故障类型及剩余可用寿命标签。其次将采集数据划分训练集、验证集并做归一化处理。接着架构基于多任务学习的ResNet神经网络，采用自适应更新网络学习率的策略对训练集和验证集进行网络训练，最后结合实际诊断任务，并最终对来源于电厂的DCS系统中的故障信号进行汽轮机部件故障诊断和剩余可用寿命预估，实现汽轮机部件的健康状态评估。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，包括以下步骤：
S1，进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；
S2，将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；
S3，将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；
S4，采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；
S5，通过步骤S4获得的评估模型获得汽轮机部件的故障类型及剩余可用寿命，完成待评估汽轮机部件健康状态评估；
汽轮机部件包括汽轮机叶片；步骤S1中，对汽轮机叶片进行模拟实验，在叶片所处缸体内、轴承处布置多个测点，通过实验采集汽轮机叶片在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：扭歪、失协和激振中的一种或多种；
汽轮机部件包括汽轮机转子；对汽轮机转子进行模拟实验，在汽轮机的各个汽缸、各个轴承处布置测点，通过实验采集汽轮机转子在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：裂纹、不平衡和碰摩中的一种或多种；
步骤S4中，基于ResNet的多任务学习神经网络模型包括：ResNet神经网络以及最后的全连接层；每一个训练数据信号通过依次连接的网络层和全连接层，最后通过Softmax函数进行故障类型分类，通过Sigmiod函数进行剩余可用寿命回归。
2.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S2具体包括：Xi,j表示部件故障的长时序信号，i表示部件的第i类故障，j表示监控部件的第j个振动测点，对应的标签信息包括故障类型Fi及剩余可用寿命Ri；其中，X0,j表示部件运行正常时在第j个振动测点所测出的振动信号。
3.根据权利要求2所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S3中，将采集获得的每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j，与之对应的标签分别为故障类型Fm,i,j和剩余可用寿命Rm,i,j；然后对m×i个故障信号数据(xj,l)m,i及其标签做归一化处理；划分获得训练集数据为{(xj,l)m,i}train、{Fm,i}train、{Rm,i}train，验证集数据为{(xj,l)m,i}validation、{Fm,i}validation、{Rm,i}validation。
4.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，训练过程中损失函数的定义为：
L＝αFLF+αRLR
式中，L是总损失，LF是进行故障分类任务的损失函数，αF是进行故障分类任务的权重；LR是进行部件健康程度识别任务的损失函数，αR是进行部件健康程度识别任务的权重，两个权重的和为1。
5.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，自适应更新网络学习率的策略具体包括：计算验证集上两个分类任务各自的误差，当某一任务上的训练集误差连续多次迭代不出现明显更新时，降低该任务的全连接层的学习率，保持或增大ResNet神经网络及另一任务全连接层的学习率，直至该任务的验证集误差明显更新时，恢复该任务的学习率。
6.根据权利要求5所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，训练集误差连续多次迭代不出现明显更新具体指连续k次波动率小于1％；验证集误差明显更新具体指与上一次迭代波动率大于5％。
7.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S5具体包括：
将来源于电厂的DCS系统中的故障信号按照步骤S3的方式处理后，输入评估模型，实现汽轮机部件健康状态评估方法。
CN201910251165.9A 2019-03-29 2019-03-29 一种基于ResNet的汽轮机部件健康状态评估方法 Active CN110046409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910251165.9A CN110046409B (zh) 2019-03-29 2019-03-29 一种基于ResNet的汽轮机部件健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910251165.9A CN110046409B (zh) 2019-03-29 2019-03-29 一种基于ResNet的汽轮机部件健康状态评估方法

Publications (2)

Publication Number Publication Date
CN110046409A CN110046409A (zh) 2019-07-23
CN110046409B true CN110046409B (zh) 2020-10-27

Family

ID=67275689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910251165.9A Active CN110046409B (zh) 2019-03-29 2019-03-29 一种基于ResNet的汽轮机部件健康状态评估方法

Country Status (1)

Country Link
CN (1) CN110046409B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111618655B (zh) * 2019-11-29 2021-12-28 东莞先知大数据有限公司 一种数控机床滚珠丝杆健康程度量化评价方法
CN111428788B (zh) * 2020-03-24 2022-12-09 西安交通大学 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统
CN112199888B (zh) * 2020-09-30 2021-08-27 太原理工大学 一种基于深度残差网络的旋转设备故障诊断方法、系统及可读存储介质
CN112761740B (zh) * 2021-01-05 2022-02-18 西安交通大学 一种透平叶片故障测试系统及其智能故障诊断方法
CN113642779A (zh) * 2021-07-22 2021-11-12 西安理工大学 基于特征融合的ResNet50网络关键设备剩余寿命预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304960A (zh) * 2017-12-29 2018-07-20 中车工业研究院有限公司 一种轨道交通设备故障诊断方法
CN108426713B (zh) * 2018-02-26 2020-05-01 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
US10171161B1 (en) * 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
CN108875836B (zh) * 2018-06-27 2020-08-11 浙江大学 一种基于深度多任务学习的简单-复杂活动协同识别方法
CN109492345B (zh) * 2019-01-10 2020-11-10 西安交通大学 一种基于SENet的透平叶片高周疲劳寿命预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法

Also Published As

Publication number Publication date
CN110046409A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110046409B (zh) 一种基于ResNet的汽轮机部件健康状态评估方法
CN110298455B (zh) 一种基于多变量估计预测的机械设备故障智能预警方法
CN107941537B (zh) 一种机械设备健康状态评估方法
WO2021243838A1 (zh) 变工况下类内自适应轴承故障诊断方法
CN110442833B (zh) 一种基于多维度scada数据评估风电机组健康状态评估方法
CN114297918B (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN112834211A (zh) 一种风电机组传动系统故障预警方法
CN108133311A (zh) 一种风电机组故障模式风险评估及可靠性分析方法
CN108053148A (zh) 一种电力信息系统故障高效诊断方法
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN105096053A (zh) 一种适用于复杂工艺系统的健康管理决策方法
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN101799674A (zh) 一种数控装备服役状态分析方法
CN110007660B (zh) 一种火电厂汽轮机组瞬态等效热应力在线软测量方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN102252843A (zh) 一种滚动轴承性能变异的评估方法
CN118313812A (zh) 一种基于机器学习的电力大数据采集处理方法
CN113987870B (zh) 一种风电机组主传动系统状态评估方法及终端设备
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
CN114297795A (zh) 一种基于PR-Trans的机械设备剩余寿命预测方法
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
Zou et al. Improved RCM method by AHP-FCE for the maintenance strategy of reciprocating compressor unit
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法

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