CN111814396B - 一种基于迁移学习的离心风机故障预警方法 - Google Patents
一种基于迁移学习的离心风机故障预警方法 Download PDFInfo
- Publication number
- CN111814396B CN111814396B CN202010626509.2A CN202010626509A CN111814396B CN 111814396 B CN111814396 B CN 111814396B CN 202010626509 A CN202010626509 A CN 202010626509A CN 111814396 B CN111814396 B CN 111814396B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- early warning
- centrifugal fan
- target domain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013526 transfer learning Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013508 migration Methods 0.000 claims abstract description 13
- 230000005012 migration Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000011112 process operation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000010729 system oil Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明的目的是基于实验室数据和迁移学习的方法,将实验室建立的高精度模型迁移到使用现场中,在此基础上提出一种离心风机故障预警方法,以监控离心风机运行状态,在设备偏离正常状态时及时发出警报。即公开了一种使用迁移学习的离心风机故障预警方法。它包括以下步骤:首先,使用工厂离心风机性能实验室高精度数据,训练具有一定抵抗噪声干扰的源域栈式自编码网络,获取数据低维特征;其次,以设备实际使用现场为目标域,通过降低源域和目标域数据特征的距离,实现网络迁移;然后,使用目标域数据对网络进行微调;最后,基于目标域自编码网络模型的重构误差,提出一种故障预警方案。
Description
技术领域
本发明涉及离心风机设备运维领域,具体涉及一种离心风机故障预警方法。
技术背景
离心风机包括离心压缩机、离心鼓风机、离心通风机等,在火力发电站、污水处理厂等有着广泛应用。随着离心风机向高速、自动和大型化方向发展,结构复杂、子系统繁多,故障率攀升,故障后果严重。因此,通过实时采集离心风机运行状态数据(如温度、油液、压力、振动、转速等),进行离心风机故障预警研究,在故障发生及时对设备进行维护维修,有效避免故障发生。
离心风机在出厂前需要在实验室进行测试,对各种极端工况进行模拟,能采集到丰富的高信噪比数据。在风机实际运行过程中,难以采集极端工况下设备运行数据,且采集的信号常常受到噪声干扰,因此,使用迁移学习方法,将实验室建立具有抵抗噪声干扰的高精度模型,用于实际故障预警中,有效提高预警准确度和预警及时性,降低误报漏报。
发明内容
本发明的目的是使用深度学习方法实现离心风机故障预警,使用迁移学习的方法,将基于实验室大量高信噪比数据建立的模型用于实际离心风机故障预警中。有效提高预警效率和精度,减少误报漏报。
为实现本发明目的而采用的技术方案是这样的,即基于迁移学习的离心风机故障预警方法。它包括以下步骤:
步骤1:提出一种迁移学习方法,将实验室训练的自编码网络模型迁移到离心风机实际使用环境的故障预警中;
步骤2:基于训练完成的自编码网络重构误差,提出故障预警指标计算方法和故障预警流程,实现离心风机故障预警。
优选地,步骤1中,所述迁移学习方法流程为:
(1)离心风机数据采集类型
为监测离心风机运行状态,在离心风机设备上布置多类型传感器,对风机的实时运行数据进行采集,数据采集类型的集合DATA为
其中,DD为电机电流、DQ为电机前轴温、DH为电机后轴温、DA为电机A相绕组温度、DB为电机B相绕组温度、DC为电机C相绕组温度、YY为润滑系统供油压力、YW为供油温度、YX为油箱温度、FQ为风机前轴温、FH为风机后轴温、FT为风机推力轴承温度、JD为进口导叶反馈值、CD为出口导叶反馈值、JW为进口温度、CW为出口导叶温度、JY为风机进口压力、CY为风机出口压力、ZS为风机高速轴水平方向加速度、ZC为垂直方向风机高速轴垂直方向加速度、ZH为壳体水平方向振动加速度、ZV为垂直方向振动加速度。
因此离心风机采集的数据集合为:
其中,N为数据采集时刻,每条数据为一个样本,共N个样本。
(2)源域栈式降噪自编码模型网络训练
在离心风机设备出厂前,需要在实验室进行数小时性能测试,包括各种极端工况,设备运行正常方可出厂。在实验室,采集到丰富的高信噪比数据用于栈式降噪自编码器训练,发掘离心风机正常运行时数据间的相关关系,构建风机正常行为模型。
自编码器通过对输入数据进行重构,实现隐含层特征提取,发掘数据隐藏关系。单个自编码器由编码器和解码器构成,结构如图1,编码过程将输入数据映射到隐藏特征,解码器将隐藏特征还原为输入向量,编码过程和解码过程的映射方式如下:
h=fθ(x)=Sf(wx+b)
y=gθ′(h)=Sg(w′h+b′)
其中,h为隐藏特征;x、y分别为输入和输出向量;w、w′分别是编码器和解码器的权重;b、b′分别是编码器和解码器的偏置。损失函数为
其中,θ为网络参数,通过最小化损失函数,寻找最优网络参数,完成网络训练。
在实际中,离心风机采集的数据存在丢失和噪声干扰情况。为减少受损数据影响网络重构,增强网络适应能力,在源域模型训练数据中加入噪声干扰,从“污染”数据中重构出未受干扰的数据,从而使网络具有抵抗该类型干扰的能力,加噪过程如图2所示。将原始数据加入白噪声并随机置零进行“损伤”后作为网络输入,来模拟离心风机实际运行过程中,数据采集受到的噪声影响与数据丢失情况。通过最小化输出与未加入噪声的原始数据差异,自编码网络将受损数据还原为原始数据,提高网络抵抗噪声和数据丢失能力。
单个自编码网络数据挖掘能力有限,通过有序级联多个降噪自编码网络形成深度神经网络,提高网络数据发掘能力。使用逐层贪心算法对栈式降噪自编码网络进行逐层训练,如图3所示。使用原始采集的离心风机数据训练第一层降噪自编码网络,得到第一层自编码网络的低维特征,然后用第一层网络的低维特征训练第二层网络,以此类推,完成三层的栈式降噪自编码网络训练。
(3)源域模型迁移
将源域网络中学习到的权重和偏差直接转移到目标域新的自编码网络中。将权重和偏差作为目标域模型前向传递计算的初始权重和偏差,如下所示:
Wi t=Wi n
其中Wi t、Wi n为目标域和源域自编码网络的权重,bi t、bi n分别为目标域和源域自编码网络的偏置。
然后对目标域自编码网络进行微调,将实验室的数据输入源域模型得到源域数据特征、将少量离心风机实际使用现场数据输入目标域模型得到目标域数据特征,计算源域特征和目标域特征的JS距离,通过最小化JS距离进行反向传播,调整目标域自编码网络的权重和参数,实现模型迁移,具体流程如图4。
其中,JS距离计算为:
其中,P1和P2分别为源域和目标域的特征。
(4)目标域模型微调
经过迁移源域模型,得到目标域自编码网络,能够将目标域数据通过前向传播得到数据特征。通过权值共享,即解码器权值为编码器权值的转置,初始化解码器参数。最后,输入目标域数据,进行编码和解码实现输入数据重构,通过最小化输入和输出的均方误差,对整个网络进行微调。
(5)故障预警方法
将目标域数据输入训练完成的自编码网络进行重构,基于重构值计算出长度为n的相故障预警指标,n为输入数据的条数,计算得出故障预警阀值[S]。
Smin=min(s1,s2,...sn)
[S]=kSmin
在实际预警中,采集离心风机实时数据输入自编码网络进行重构,获得实时故障预警指标值,当实时故障预警指标小于预警阀值时,表示设备偏离正常状态,发出故障预警警报。整个故障预警流程如图5。
与现有技术相比,本发明的有益效果是:
本发明提出了一种将实验室建立的模型迁移到实际设备使用现场的故障预警方法,使用设备测试实验室采集的丰富的高精度数据建立模型,并在模型训练过程中增强模型抵抗噪声能力,降低实际使用环境中,环境噪声对预警结果的影响,有效提高预警准确度。
附图说明
图1自编码网络结构图
图2自编码网络加噪示意图
图3栈式自编码网络训练过程示意图
图4本发明所提迁移流程图
图5预警流程图
图6BCD100离心鼓风机结构示意图
图7远程运维平台主界面
图8预警结果图
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
本项目实施以重庆通用工业集团生产的BCD100离心式鼓风机组为例,结构示意图如图6。
表1离心鼓风机基本参数
设置采样频率为1HZ,其中,振动数据采样频率为1024HZ,计算一秒内的振动信号的均值,避免了采样周期不同带来的干扰。在离心风机实验室采集鼓风机运行的7000组数据,和离心鼓风机使用现场的100组正常运行数据进行模型训练,获取故障预警阀值,具体参数如下。
表2模型训练相关参数
基于重庆通用工业开发的远程运维平台,主面如图7,该平台数据采集周期是30S,其中,振动数据采样频率为1024HZ,采集时长为1S,采样时间间隔为30S,通过计算该秒内振动平均值作为振动值。选取该风机的一次高温故障停机前100组数据和停机后1组数据进行预警效果研究。
故障预警结果如图8,在第86组数据时,模型发出预警,比风机停机提前了7分钟。
Claims (1)
1.一种基于迁移学习的离心风机故障预警方法,其特征在于包括以下步骤:
步骤1:制定一种迁移学习策略,将实验室训练的自编码网络模型迁移到离心风机实际使用环境的故障预警中;
步骤2:基于训练完成的自编码网络重构误差,制定故障预警指标计算方法和故障预警流程,实现离心风机故障预警;
步骤1中,制定的迁移学习方法步骤如下:
(1)以实验室采集的离心风机正常运行数据为源域,以设备实际使用过程,正常运行数据为目标域,使用实验室离心风机正常运行时采集的运行状态数据训练栈式降噪自编码网络,在每层网络输入中添加白噪声,使网络在获取数据低维度特征的同时具有抵御随机干扰的能力,完成源域网络训练;
(2)复制源域网络结构和参数初始化目标域网络,使用源域数据输入源域网络得到低维特征、使用目标域数据输入目标域网络获得目标域数据低维特征,计算源域和目标域低维特征的JS距离,通过最小化JS距离,使用反向传播调整目标域模型,完成源域自编码网络向目标域自编码网络迁移;
(3)通过权值共享,初始化解码网络,使用部分目标域数据,固定编码网络,对解码网络进行微调,使整个自编码网络能很好地还原输入数据;
步骤2中,基于自编码网络重构误差的离心风机故障指标计S算方法为:
其中,S为故障预警指标;X为实际采集的离心风机运行数据,是判断风机是否故障的数据基础;Y为目标域自编码模型对输入X的重构向量;Eu(X,Y)为两向量间的欧拉距离;
步骤2中,所述的离心风机故障预警流程为:
(1)使用迁移过程中用的目标域数据,输入训练好的自编码网络进行重构并计算重构误差,得出预警指标S[n]的序列;
(2)基于上一步得到的S[n]序列,计算预警阀值[S],计算方法如下:
Smin=min{s1,s2,...,sn}
[S]=kSmin
式中,k为阀值系数,根据经验选择为略小于1;
(3)采集实际使用过程运行数据,输入目标域自编码网络进行重构,计算重构误差,得出实时的预警指标Sc;
(4)比较Sc和预警阀值大小,当Sc小于预警阀值时,发出报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626509.2A CN111814396B (zh) | 2020-07-02 | 2020-07-02 | 一种基于迁移学习的离心风机故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626509.2A CN111814396B (zh) | 2020-07-02 | 2020-07-02 | 一种基于迁移学习的离心风机故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814396A CN111814396A (zh) | 2020-10-23 |
CN111814396B true CN111814396B (zh) | 2024-02-20 |
Family
ID=72855832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010626509.2A Active CN111814396B (zh) | 2020-07-02 | 2020-07-02 | 一种基于迁移学习的离心风机故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814396B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966400B (zh) * | 2021-04-23 | 2023-04-18 | 重庆大学 | 一种基于多源信息融合的离心风机故障趋势预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110907207A (zh) * | 2019-11-25 | 2020-03-24 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
JP2020095471A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社Preferred Networks | 推定装置、訓練装置、推定方法及び訓練方法 |
-
2020
- 2020-07-02 CN CN202010626509.2A patent/CN111814396B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020095471A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社Preferred Networks | 推定装置、訓練装置、推定方法及び訓練方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110907207A (zh) * | 2019-11-25 | 2020-03-24 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于迁移学习的离心鼓风机故障预警方法;李聪波; 王睿; 张友; 蒋立君; 孙皓;《中国机械工程》;第32卷(第17期);2090-2099+2107 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814396A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN107563251B (zh) | 基于极限学习机的风机故障诊断方法 | |
CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
CN111814396B (zh) | 一种基于迁移学习的离心风机故障预警方法 | |
CN113255210B (zh) | 一种风电机组联邦故障诊断方法及系统 | |
CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
CN112966400B (zh) | 一种基于多源信息融合的离心风机故障趋势预测方法 | |
CN112287531B (zh) | 一种考虑台风影响的海上风电场多状态可靠性获取方法 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
CN111047121B (zh) | 一种风机故障预测方法及系统 | |
CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
Pai et al. | Application of CMAC neural network to solar energy heliostat field fault diagnosis | |
CN114459760A (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
CN115587289A (zh) | 基于多源域自适应网络的航空发动机故障识别方法 | |
CN113792919A (zh) | 一种基于迁移学习深度学习相结合的风电功率预测方法 | |
CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN111738398B (zh) | 一种用于行星齿轮故障诊断的新型深度特征学习方法 | |
Tao et al. | Wind turbine failure detection based on SCADA data and data mining method | |
CN109657404A (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 | |
Wang et al. | Fault Diagnosis of Wind Turbine Generator with Stacked Noise Reduction Autoencoder Based on Group Normalization |
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 |