CN112761740B - 一种透平叶片故障测试系统及其智能故障诊断方法 - Google Patents

一种透平叶片故障测试系统及其智能故障诊断方法 Download PDF

Info

Publication number
CN112761740B
CN112761740B CN202110008771.5A CN202110008771A CN112761740B CN 112761740 B CN112761740 B CN 112761740B CN 202110008771 A CN202110008771 A CN 202110008771A CN 112761740 B CN112761740 B CN 112761740B
Authority
CN
China
Prior art keywords
blade
fault
turbine
signals
signal
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
CN202110008771.5A
Other languages
English (en)
Other versions
CN112761740A (zh
Inventor
张荻
杜秋晚
王崇宇
谢永慧
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 CN202110008771.5A priority Critical patent/CN112761740B/zh
Publication of CN112761740A publication Critical patent/CN112761740A/zh
Application granted granted Critical
Publication of CN112761740B publication Critical patent/CN112761740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种透平叶片故障测试系统及其智能故障诊断方法，测试系统包括供气系统、透平主体系统、润滑系统以及测量控制系统。系统运行时，供气系统为透平主体系统提供气源，润滑系统为透平主体系统提供润滑工质，测量控制系统用来控制整个系统的运行安全性，并测量所需的性能参数。本发明通过搭建透平叶片故障测试系统，实现对透平运行时的气动参数和振动参数的精确测量，获得大量的故障叶片的测试数据，建立基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习、训练和测试，并将其迁移应用至真实透平机组，为大型发电机组透平叶片的在线故障诊断奠定基础。

Description

一种透平叶片故障测试系统及其智能故障诊断方法
技术领域
本发明属于透平机械领域，特别涉及一种透平叶片故障测试系统及其智能故障诊断方法。
背景技术
在大型发电机组中，透平机械承担着热功转换的重要作用，随着社会发展，其运行参数越来越高。作为透平机械的“心脏”，叶片工作在恶劣的环境中，承受着离心载荷、热载荷和气动载荷的共同作用，一旦出现故障，会严重影响整个机组的经济性和安全性。因此，必须对透平叶片进行实时在线的故障监测和诊断。在实际运行中，透平机组的监测数据一般为气动参数和振动参数，因此透平叶片的故障诊断主要基于气动参数和振动参数的变化来开展。
随着人工智能技术的发展，基于机器学习尤其是深度学习的故障诊断方法成为前沿研究领域。基于深度学习方法的故障诊断性能很大程度上取决于数据集的规模和质量，但是对于透平机组而言，目前针对叶片的故障信号数据集很缺乏，尚且没有形成大规模的数据集，如果对真实叶片开展试验会消耗大量的人力物力，并不实际。所以，在没有大量实际运行数据的前提下，深度学习方法无法得到推广应用。
因此，如何获得大量的透平叶片故障信号，并应用深度学习方法进行学习和诊断，成为亟需解决的问题。
发明内容
本发明的目的在于提供一种透平叶片故障测试系统及其智能故障诊断方法，通过搭建透平叶片故障测试系统，实现对透平运行时的气动参数和振动参数的精确测量，获得大量的故障叶片的测试数据，建立基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习、训练和测试，为大型发电机组透平叶片的在线故障诊断奠定基础。通过本发明的深度学习方法进行学习和诊断，可以实现将测试系统的人工叶片故障迁移应用至诊断真实透平机组的叶片故障，实现真实透平叶片的在线故障检测和诊断。
为达到上述目的，本发明采用以下技术方案：
一种透平叶片故障测试系统，包括供气系统、透平主体系统、润滑系统以及测量控制系统；供气系统包括鼓风机、冷却水箱、控制阀、加热器和稳压罐；透平主体系统包括进气段、进气缸、排气缸、排气段、拉杆、主轴、轴承、联轴器、静叶轮、静叶、动叶轮、动叶、密封圈和隔板；润滑系统包括空压机和油雾润滑装置；测量控制系统包括测功机、测功机冷却水路、测控仪、流量计、进气段压力变送器、排气段压力变送器、进气段热电偶、排气段热电偶、电涡流位移传感器、加速度传感器、动态压力传感器、电流电压转换器、静态数据采集仪、动态数据采集仪和计算机；系统运行时，供气系统为透平主体系统提供气源，润滑系统为透平主体系统提供润滑工质，测量控制系统用来控制整个系统的运行安全性，并测量所需的性能参数。
本发明进一步的改进在于，工作时，鼓风机吸入空气，送入稳压罐，经过进气段进入进气缸，随后，空气通过静叶后进入动叶通道，推动动叶轮旋转，继而流出排气缸，通过排气段排出；
其中，鼓风机出口通过管路与稳压罐相连，稳压罐出口通过管路与透平进气段相连；冷却水箱将水循环送往鼓风机，用来冷却鼓风机轴承；加热器安装在管路上，用来控制鼓风机出口空气的温度；控制阀安装在管路上，用来调节鼓风机的流量；
透平进气段连接进气缸入口，静叶通过螺栓安装在静叶轮上，静叶轮固定在进气缸上；
动叶通过螺栓安装在动叶轮上，动叶轮固定在主轴上，主轴通过轴承支承安装在排气缸上，排气缸出口与排气段连接；
进气缸与排气缸之间布置隔板，并通过拉杆拉紧，隔板与静叶轮之间的间隙布置有密封圈，保证优良的密封性能；
空压机与油雾润滑装置进口通过软管连接，将空压机压缩后的空气送入油雾润滑装置形成油雾，再将油雾通过软管送入主轴轴承用以提供润滑和冷却；
测功机通过联轴器与主轴相连，测功机冷却水路经过测功机，实现冷却效果，测控仪与测功机连接，用来控制转速、转矩和功率；
流量计、进气段压力变送器、进气段热电偶分别安装在进气段上，用来测量进口处的流量、压力和温度，排气段压力变送器和排气段热电偶分别安装在排气段上，用来测量出口处的压力和温度；
通过流量计、压力变送器和热电偶所测得的流量、压力和温度信号通过电流电压转换器传输进静态数据采集仪，然后传输到计算机中进行实时显示和存储；
电涡流位移传感器分别布置在动叶轮叶顶、主轴径向位置和主轴轴向位置，用来测量获取动叶轮的径向位移变化、主轴的径向位移和轴向位移变化；
加速度传感器分别布置在进气缸和排气缸的外壳和机脚上，用来测量获取进气缸和排气缸的振动信号；
动态压力传感器分别布置在静叶轮前、动静叶轮之间和动叶轮后，用来测量获取透平级前、级间和级后的压力变化；
通过电涡流位移传感器、加速度传感器和动态压力传感器测量的信号传输进动态数据采集仪，然后传输到计算机中进行实时显示和存储。
一种本发明的透平叶片智能故障诊断方法，包括以下步骤：
1)测量获取多工况下叶片正常运行时的气动信号和振动信号；
2)测量获取相同工况下故障叶片运行时的气动信号和振动信号；
3)搭建基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习和测试，得到故障诊断模型Amodel；
4)搜集另一个相似的测试系统或者相似的真实透平机组故障叶片的气动信号和振动信号，采用迁移学习方法将Amodel迁移应用至这个相似的测试系统或者真实透平机组，得到Bmodel。
本发明进一步的改进在于，步骤1)测量获取多工况下叶片正常运行时的气动信号和振动信号中，通过调节供气系统中的加热器和控制阀来控制调节进口压力和进口温度，通过测量控制系统中的测控仪来调节转速，从而实现多个工况下的测试条件。
本发明进一步的改进在于，步骤2)测量获取相同工况下故障叶片运行时的气动信号和振动信号中，使用故障叶片代替正常叶片，进行故障叶片的测量；故障叶片可以是静叶也可以是动叶；故障叶片个数是一个或者是多个；故障形式是磨损、断裂多种形式。
本发明进一步的改进在于，步骤3)搭建基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习和测试，得到故障诊断模型Amodel，步骤4)搜集另一个相似的测试系统或者相似的真实透平机组故障叶片的气动信号和振动信号，采用迁移学习方法将Amodel迁移应用至这个相似的测试系统或者真实透平机组，得到Bmodel中，具体包括以下步骤：
(1)、数据采集与数据增强
对工况w和故障类型c，在相同时刻，同时采集并记录流量信号
Figure BDA0002884170220000041
压力信号
Figure BDA0002884170220000042
温度信号
Figure BDA0002884170220000043
位移振动信号
Figure BDA0002884170220000044
加速度振动信号
Figure BDA0002884170220000045
共5种信号类型，其中Vi表示采集流量信号的第Vi个传感器，Pi表示采集压力信号的第Pi个传感器，Ti表示采集温度信号的第Ti个传感器，Si表示采集位移信号的第Si个传感器，Ai表示采集加速度信号的第Ai个传感器，欧式字体的
Figure BDA00028841702200000410
表示数据来源的域，对这些长信号采用交叠滑移的数据增强操作方式，将这5种信号，各自分割成长度为L，数量为m的
Figure BDA0002884170220000046
Figure BDA0002884170220000047
对相同的参数mi、w和c，把
Figure BDA0002884170220000048
沿通道方向组合成融合信号
Figure BDA0002884170220000049
其中mi是不大于m的正整数，x是1维N通道的信号，其长度为L，通道数N为：
N＝Vi+Pi+Ti+Si+Ai
与
Figure BDA0002884170220000051
对应的标签为
Figure BDA0002884170220000052
遍历所有工况w、故障类型c和mi，最终得到M个样本的
Figure BDA0002884170220000053
和与之对应的标签为
Figure BDA0002884170220000054
其中，Y＝c，c为正整数，M＝w×c×m；
(2)、在测试系统EA上划分训练集和验证集
取train＝[0.8×MEA]，valid＝MEA–train，将
Figure BDA0002884170220000055
和
Figure BDA0002884170220000056
划分为训练集
Figure BDA0002884170220000057
(YEA)train和验证集
Figure BDA0002884170220000058
(YEA)valid；
(3)、数据标准化处理
利用公式对数据进行标准化：
Figure BDA0002884170220000059
Figure BDA00028841702200000510
Figure BDA00028841702200000511
其中
Figure BDA00028841702200000512
表示测试系统EA上采集的数据均值，
Figure BDA00028841702200000513
表示测试系统EA上采集的数据标准差，MEA表示测试系统EA上的数据样本数量，
Figure BDA00028841702200000514
表示EA上标准化之后的训练集，ε＝1×10-16，验证集按照下式进行标准化：
Figure BDA00028841702200000515
(4)、在测试系统或真实透平机组EB上采集数据
与步骤(1)类似，采用本发明所测量的物理量与布置传感器的方式，从另一个测试系统或者与本发明的测试系统相似的真实透平机组EB上，采集记录流量信号
Figure BDA00028841702200000516
压力信号
Figure BDA00028841702200000517
温度信号
Figure BDA00028841702200000518
位移振动信号
Figure BDA00028841702200000519
加速度振动信号
Figure BDA00028841702200000520
共5种信号类型，并处理为多通道的
Figure BDA0002884170220000061
和
Figure BDA0002884170220000062
然后按照如下式子对
Figure BDA0002884170220000063
进行标准化：
Figure BDA0002884170220000064
Figure BDA0002884170220000065
Figure BDA0002884170220000066
其中
Figure BDA0002884170220000067
表示EB上采集的数据均值，
Figure BDA0002884170220000068
表示EB上采集的数据标准差，MEB表示EB上的数据样本数量，
Figure BDA0002884170220000069
表示EB上标准化之后的数据；
(5)、搭建卷积神经网络
整个卷积神经网络模型由卷积层和全连接层组成，以Softmax函数得到故障类别的概率分布；
(6)、训练
采用Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化损失函数来训练网络，对于测试系统EA，输入
Figure BDA00028841702200000610
(YEA)train训练网络，得到模型Amodel，在
Figure BDA00028841702200000611
数据上测试；
(7)、故障诊断分析
输入
Figure BDA00028841702200000612
卷积神经网络预测测试数据的故障类别
Figure BDA00028841702200000613
(8)、算法维护
对于EB，在模型Amodel的基础上输入
Figure BDA00028841702200000614
采用域自适应的迁移学习方法训练得到新的模型Bmodel。
与现有技术相比，本发明具有以下有益效果：
本发明提供的透平叶片故障测试系统，其供气系统可以灵活调节流量、压力和温度等工况参数，测量控制系统可以灵活调节转速，满足多工况下的测试条件。透平主体系统中的静叶和动叶是通过螺栓固定到叶轮上，而不是与叶轮做成一体，有利于故障叶片的更换。通过多种传感器可以测量获得不同位置的气动信号和振动信号，丰富了神经网络学习的数据库。
本发明提供的智能故障诊断方法，通过获取大量故障叶片的测试数据，基于数据驱动的深度学习方法，建立神经网络学习训练，故障诊断精度更高。
进一步的，通过搭建成本较低的透平叶片故障测试系统完成故障叶片的测试及诊断，迁移至真实的透平机组，从而代替昂贵的真实透平机组试验，极大程度节省了试验费用。
附图说明
图1是本发明的一种透平叶片故障测试系统示意图；
图2是本发明的一种透平叶片故障测试系统中透平主体系统的示意图；
图3是本发明的一种适用于透平叶片故障测试系统的智能故障诊断方法流程示意图；
图4中(a)-(f)是单支故障叶片不同故障位置示意图。
图5中(a)-(c)是单支故障叶片不同故障程度示意图。
图6中(a)-(c)是多支故障叶片不同故障形式组合示意图。
在图1和图2中：1代表供气系统，101为鼓风机、102为冷却水箱、103为控制阀、104为加热器、105为稳压罐；2代表透平主体系统，201为进气段、202为进气缸、203为排气缸、204为排气段、205为拉杆、206为主轴、207为轴承、208为联轴器、209为静叶轮、210为静叶、211为动叶轮、212为动叶、213为密封圈、214为隔板。3代表润滑系统，301为空压机、302为油雾润滑装置；4代表测量控制系统，401为测功机、402为测功机冷却水路、403为测控仪、404为流量计、405为进气段压力变送器、406为进气段热电偶、407为排气段热电偶、408为排气段压力变送器、409为电涡流位移传感器、410为加速度传感器、411为动态压力传感器、412为电流电压转换器、413为静态数据采集仪、414为动态数据采集仪、415为计算机。
具体实施方式
以下结合附图对本发明作进一步的详细说明，但不应将此理解为本发明上述主题的范围仅局限于以下内容。在不脱离本发明上述思想的情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。
请参阅图1至图2，本发明的一种透平叶片故障测试系统，包括供气系统1、透平主体系统2、润滑系统3以及测量控制系统4。其中，供气系统1包括鼓风机101、冷却水箱102、控制阀103、加热器104、稳压罐105等；透平主体系统2包括进气段201、进气缸202、排气缸203、排气段204、拉杆205、主轴206、轴承207、联轴器208、静叶轮209、静叶210、动叶轮211、动叶212、密封圈213等；润滑系统3包括空压机301和油雾润滑装置302；测量控制系统4包括测功机401、测功机冷却水路402、测控仪403、流量计404、进气段压力变送器405、进气段热电偶406、排气段热电偶407、排气段压力变送器408、电涡流位移传感器409、加速度传感器410、动态压力传感器411、电流电压转换器412、静态数据采集仪413、动态数据采集仪414、计算机415等。系统运行时，供气系统1为透平主体系统2提供气源，润滑系统3为透平主体系统2提供润滑工质，测量控制系统4用来控制整个系统的运行安全性，并测量所需的性能参数。
工作时，鼓风机101吸入空气，送入稳压罐105，经过进气段201进入进气缸202。随后，空气通过静叶210后进入动叶212，推动动叶轮211旋转，继而流出排气缸203，通过排气段204排出。
鼓风机101出口通过管路与稳压罐105相连，稳压罐105出口通过管路与透平进气段201相连。冷却水箱102将水循环送往鼓风机101，用来冷却鼓风机101轴承。加热器104安装在管路上，用来控制鼓风机101出口空气的温度。控制阀103安装在管路上，用来调节鼓风机101的流量。
透平进气段201连接进气缸202入口，静叶210通过螺栓安装在静叶轮209上，静叶轮209固定在进气缸202上。
动叶212通过螺栓安装在动叶轮211上，动叶轮211固定在主轴206上，主轴206通过轴承207支承安装在排气缸203上，排气缸203出口与排气段204连接。
进气缸202与排气缸203之间布置有隔板214，并通过拉杆205拉紧。隔板214与静叶轮209之间布置有密封圈213，保证优良的密封性能。
空压机301与油雾润滑装置302进口连接，将空压机压缩的空气送入油雾润滑装置302形成油雾，再将油雾送入轴承207用以提供润滑和冷却。
测功机401通过联轴器208与主轴206相连。测功机冷却水路402经过测功机401，实现冷却效果。测控仪403与测功机401连接，用来控制转速、转矩和功率。
流量计404、进气段压力变送器405、进气段热电偶406分别安装在进气段201上，用来测量进口处的流量、压力和温度。排气段热电偶407和排气段压力变送器408安装在排气段204上，用来测量出口处的温度。
上述通过流量计404、进气段压力变送器405、进气段热电偶406、排气段热电偶407和排气段压力变送器408所测得的流量、压力和温度信号通过电流电压转换器412传输进静态数据采集仪413，然后传输到计算机415中进行实时显示和存储。
电涡流位移传感器409分别布置在动叶轮211叶顶、主轴206径向位置和主轴206轴向位置，用来测量获取动叶轮211的径向位移变化、主轴206的径向位移和轴向位移变化。
加速度传感器410分别布置在进气缸202和排气缸203的外壳和机脚上，用来测量获取进气缸202和排气缸203的振动信号。
动态压力传感器411分别布置在静叶轮209前、静叶轮209与动叶轮211之间以及动叶轮211后，用来测量获取透平级前、级间和级后的压力变化。
上述通过电涡流位移传感器409、加速度传感器410和动态压力传感器411测量的信号传输进动态数据采集仪414，然后传输到计算机415中进行实时显示和存储。
参阅图3，本发明的一种适用于透平叶片故障测试系统的智能故障诊断方法，包括以下步骤：1)测量获取多工况下叶片正常运行时的流量信号、压力信号、温度信号、位移振动信号和加速度振动信号；2)测量获取相同工况下故障叶片运行时的流量信号、压力信号、温度信号、位移振动信号和加速度振动信号；3)搭建基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习和测试，得到故障诊断模型Amodel；4)搜集另一个相似的测试系统或者相似的真实透平机组故障叶片的气动信号和振动信号，采用迁移学习方法将Amodel迁移应用至这个相似的测试系统或者真实透平机组，得到Bmodel。
具体地，311和312步骤的具体采集方式按照图1至图2中布置的传感器进行测试采集。记流量信号为
Figure BDA0002884170220000101
压力信号
Figure BDA0002884170220000102
温度信号
Figure BDA0002884170220000103
位移振动信号
Figure BDA0002884170220000104
加速度振动信号
Figure BDA0002884170220000105
共5种信号类型。这些信号长度为L。
313步骤具体地，给定窗长WL，对长信号进行交叠滑移的数据增加操作之后得到的信号数量m为：
Figure BDA0002884170220000106
其中，“[]”表示对式子取整。
314步骤具体地，记每一个短信号为
Figure BDA0002884170220000107
则沿通道方向组合成融合信号
Figure BDA0002884170220000108
Figure BDA0002884170220000109
遍历所有工况w、故障类型c和mi，最终得到M个样本的
Figure BDA00028841702200001010
和与之对应的标签为
Figure BDA0002884170220000111
315和316步骤具体地，在测试系统EA得到的数据上划分训练集和验证集，测试系统如图1所示。本发明的测试系统可以充分地进行各种叶片测试，因此可以采集足够多的数据训练深度模型。
取train＝[0.8×MEA]，valid＝MEA–train。将
Figure BDA0002884170220000112
和
Figure BDA0002884170220000113
划分为训练集
Figure BDA0002884170220000114
(YEA)train和验证集
Figure BDA0002884170220000115
(YEA)valid。
则标准化处理为：
Figure BDA0002884170220000116
Figure BDA0002884170220000117
Figure BDA0002884170220000118
Figure BDA0002884170220000119
其中
Figure BDA00028841702200001110
表示测试系统EA上采集的数据均值，
Figure BDA00028841702200001111
表示测试系统EA上采集的数据标准差，MEA表示测试系统EA上的数据样本数量，
Figure BDA00028841702200001112
表示EA上标准化之后的训练集，ε＝1×10-16。
对于EB重复采集、数据增强、数据融合过程得到
Figure BDA00028841702200001113
和
Figure BDA00028841702200001114
然后对
Figure BDA00028841702200001115
进行标准化：
Figure BDA0002884170220000121
Figure BDA0002884170220000122
Figure BDA0002884170220000123
其中
Figure BDA0002884170220000124
表示EB上采集的数据均值，
Figure BDA0002884170220000125
表示EB上采集的数据标准差，MEB表示EB上的数据样本数量，
Figure BDA0002884170220000126
表示EB上标准化之后的数据。特别指出，EB是与测试系统EA相似的另一个测试系统或者是相似的真实透平机组。
317步骤具体地，搭建卷积神经网络，记卷积的输入为x，则卷积神经网络的构成为：
Figure BDA0002884170220000127
Figure BDA0002884170220000128
Figure BDA0002884170220000129
Figure BDA00028841702200001210
其中
Figure BDA00028841702200001211
(l)表示第l层卷积层，x(l-1)表示第l-1层的输入，“*”表示卷积操作，x(l)表示第l层的输入，k和b分别是卷积核的权值和偏置。E[x(l)]和Var[x(l)]分别是期望和方差，γ和β分别是缩放和滑移参数，
Figure BDA00028841702200001212
代表批量归一化之后的值。f代表relu函数，
Figure BDA00028841702200001213
是池化之后的输出。
本发明采用最大均值差异度量域自适应的特征相似度：
Figure BDA00028841702200001214
其中，
Figure BDA00028841702200001215
表示希尔伯特空间，φ表示径向基核函数。
当训练网络的时候，反向传递的误差由分类损失和最大均值差异组成：
Figure BDA0002884170220000131
其中，θ表示模型的训练参数，lc表示分类损失，λ是非负的参数。
如果仅含测试系统EA，则λ＝0，否则按照公式2/(1+exp(-10×q))-1实时计算更新，其中q表示训练过程的迭代次数。
318步骤具体地，通过最小化公式来训练模型：
Figure BDA0002884170220000132
采用随机梯度下降法来优化：
Figure BDA0002884170220000133
θ←θ+υ.
其中αs表示动量，εs表示学习率，bm表示批处理的样本量，θ表示模型的参数。
如果仅输入测试系统EA的数据，则优化训练后得到Amodel，同时输入测试系统EA和EB的数据，则优化训练后得到Bmodel。
其中，在311步骤中，通过更换单支或多支故障叶片，实现多工况下对多种不同故障形式叶片的气动信号和振动信号的采集。参见图4，给出了叶片不同的故障位置，分别为进气侧叶顶、进气侧叶身、进气侧叶底、出气侧叶顶、出气侧叶身和出气侧叶底。参见图5，给出了叶片不同的故障程度，分别为轻度损伤、中度损伤和重度损伤。参见图6，给出了多支叶片不同故障形式的组合情况。

Claims (4)

1.一种透平叶片智能故障诊断方法，其特征在于，该方法基于一种透平叶片故障测试系统，包括供气系统、透平主体系统、润滑系统以及测量控制系统；
供气系统包括鼓风机、冷却水箱、控制阀、加热器和稳压罐；透平主体系统包括进气段、进气缸、排气缸、排气段、拉杆、主轴、轴承、联轴器、静叶轮、静叶、动叶轮、动叶、密封圈和隔板；润滑系统包括空压机和油雾润滑装置；测量控制系统包括测功机、测功机冷却水路、测控仪、流量计、进气段压力变送器、排气段压力变送器、进气段热电偶、排气段热电偶、电涡流位移传感器、加速度传感器、动态压力传感器、电流电压转换器、静态数据采集仪、动态数据采集仪和计算机；系统运行时，供气系统为透平主体系统提供气源，润滑系统为透平主体系统提供润滑工质，测量控制系统用来控制整个系统的运行安全性，并测量所需的性能参数；
该方法包括以下步骤：
1)测量获取多工况下叶片正常运行时的气动信号和振动信号；
2)测量获取相同工况下故障叶片运行时的气动信号和振动信号；
3)搭建基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习和测试，得到故障诊断模型Amodel；
4)搜集另一个相似的测试系统或者相似的真实透平机组故障叶片的气动信号和振动信号，采用迁移学习方法将Amodel迁移应用至这个相似的测试系统或者真实透平机组，得到Bmodel；
其中，步骤3)和步骤4)具体包括以下步骤：
(1)、数据采集与数据增强
对工况w和故障类型c，在相同时刻，同时采集并记录流量信号
Figure FDA0003349711050000011
压力信号
Figure FDA0003349711050000012
温度信号
Figure FDA0003349711050000013
位移振动信号
Figure FDA0003349711050000014
加速度振动信号
Figure FDA0003349711050000015
共5种信号类型，其中Vi表示采集流量信号的第Vi个传感器，Pi表示采集压力信号的第Pi个传感器，Ti表示采集温度信号的第Ti个传感器，Si表示采集位移信号的第Si个传感器，Ai表示采集加速度信号的第Ai个传感器，欧式字体的
Figure FDA0003349711050000021
表示数据来源的域，对这些长信号采用交叠滑移的数据增强操作方式，将这5种信号，各自分割成长度为L，数量为m的
Figure FDA0003349711050000022
Figure FDA0003349711050000023
对相同的参数mi、w和c，把
Figure FDA0003349711050000024
沿通道方向组合成融合信号
Figure FDA0003349711050000025
其中mi是不大于m的正整数，x是1维N通道的信号，其长度为L，通道数N为：
N＝Vi+Pi+Ti+Si+Ai
与
Figure FDA0003349711050000026
对应的标签为
Figure FDA0003349711050000027
遍历所有工况w、故障类型c和mi，最终得到M个样本的
Figure FDA0003349711050000028
和与之对应的标签为
Figure FDA0003349711050000029
其中，Y＝c，c为正整数，M＝w×c×m；
(2)、在测试系统EA上划分训练集和验证集
取train＝[0.8×MEA]，valid＝MEA–train，将
Figure FDA00033497110500000210
和
Figure FDA00033497110500000211
划分为训练集
Figure FDA00033497110500000212
(YEA)train和验证集
Figure FDA00033497110500000213
(YEA)valid；
(3)、数据标准化处理
利用公式对数据进行标准化：
Figure FDA00033497110500000214
Figure FDA00033497110500000215
Figure FDA00033497110500000216
其中
Figure FDA00033497110500000217
表示测试系统EA上采集的数据均值，
Figure FDA00033497110500000218
表示测试系统EA上采集的数据标准差，MEA表示测试系统EA上的数据样本数量，
Figure FDA00033497110500000219
表示EA上标准化之后的训练集，ε＝1×10-16，验证集按照下式进行标准化：
Figure FDA0003349711050000031
(4)、在测试系统或真实透平机组EB上采集数据
与步骤(1)类似，采用本发明所测量的物理量与布置传感器的方式，从另一个测试系统或者与测试系统相似的真实透平机组EB上，采集记录流量信号
Figure FDA0003349711050000032
压力信号
Figure FDA0003349711050000033
温度信号
Figure FDA0003349711050000034
位移振动信号
Figure FDA0003349711050000035
加速度振动信号
Figure FDA0003349711050000036
共5种信号类型，并处理为多通道的
Figure FDA0003349711050000037
和
Figure FDA0003349711050000038
然后按照如下式子对
Figure FDA0003349711050000039
进行标准化：
Figure FDA00033497110500000310
Figure FDA00033497110500000311
Figure FDA00033497110500000312
其中
Figure FDA00033497110500000313
表示EB上采集的数据均值，
Figure FDA00033497110500000314
表示EB上采集的数据标准差，MEB表示EB上的数据样本数量，
Figure FDA00033497110500000315
表示EB上标准化之后的数据；
(5)、搭建卷积神经网络
整个卷积神经网络模型由卷积层和全连接层组成，以Softmax函数得到故障类别的概率分布；
(6)、训练
采用Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化损失函数来训练网络，对于测试系统EA，输入
Figure FDA00033497110500000316
(YEA)train训练网络，得到模型Amodel，在
Figure FDA00033497110500000317
数据上测试；
(7)、故障诊断分析
输入
Figure FDA00033497110500000318
卷积神经网络预测测试数据的故障类别
Figure FDA00033497110500000319
(8)、算法维护
对于EB，在模型Amodel的基础上输入
Figure FDA0003349711050000041
采用域自适应的迁移学习方法训练得到新的模型Bmodel。
2.根据权利要求1所述的一种透平叶片智能故障诊断方法，其特征在于，步骤1)测量获取多工况下叶片正常运行时的气动信号和振动信号中，通过调节供气系统中的加热器和控制阀来控制调节进口压力和进口温度，通过测量控制系统中的测控仪来调节转速，从而实现多个工况下的测试条件。
3.根据权利要求1所述的一种透平叶片智能故障诊断方法，其特征在于，步骤2)测量获取相同工况下故障叶片运行时的气动信号和振动信号中，使用故障叶片代替正常叶片，进行故障叶片的测量；故障叶片可以是静叶也可以是动叶；故障叶片个数是一个或者是多个；故障形式是磨损、断裂多种形式。
4.根据权利要求1所述的一种透平叶片智能故障诊断方法，其特征在于，工作时，鼓风机吸入空气，送入稳压罐，经过进气段进入进气缸，随后，空气通过静叶后进入动叶通道，推动动叶轮旋转，继而流出排气缸，通过排气段排出；
其中，鼓风机出口通过管路与稳压罐相连，稳压罐出口通过管路与透平进气段相连；冷却水箱将水循环送往鼓风机，用来冷却鼓风机轴承；加热器安装在管路上，用来控制鼓风机出口空气的温度；控制阀安装在管路上，用来调节鼓风机的流量；
透平进气段连接进气缸入口，静叶通过螺栓安装在静叶轮上，静叶轮固定在进气缸上；
动叶通过螺栓安装在动叶轮上，动叶轮固定在主轴上，主轴通过轴承支承安装在排气缸上，排气缸出口与排气段连接；
进气缸与排气缸之间布置隔板，并通过拉杆拉紧，隔板与静叶轮之间的间隙布置有密封圈，保证优良的密封性能；
空压机与油雾润滑装置进口通过软管连接，将空压机压缩后的空气送入油雾润滑装置形成油雾，再将油雾通过软管送入主轴轴承用以提供润滑和冷却；
测功机通过联轴器与主轴相连，测功机冷却水路经过测功机，实现冷却效果，测控仪与测功机连接，用来控制转速、转矩和功率；
流量计、进气段压力变送器、进气段热电偶分别安装在进气段上，用来测量进口处的流量、压力和温度，排气段压力变送器和排气段热电偶分别安装在排气段上，用来测量出口处的压力和温度；
通过流量计、压力变送器和热电偶所测得的流量、压力和温度信号通过电流电压转换器传输进静态数据采集仪，然后传输到计算机中进行实时显示和存储；
电涡流位移传感器分别布置在动叶轮叶顶、主轴径向位置和主轴轴向位置，用来测量获取动叶轮的径向位移变化、主轴的径向位移和轴向位移变化；
加速度传感器分别布置在进气缸和排气缸的外壳和机脚上，用来测量获取进气缸和排气缸的振动信号；
动态压力传感器分别布置在静叶轮前、动静叶轮之间和动叶轮后，用来测量获取透平级前、级间和级后的压力变化；
通过电涡流位移传感器、加速度传感器和动态压力传感器测量的信号传输进动态数据采集仪，然后传输到计算机中进行实时显示和存储。
CN202110008771.5A 2021-01-05 2021-01-05 一种透平叶片故障测试系统及其智能故障诊断方法 Active CN112761740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110008771.5A CN112761740B (zh) 2021-01-05 2021-01-05 一种透平叶片故障测试系统及其智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110008771.5A CN112761740B (zh) 2021-01-05 2021-01-05 一种透平叶片故障测试系统及其智能故障诊断方法

Publications (2)

Publication Number Publication Date
CN112761740A CN112761740A (zh) 2021-05-07
CN112761740B true CN112761740B (zh) 2022-02-18

Family

ID=75699415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110008771.5A Active CN112761740B (zh) 2021-01-05 2021-01-05 一种透平叶片故障测试系统及其智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN112761740B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569820B (zh) * 2021-09-24 2022-05-31 北京德风新征程科技有限公司 汽轮机的故障诊断方法、装置、电子设备和可读介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2807834B1 (fr) * 2000-04-13 2002-06-28 Snecma Moteurs Procede de mesure sans contact des vibrations d'un corps tournant
NO320915B1 (no) * 2002-07-30 2006-02-13 Dynatrend As Fremgangsmate og anordning for a bestemme et turbinblads driftstilstand og a anvende den innsamlede tilstandsinformasjon i en levetidsberegning
US8843348B2 (en) * 2011-06-14 2014-09-23 Hamilton Sundstrand Corporation Engine noise monitoring as engine health management tool
CN102494891A (zh) * 2011-12-02 2012-06-13 天津市优耐特汽车电控技术服务有限公司 自动变速器性能及故障检测装置与方法
US10557372B2 (en) * 2015-12-17 2020-02-11 General Electric Company Systems and methods for assessing strain of components in turbomachines
CN110926766A (zh) * 2018-09-03 2020-03-27 上海电气电站设备有限公司 叶片健康监测系统以及监测方法
CN208968788U (zh) * 2018-09-03 2019-06-11 上海电气电站设备有限公司 叶片健康监测系统
CN209483437U (zh) * 2018-10-22 2019-10-11 中国大唐集团科学技术研究院有限公司火力发电技术研究院 切低压缸供热汽轮机末段叶片颤振精确监测系统
CN109902399B (zh) * 2019-03-01 2022-07-19 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
CN110046409B (zh) * 2019-03-29 2020-10-27 西安交通大学 一种基于ResNet的汽轮机部件健康状态评估方法
DE102019116954A1 (de) * 2019-06-24 2020-12-24 Rolls-Royce Deutschland Ltd & Co Kg Vorrichtung und Verfahren zur Einstellung einer Spalthöhe
CN111709448B (zh) * 2020-05-20 2023-05-12 西安交通大学 一种基于迁移关系网络的机械故障诊断方法

Also Published As

Publication number Publication date
CN112761740A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
AU2013224890B2 (en) Method and system for real time gas turbine performance advisory
CN105699074B (zh) 一种叶片‑转子系统流固耦合动态特性试验装置
CN107202028B (zh) 一种涡轮增压器离心压气机喘振识别方法
CN109376801A (zh) 基于集成深度神经网络的风力发电机叶片结冰诊断方法
CN112761740B (zh) 一种透平叶片故障测试系统及其智能故障诊断方法
CN102607641A (zh) 一种燃气轮机的聚类异常检测方法
CN104215323A (zh) 机械设备的振动传感器网络中各传感器敏感度确定方法
CN102937104A (zh) 一种透平压缩机测试系统
CN109707653B (zh) 一种天然气长输管道离心压缩机组智能监控系统
CN112329357B (zh) 一种清水离心泵振动故障的简易诊断方法及诊断系统
CN106762343A (zh) 基于在线数据的水轮发电机组推力轴承故障的诊断方法
CN115614292A (zh) 一种立式水泵机组振动监测装置及其方法
CN207906130U (zh) 一种轴流风机测试系统
WO2021208171A1 (zh) 一种海水淡化泵能量回收一体机试验检测装置及试验方法
CN110928248A (zh) 一种确定燃气轮机性能劣化程度的方法
CN209542085U (zh) 一种涡轮冷却器等效寿命试验设备
Agrawal et al. An analysis procedure for the validation of on-site performance measurements of gas turbines
CN106774190A (zh) 湿冷汽轮机组凝汽器真空异常自动诊断系统及方法
CN115982551A (zh) 掘进设备的故障诊断方法及智能化掘进设备
CN109987251A (zh) 基于应力等效方法的针对薄弱环节的等效寿命试验方法及设备
CN115525996A (zh) 一种涡轮工作叶片流量特性旋转修正方法及系统
CN111738556B (zh) 一种基于机头微气候评估风机发电能力的方法
CN115345448A (zh) 一种水轮发电机组效能评价系统
CN112414720A (zh) 一种燃气轮机二次空气系统旋转试验装置及试验方法
CN114295367A (zh) 一种风电机组齿轮箱工况在线监测方法

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