CN112798290B - 基于频谱重构误差的燃气轮机异常状态监测方法 - Google Patents

Abstract

本发明涉及一种基于频谱重构误差的燃气轮机异常状态监测方法，主要针对由地面燃气轮机和航空燃气轮机叶片、轴承、碰摩、不同心等机械故障所产生的异常状态的多工况智能检测方法，其特征在于：该方法使用改进后的深度变分自编码器重构燃机的机匣宽频加速度频谱，其中引入了多尺度融合的神经网络结构和改进的神经网络全连接层，并利用重构误差判断燃机状态。本发明提出的将高维数据映射到低维流形的学习方法，使模型具有很强的鲁棒性和泛化性能。在实际应用中，本发明在专家通过传统手段未能发现的情况下成功提前数日找到了某实际工业燃气轮机的叶片断裂故障迹象。本发明简单可靠，具有很高的灵活性，且适用范围广，便于工程实践中使用。

Description

基于频谱重构误差的燃气轮机异常状态监测方法

技术领域

本发明涉及一种燃气轮机状态监测方法，特别涉及一种基于频谱重构误差的燃气轮机异常状态监测方法。

背景技术

燃气轮机的故障监测与预警对维持燃机的健康稳定运行不可或缺，在燃气轮机的故障监测领域，一般首先需要采用异常状态检测的方法判断燃机是否处于一个非健康稳定运行的状态，接着利用其它手段判断具体的故障类型并进行溯源诊断，再由操作人员做出判断采取停机维修等措施。在此过程中，对燃机健康状态的判断十分重要。异常状态监测主要利用环境参数和燃机运行过程中产生的参数如性能参数、振动参数等，监测在特定的环境参数下，燃机产生的各类参数是否“正常”。传统方法主要依靠人工观察或设计简单的阈值来进行判断，但往往精度较差并严重依赖专家经验，因而可能会有误警或漏警的情况，而漏警也会直接导致不会触发后续的诊断进程，最终导致直至燃机发生严重损坏或事故才被发现。

为改善不同工作状态和环境下燃机运行参数会存在分布上的差异导致传统的单一阈值方法失效的情况，一些方法采用了针对不同工况人工或自动设计阈值的方法。类似这样的方法首先将燃机以主轴转速或输出功率作为工况参数分为若干个离散的工况，分别统计在该工况区间内的燃机运行参数的分布，并根据此人工或自动地设计阈值。这样的方法相比传统无论工况单一阈值的方法很大程度上提高了多工况诊断的准确率，但是仍存在一些问题：首先，这种方法并没有将更多的控制或环境参数加入考虑，而只是以工况作为分类依据，没有进一步细分，因此其准确度理应还有提升的空间；其次，这种方法对于工况的分类是离散的，而且跨度一般比较大，只考虑了几个常见的工况，但是对于一些工况极为复杂的比如航空发动机，这种离散的方法相较于能够对工况进行连续分析的方法对运行参数分布的构建就要弱很多；再之，这种方法需要对每个工况单独建模分析，不能做到良好的统一，其中有很多可以共享的参数没有被合理地利用，因此占用了过多的计算和存储资源；最后，由于振动频谱的复杂性，这种方法对振动的分析往往仅限于总振幅，而抛弃了隐藏在频谱内的大量有效信息，因此对于很多类型的故障不能很好地检测出来。

针对上面提到方法的最后一条缺陷，越来越多的研究者也开始注意频谱中蕴藏的有效信息，并单独使用加速度频谱进行分析。为了解决对连续变化工况的分析问题，一些研究者使用了阶次跟踪的方法提取各工况下不同阶次频谱幅值，并组成了工况-阶次-幅值矩阵，然后依据矩阵中不同工况、阶次下幅值的分布情况设计报警阈值。虽然如此，这些方法还是没有利用频谱所隐藏的全部信息资源。首先，目前研究所使用的频谱所能分析的频率范围一般最大只到几千赫兹，因为所使用的传感器采样率如此；而航空发动机的叶片通过频率往往可以达到上万赫兹，因此无法捕捉到有关叶片的有效信息，从而无法实施叶片相关的故障检测。此外，频谱中的有效信息不一定只储存在n阶转频的幅值上，在实际的频谱中常有边频带的情况出现，这些边带也可能携带对推理燃机状态有效的信息，而用传统的统计方法很难将全部频率及边带的组合情况全部考虑进去。

由上述分析可知，在燃气轮机的异常监测领域，传统的人工设计方法还没有能够完善利用振动频谱数据的手段，已有的方法限制于人工选择和跟踪的局限性，很难分析全部的频谱，因而对智能方法的使用成为了这个情形下技术发展的重要方向。目前人工智能算法对频谱的分析更多地还是一种有监督或半监督的学习，一旦缺少故障的样本就会使学习变得苦难，且缺乏不同工况间泛化性能，面对多工况问题仍需要离散化分析。一些方案引入了迁移学习的手段试图增加训练好的模型在不同场景、工况下应用的能力，也有一些方案选择了半监督的道路，自动从频谱数据中提取可能表征健康状态的参数，然后对这些参数的发展趋势和退化或故障程度进行结合，再设定阈值监测可能的故障。在这些实践中，研究者们采用了很多不同类型的传统机器学习模型、较新的神经网络模型或借鉴了它们的结构而设计的新模型。

发明内容

本发明的目的在于，提出了一种可以只依靠燃机正常运行产生的振动频谱对燃机状态进行监测的智能方法。本发明提出的方法是一种完全无需监督的人工智能方法，也不要求使用者拥有燃机应用领域内的专业知识。该方法可以根据给定的某时刻燃机加速度频谱，向使用者返回一个表征燃机正常程度的标量值以及一组和输入频谱长度相同的误差谱。返回的标量值可以用于简单判断燃机的异常状态，其值越大说明燃机越偏离正常状态；误差谱则可用于进一步推理和诊断故障的具体类型。在已有燃机的健康频谱数据充足的情况下，本发明提出的方法可以应用于已有健康数据所包含的所有工作条件的数据，而不需要进行额外对工况的离散化分类；同时该方法保留了完整的频谱信息，没有人工提取或丢弃数据的过程，从而保证最终结果不会因为缺少有效信息而降低准确度。

1.该方法在实际应用中主要包含以下具体流程：

(1)在处于健康状态的燃机上安装宽频加速度传感器，并正常运行至少100小时，保证有足够多的健康状态工作振动数据被记录；

(2)采集5～20kHz的健康宽频燃气轮机加速度波形数据，对其进行离散傅里叶变换转化为加速度频谱，并对加速度频谱做对数化预处理；

(3)搭建改进版深度变分自编码器神经网络模型；

(4)用健康燃机数据训练模型，获得健康状态下的重构误差R0的分布

(5)持续采集燃机数据；

(6)对持续采集的数据进行预处理；

(7)利用训练好的自编码器神经网络实时计算持续采集数据的重构误差R’，并与健康状态下重构误差R0的分布进行比较；

(8)若发现重构误差R’有增长趋势，则表明燃机健康状态发生劣化；若与健康重构误差R0分布相差过大，则表明燃机发生与机匣宽频振动相关的异常；将R’距离R0分布中心超过3倍标准差时作为预警限，超过5倍标准差作为报警限，预警和报警后需根据重构误差谱Rs对具体故障类型做进一步判断，指导工作人员对燃机进行操作。

2.本发明采用技术方案如下：

一种使用健康燃机频谱数据训练的改进版深度变分自编码器神经网络模型，该模型是一种由变分自编码器(Kingma D P,Welling M.(2014)Auto-Encoding VariationalBayes)发展而来的结构改进变体，被用于重构给定的燃机机匣宽频加速度频谱，并利用重构误差推理燃机在该数据下是否处在正常状态。

(1)采集模型所需的燃气轮机健康状态下的机匣宽频加速度频谱作为训练数据，使用传感器采集超过20kHz的机匣加速度振动波形数据，涵盖燃机内所有动静叶片的通过频率，接着通过傅里叶变换将波形数据转化为加速度频谱，实际使用时可以选择直接使用或对其取以e为底的对数。

(2)改进版深度变分自编码器模型在结构使用了多重尺度相结合的神经网络结构，在精确定位和分析叶片通过频率的同时也融合了频谱整体的趋势；利用自适应的中间层修正方法，使用了可以自动提取主要成分的解码器，与传统的解码器相比增加了对主要成分的提取；并使用了一种更适宜分析频谱的神经网络改进全连接层结构，对高次拟合有更好的效果。自编码器模型的通用公式为：

其中X为输入的原始频谱，

为自编码器重构的频谱。Decoder和Encoder分别代表解码器和编码器。

(3)多尺度融合神经网络结构使用小卷积核对频谱进行多次卷积并使用平均池化方法降维，同时增加通道数，接着将不同尺度的频谱特征图拼接，再进行全连接的抽象特征提取。

(4)自适应的中间层修正方法了多个解码器同时对抽象特征进行重构，通过控制神经网络的训练过程使每一级的变分深度自编码器隐变量输出逐步增强重构结果，而重要性按顺序递减。

(5)改进的神经网络全连接层结构将普通全连接层所输出的向量分为两组并相乘形成第三组，接着将第三组与前两组相拼接再作为该层的输出。改进的神经网络全连接层结构可以增强神经网络拟合含有高次项函数的能力，实验上发现对频谱数据有较好的重构效果。这是因为具有边频带的频谱数据往往涉及波形之间的乘法，而改进的全连接层在神经网络的结构中主动增添了乘积的结构，降低了训练难度，因此可以提升性能。

(6)利用重构误差推理燃机状态的方法利用异常数据与正常数据重构误差的分布不同，设定阈值以分辨二者；由于不同工况下的正常数据会在高维空间内组合形成流形，首先将该流形压缩到2至5维的低维空间内，即可利用深度变分自编码器模型学习数据到低维流形的映射关系并拓展该流形，使能被映射到该低维流形上的工作点拥有较小的重构误差而在不能被映射到该低维流形上的工作点拥有较大的重构误差；由于压缩到了低维空间，模型具有较强的泛化性能，以及对破损及不完整数据的鲁棒性，相比人类肉眼对比方法更为高效以及准确。

3.本发明具有以下优点及突出性效果：

本发明提出的方法可以对工作在各种工况下的地面燃气轮机和航空燃气轮机应用，当燃机发生叶片、轴承、碰摩、不同心等机械故障导致机匣宽频振动信号发生异常时，本发明方法可以对其异常状态进行智能检测。本发明提出的方法使用自适应的智能算法，无需操作人员对数据进行复杂的预处理或提供任何故障数据标签，便可以直接获得表征燃机健康状态的标量——技术方案(6)中所述的重构误差值。本发明提出的方法除了能够用于判断燃机的异常状态，还会产生误差谱，供研究者进一步利用和分析故障的具体类型。本发明提出的方法采用新颖的神经网络结构设计，使对频谱的建模更为高效准确。本发明提出的方法采用将高维数据映射到低维流形的学习方法，使模型具有很强的鲁棒性和泛化性能。在实际应用中，本发明在专家通过传统手段未能发现的情况下成功提前数日找到了某实际工业燃气轮机的叶片断裂故障迹象。

综合而言，本发明简单可靠，具有很高的灵活性，且适用范围广，便于工程实践中使用。

附图说明

图1是本发明涉及实施例的完整流程图。

图2是本发明涉及实施例的燃机宽频加速度频谱示例。

图3是本发明涉及实施例的降低分辨率和对数化后燃机宽频加速度频谱示例。

图4是本发明涉及实施例的改进版深度变分自编码器神经网络模型简图。

图5是本发明涉及实施例中使用的多尺度融合神经网络结构简图。

图6是本发明涉及实施例中使用的改进神经网络全连接层结构简图。

图7是本发明涉及实施例的神经网络训练过程中主隐变量重构训练误差曲线、全隐变量重构训练误差曲线及全隐变量重构测试误差曲线。

图8是本发明涉及实施例的健康/正常状态频谱重构谱及其原始频谱。

图9是本发明涉及实施例的非健康/叶片出现裂纹状态频谱重构谱及其原始频谱。

图10是本发明涉及实施例的燃机由健康持续运行到叶片出现裂纹时重构误差的变化趋势图。

图11是本发明涉及实施例的测试集中不同时间区间燃机频谱重构误差分布图。

图12是本发明涉及实施例的燃机由健康状态持续运行到叶片出现裂纹时加速度频谱通过模型的编码器映射得到的二维流形图。

具体实施方式

下面结合实施例进一步描述本发明。本发明的范围不受这些实施例限制。结合附图对本发明的内容进一步详细说明本发明具体工作原理的内容。

本发明设计的改进版深度变分自编码器神经网络模型被应用在一个实际的工程燃机叶片故障案例中，方法整体流程如图1所示。

首先在该燃机上安装了可以采集超过20kHz的宽频加速度传感器，并从燃机健康运行时开始持续采集波形信号。采集到的波形信号经过傅里叶变换后的0～20kHz宽频加速度频谱如图2所示。

在应用本发明时，可以适当降低输入频谱的分辨率，在对监测敏感度的牺牲较少的前提下使神经网络模型的训练更加稳定和快速。当燃机不同时间下的频谱总能量差异大于50％时，对其取以e为底的对数，尽量降低频谱幅值之间的差异。降低分辨率和对数化后的频谱示例如图3所示。

搭建本发明设计的改进版深度变分自编码器模型，使用多重尺度相结合的神经网络结构，在精确定位和分析叶片通过频率的同时也融合了频谱整体的趋势；利用自适应的中间层修正方法，构建了可以自动提取主要成分的解码器，与传统的解码器相比增加了对主要成分的提取；并使用了一种更适宜分析频谱的神经网络改进全连接层结构，对高次拟合有更好的效果。本发明设计的改进版深度变分自编码器模型的主要结构如图4所示。该模型主要有三种特殊的原创结构：

(1)多尺度融合的神经网络结构使用小卷积核对频谱进行多次卷积并使用平均池化方法降维，同时增加通道数，接着将不同尺度的频谱特征图拼接，再进行全连接的抽象特征提取。其中，多尺度融合神经网络结构简图如图5所示。

(2)改进的神经网络全连接层结构将普通全连接层所输出的向量分为两组并相乘形成第三组，接着将第三组与前两组相拼接再作为该层的输出，其公式为：

y₁＝W₁·Input+b₁

y₂＝W₂·lnput+b₂

Output＝activation(concatenate(y₁，y₂，y₁·y₂))

其中，Input和Output分别代表该层的输入和输出，W_1，2为可训练的权重参数，b_1，2为可训练的偏置参数，concatenate为矩阵的拼接操作，activation为激活函数，可选择较为传统的Tanh激活函数、ReLU激活函数，本案例中使用了带有自标准化功能的SeLU激活函数(Klambauer，G.，Unterthiner，T.，Mayr，A.，&Hochreiter，S.(2017).Self-NormalizingNeural Networks)。改进神经网络全连接层结构简图如图6所示。

(3)自适应的中间层修正方法了多个解码器同时对抽象特征进行重构，通过控制神经网络的训练过程使每一级的变分深度自编码器隐变量输出逐步增强重构结果，而重要性按顺序递减。

以X为输入频谱，X为本发明的自编码器模型重构出来的频谱，X与

满足表达式：

其中，Encoder_μM与Encoder_σM分别为变分自编码器模型中生成主要隐变量分布均值和方差的编码器，Encoder_μ1～N与Encoder_σ1～N分别为变分自编码器模型中生成其它(次主要、次次主要…)的隐变量分布均值和方差的编码器。L_M、L_1～N为经过重采样后的主、次隐变量采样值。B为由主隐变量经过初级解码器Decoder₀得到的输出中间量，再经后解码器Decoder重构为

相当于仅由L_M所包含的信息所重构的频谱。由于L_M中所包含的信息不够全面，故

的表达不够精确。因此使用DECR自适应中间层修饰器对B进行修饰，修饰的材料为次隐向量Li由权重解码器DecoderW_i与偏置解码器Decoderb_i解码获得的值。经过嵌套结构对B进行修饰，再经后解码器Decoder产生最终的重构频谱

当N足够大时，可以获得重构精度很高的

同时由于训练时的重要性不同，也获得代表了主要隐变量的L_M，用于进一步的分析。自适应中间层修正解码器的结构简图如图3解码器部分所示。上述所有公式亦可简化为

改进的自适应中间层修正解码器为本发明的一种具有良好效果的解码器特殊设计实例。

搭建完改进版深度变分自编码器神经网络模型后，使用反向传播梯度下降的方法训练该神经网络，实验中使用了基于自适应梯度和动量的Adam优化算法(DiederikP.Kingma,Jimmy Ba.(2014)Adam:A Method for Stochastic Optimization.)。

设计神经网络的损失函数为R，其中神经网络输出的平均重构误差R及重构误差谱Rs的公式为：

其中，R为重构误差；n为输入频谱的维度，其值为20000/F(频谱分辨率)，X为输入频谱，X_i为输入频谱中频率为

的幅值，X为变分自编码器重构出来的频谱，X_i为重构频谱中频率为

的幅值。在训练过程中，R被分别计算为R_M、R_1～N，如图3所示，并以不同的重要性作为目标函数进行反向传播训练，从而保证R_M最先得到收敛，R₁次之，最后到R_N。直至完成训练，应有R_M＞R₁＞…＞R_N。搭建了由健康频谱数据训练好的改进版深度变分自编码器神经网络模型并确定网络训练迭代方法后，采集一段实际工业场景下的变化工况下燃机叶片从正常到出现裂纹的连续数据，使用数据中的训练集部分训练本发明提出的模型，再将数据中的测试集部分经过模型进行重构频谱和重构误差值的输出并进行可视化。其中，该数据首先需经过预处理，将开停机期间转速过低的非稳态情况删除，预处理后的训练集与测试集划分如下：该连续数据的被确定为燃机正常状态的前12000组为训练集，可能在其中出现叶片故障的若干组及经过专家鉴定的已经出现叶片故障的直至停机的约48000组为测试集。由于本实施例中的数据为一次性采集，与流程图有所差异，测试集的48000组被作为图1中的“持续采集数据”过程。

本实施例主要目的是利用训练集的健康频谱训练模型，观察模型输出的可能具有叶片故障的48000组的重构谱，判断本发明提出方法是否能够检测出该燃机的叶片异常状态，即确认模型是否具有正确报警的能力；以及观察方法对于长序列数据的一致性——模型对健康或异常状态的判断不会发生经常性突变，若观察得到良好的一致性说明模型具有较低的误警率。训练过程中，观察主隐变量重构训练误差曲线、全隐变量重构训练误差曲线及全隐变量重构测试误差曲线，如图7所示。其中，主隐变量重构误差先减小，接着下降速度减缓，随即被全隐变量重构误差超越，遵循自适应修正层主隐变量重构误差优先降低、全隐变量重构最终误差比主隐变量重构误差低的规律，很好地提取了主要影响特征。此外，测试集重构误差整体也保持在下降水平，没有明显的升高趋势，说明没有发生过拟合现象。获取结果后，从测试集中较靠前和靠后的位置分别随机选取了两组重构频谱，并将其与其原频谱进行对比，如图8、9所示。图8、9中，深色线为原始频谱，浅色线为重构频谱。可见，图8中的频谱重构效果较好，虽然没有用这组数据进行过训练，但却和训练集几乎一样好地重构了频谱。而图9中的频谱重构效果较差，主要体现在峰值点出现位置的偏移和幅值上的差异。这个重构误差上的差异由具体重构误差值R也可以观察出来。图8中的频谱重构误差R＝0.0138，而图9中的频谱重构误差R＝0.0307，高出图8中的频谱重构误差两倍多。

在图10中展示的包含训练集在内的约60000组(做完数据清洗后)频谱数据的重构误差可知，训练集数据的重构误差处于一个比较平稳的较低水平，而测试集数据的重构误差首先处于与训练集数据相近的分布(此处的测试集重构误差略大于训练集重构误差，是符合正常规律的)；接着在一段波动后，达到了原重构误差近4倍的水平，且这个变化和工况是无关的。当将图10的三段进一步分析，

在图11中可以看出，三段数据属于界限清晰的三个不同分布。其中测试集前部分与训练集分布较近，而后部分较远。三个分布都整体呈现正态分布。通过对图10和图11的观察可以看出，本发明提出的模型对该燃机的健康和故障状态具有十分清晰的差异化响应，其测试数据重构误差分布中心远大于训练数据重构误差分布中心的3倍标准差，故本发明提出的方法可以监测出燃机的叶片故障。

在图12中，纯黑色部分为健康频谱数据组成的低维流形，灰色部分表示测试集用同样的模型被映射到的低维流形上，其中灰色越浅表示其重构误差越大(如图右侧是颜色条所示)。结合图12分析，也可以看出本发明提出的模型对于异常状态下的频谱数据具有较高的重构误差而对正常状态频谱数据重构误差较小的原因。这主要分为三部分解释：

(1)由于训练神经网络模型时向模型展示了大量的健康数据，且神经网络具有一定的泛化性能，因此会将健康数据及相似的数据都映射到低维空间上的代表健康数据的流形上，在图12中显示为纯黑色的训练集流形部分。当接收一个状态为健康的频谱数据时，模型会将其映射到低维空间。该数据由于与被展示过的健康频谱相近，因此被映射到了训练集健康数据所形成流形上。而低维流形上的数据又会通过解码器重构成健康状态的数据，如果该频谱数据再被重构为健康状态数据后，与原始数据差异较小，即可认定该数据属于健康数据。这种情况对应到图11中即为在黑色流形上或附近的灰色颜色也较深的部分。

(2)当接收一个状态未知的频谱数据时，模型会将其映射到低维空间。如果该组频谱数据被映射到了训练好的健康数据所形成流形上，却在重构为健康状态后与原始数据相差较大，则说明该数据虽然与健康数据相近，但却有少量的差异。这种情况往往是由于某些比如轴承故障等，在原健康频谱上增加了一些异常成分，模型由于具有良好的鲁棒性依然识别出了其基本模式，但会把它重构回该基本模式所对应的健康状态频谱。这时，通过观察模型输出重构误差谱Rs即可看出，在那些部分出现了较大的差异，这样就可以很好地进一步判断故障类型。这种情况对应到图12中即为在黑色流形上或附近的灰色颜色较浅的部分。

(3)当接收一个状态未知的频谱数据时，模型会将其映射到低维空间。如果该组频谱数据被映射到了健康频谱所组成流形以外，说明这种状态不是神经网络模型在训练中所见过的模式。而由于本专利提出的模型在训练时只会降低低维流形上的重构误差，因此流形以外的地方均会产生较大的重构误差。由于在训练的过程中使用了“足够多”的健康状态——包含了所有常见工况及外界状态的频谱数据，无法被映射到流形上只能说明这种状态是故障状态。而如果在健康数据不够充足的状态下使用本发明所提出的模型，需要进一步观察获得该频谱时燃机是否处在训练集所不包含的工作状态下(如：开到了以前从未达到的转速区间或处在不同的大气环境下)，并观察重构误差在调整回训练集所包含的工作状态下后重构误差是否回落。若回落，则说明燃机状态依然正常，但需要将刚刚所经历的状态加入训练集中补充训练神经网络模型；若不回落，则说明该燃机确实处于故障状态。这种情况对应到图12中即为距离黑色流形较远的灰色颜色也较浅的部分。

因此在使用本发明时应尽量在训练集足够完善的情况下使用，否则可能出现上文提到的意外情况，影响操作人员的判断。

Claims (3)

1.一种基于频谱重构误差的燃气轮机异常状态监测方法，其特征在于：所述方法针对由地面燃气轮机和航空燃气轮机叶片、轴承、碰摩、不同心的机械故障所产生的异常状态的智能检测，该方法使用改进后的深度变分自编码器重构燃机的机匣宽频加速度频谱，并利用重构误差推理燃机是否处在正常状态，且可以在任意训练集所包含的工况下使用；

该方法在实际应用中主要包含以下具体流程：

(1)在处于健康状态的燃机上安装宽频加速度传感器，并正常运行至少100小时，保证有足够多的健康状态工作振动数据被记录；

(2)采集5～20kHz的健康宽频燃气轮机加速度波形数据，对其进行傅里叶变换转化为加速度频谱，并对加速度频谱做对数化预处理；

(3)搭建改进版深度变分自编码器神经网络模型；

(4)用健康燃机数据训练模型，获得健康状态下的重构误差R0的分布；

(5)持续采集燃机数据；

(6)对持续采集的数据进行预处理；

(7)利用训练好的改进版深度变分自编码器神经网络模型实时计算持续采集数据的重构误差R’，并与健康状态下重构误差R0的分布进行比较；

(8)若发现重构误差R’有增长趋势，则表明燃机健康状态发生劣化；若与健康重构误差R0分布相差过大，则表明燃机发生与机匣宽频振动相关的异常；将R’距离R0分布中心超过3倍标准差时作为预警限，超过5倍标准差作为报警限，预警和报警后需根据重构误差谱Rs对具体故障类型做进一步判断，指导工作人员对燃机进行操作；

其中，所述改进后的深度变分自编码器，使用多重尺度相结合的神经网络结构；利用自适应的中间层修正方法，构建了可以自动提取主要成分的解码器；并使用了一种神经网络改进全连接层结构；

所述多重尺度相结合的神经网络结构使用小卷积核对频谱进行多次卷积并使用平均池化方法降维，同时增加通道数为原先的2倍，接着将不同尺度的频谱特征图拼接，再进行全连接的抽象特征提取；

所述自适应的中间层修正方法使用多个解码器同时对抽象特征进行重构，通过控制神经网络的训练过程使每一级的深度变分自编码器隐变量输出逐步增强重构结果，而重要性按顺序递减；

所述神经网络改进全连接层结构将普通全连接层所输出的向量分为两组并相乘形成第三组，接着将第三组与前两组相拼接再作为该层的输出。

2.如权利要求1所述的基于频谱重构误差的燃气轮机异常状态监测方法，其特征在于：所述机匣宽频加速度频谱使用传感器采集涵盖燃机内所有动静叶片通过频率且不低于20kHz的机匣加速度振动波形数据，通过傅里叶变换将所述波形数据转化为加速度频谱，实际使用时选择直接使用频谱，或当燃机不同时间下的频谱总能量差异大于50％时，对其取以e为底的对数。

3.如权利要求1所述的基于频谱重构误差的燃气轮机异常状态监测方法，其特征在于：所述利用重构误差推理燃机是否处在正常状态包括：利用异常数据与正常数据重构误差的分布不同，设定阈值以分辨二者；由于不同工况下的正常数据会在高维空间内组合形成流形，首先将该流形压缩到2至5维的低维空间内，利用深度变分自编码器模型学习数据到低维流形的映射关系并拓展该流形，使能被映射到该低维流形上的工作点拥有较小的重构误差而在不能被映射到该低维流形上的工作点拥有较大的重构误差。

Images