CN113255432B - 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 - Google Patents

基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 Download PDF

Info

Publication number
CN113255432B
CN113255432B CN202110362575.8A CN202110362575A CN113255432B CN 113255432 B CN113255432 B CN 113255432B CN 202110362575 A CN202110362575 A CN 202110362575A CN 113255432 B CN113255432 B CN 113255432B
Authority
CN
China
Prior art keywords
neural network
sample
layer
deep neural
label
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
CN202110362575.8A
Other languages
English (en)
Other versions
CN113255432A (zh
Inventor
马宇婷
杨兆瀚
周阳
白钰
贾韧锋
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.)
703th Research Institute of CSIC
Original Assignee
703th Research Institute of CSIC
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 703th Research Institute of CSIC filed Critical 703th Research Institute of CSIC
Priority to CN202110362575.8A priority Critical patent/CN113255432B/zh
Publication of CN113255432A publication Critical patent/CN113255432A/zh
Application granted granted Critical
Publication of CN113255432B publication Critical patent/CN113255432B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的在于提供基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，首先通过振动传感器采集振动故障数据，选取特征和故障类别，进一步对于原始数据进行标准化处理，有利于加权和训练；然后构建深度神经网络，提取抽象特征的同时利用流形对齐项维持数据原有几何结构，在分类层预测类别并获取损失函数，最后获得整体目标函数，通过梯度下降法迭代更新网络参数训练模型，直至最大迭代次数，获取最终网络模型，预测故障类别。本发明有助于不同特征指标的加权，加速学习过程。能够挖掘数据复杂结构和抽象特征，提高诊断精度。通过引入流形对齐项，有助于维持样本原始的流形结构，对于分布存在差异的数据，也能取得较好分类结果。

Description

基于深度神经网络与流形对齐的汽轮机振动故障诊断方法
技术领域
本发明涉及的是一种汽轮机控制方法，具体地说是汽轮机故障诊断方法。
背景技术
汽轮机作为一种能够将蒸汽热能转化为机械功的旋转机械，具有功率大、效率高、寿命长等优势，广泛应用于船舶、工业、电站等不同领域，汽轮机一旦发生故障会造成巨大经济损失，因此其安全稳定运行至关重要。随着科技发展，汽轮机振动故障诊断数据也迎来了大数据时代，如何充分利用汽轮机振动故障数据提取有效特征，进而提高其故障诊断准确率，成为极具研究性的课题。
传统基于浅层结构的汽轮机故障诊断方法，不能充分刻画数据分布，获取有效特征表达，致使诊断结果不够精准，而深度学习神经网络模型则可以通过学习大量样本数据，挖掘其复杂结构，提取抽象特征从而完成诊断任务，提高准确率。而普通神经网络模型虽能够很好拟合数据，但忽视了样本之间原始的几何流形结构，对于数据分布存在较大差异的情况，不利于诊断任务。
发明内容
本发明的目的在于提供能够挖掘数据复杂结构和抽象特征、提高诊断精度的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法。
本发明的目的是这样实现的：
本发明基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：
(1)将振动器采集的振动故障信号经过时域、频域处理方法选择样本原始特征向量，确定故障所属类别，构成原始样本数据集；
(2)对所有样本数据进行标准化处理；
(3)构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层；
(4)初始化神经网络的权重和偏置向量；
(5)提取训练样本在每个隐藏层的特征表达；
(6)根据初始训练样本和其第F隐藏层的特征表达构建流形对其正则项；
(7)根据样本真实标签和分类预测构建分类器的损失函数项；
(8)获得权重和偏置的衰减项；
(9)根据步骤(6)-(8)获得整体目标函数；
(10)使用梯度下降反向传播算法优化网络权重和偏置；
(11)重复步骤(5)-(10)至最大迭代次数；
(12)得到分类层的标签预测，最大概率所属标签即为预测标签。
本发明还可以包括：
1、步骤(1)中所述故障所属类别包括不平衡、不对中、自激振动、支撑松动、动静摩擦。
2、步骤(2)中，给定训练样本集
Figure BDA0003006169660000021
对样本数据标准化处理方式如下：
Figure BDA0003006169660000022
其中N表示样本数量，d(1)表示样本特征维度,
Figure BDA0003006169660000023
表示第i个样本，Y＝{1,…,K}表示类别标签集合，每个样本的标签Yi∈Y，/>
Figure BDA0003006169660000024
Figure BDA0003006169660000025
Xi,j表示标准化样本集X第i行，第j列元素。
3、步骤(5)中，提取训练样本在每个隐藏层的特征表达，第l+1层特征提取方式如下：
Figure BDA0003006169660000026
式中，
Figure BDA0003006169660000027
表示第l层和第l+1层的特征维数分别为d(l)和d(l+1),/>
Figure BDA0003006169660000028
和/>
Figure BDA0003006169660000029
分别表示权重矩阵和偏置向量，f(·)为sigmoid激活函数，即/>
Figure BDA00030061696600000210
4、步骤(6)中，构建流行对其正则项方式如下：
Figure BDA00030061696600000211
Figure BDA0003006169660000031
式中，
Figure BDA0003006169660000032
1N∈RN由N维1向量组成,T表示转置，Wg∈RN×N表示相似度矩阵，定义方式如下：
Figure BDA0003006169660000033
式中，
Figure BDA0003006169660000034
exp(-d(Xi,Xj))用以衡量样本Xi和Xj间的相似程度。
5、步骤(7)中，构建损失函数项方法如下：
预估样本所属各标签类别概率：
Figure BDA0003006169660000035
/>
根据样本实际标签和预估类别概率得到损失函数项:
Figure BDA0003006169660000036
式中，
Figure BDA0003006169660000037
表示W(F)的第j行，j∈{1,2,…,K}表示第j个类别标签。
6、步骤(8)中，权重衰减项为：
Figure BDA0003006169660000038
7、步骤(9)中，获得的目标函数如下：
Figure BDA0003006169660000039
式中，μ和λ为常量系数。
8、步骤(10)中，使用梯度下降反向传播算法优化网络权重和偏置方法如下：
Figure BDA00030061696600000310
Figure BDA00030061696600000311
Figure BDA0003006169660000041
式中，η为常量学习速率。
9、步骤(12)，得到分类层的标签预测，最大概率所属标签即为预测标签：
Figure BDA0003006169660000042
本发明的优势在于：本发明首先对于原始特征进行标准化处理，然后通过深度神经网络提取抽象特征的同时，利用流行对齐项保持数据原有几何结构，最后通过迭代更新网络参数训练模型，用于完成汽轮机振动故障诊断任务。本发明方法相较于传统故障诊断方法有如下优势：
1、对于汽轮机振动故障数据标准化处理，对多维特征无量纲化有利于数据初始化的进行，有助于不同特征指标的加权，加速学习过程。
2、采用深度神经网络，通过学习大量汽轮机振动故障数据，能够挖掘数据复杂结构和抽象特征，提高诊断精度。
3、通过引入流形对齐项，有助于维持样本原始的流形结构，对于分布存在差异的数据，也能取得较好分类结果。
附图说明
图1为本发明的流程图；
图2为深度神经网络模型示意图；
图3为流形对齐构图示意图。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1-3，本发明采用的基于深度神经网络与流形对齐模型，通过充分利用汽轮机组振动故障数据和多种故障参数，构建深度网络模型，提取抽象特征，并引入流形对齐项使得提取的特征接近样本间原有几何结构，通过梯度下降法迭代更新模型参数，获取最终网络模型用于高效准确地解决汽轮机振动故障诊断问题。
本发明采取的技术方案如下：
步骤1：将振动器采集的振动故障信号经过时域、频域等处理方法选择样本原始特征向量，确定故障所属类别(如：不平衡、不对中、自激振动、支撑松动、动静摩擦等)，构成原始样本数据集；
步骤2：对所有样本数据进行标准化处理；
步骤3：构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层；
步骤4：初始化神经网络的权重和偏置向量；
步骤5：提取训练样本在每个隐藏层的特征表达；
步骤6：根据初始训练样本和其第F隐藏层的特征表达构建流形对其正则项；
步骤7：根据样本真实标签和分类预测构建分类器的损失函数项；
步骤8：获得权重和偏置的衰减项；
步骤9：根据步骤6-8获得整体目标函数；
步骤10：使用梯度下降反向传播算法优化网络权重和偏置；
步骤11：重复步骤5-10至最大迭代次数；
步骤12：得到分类层的标签预测，最大概率所属标签即为预测标签。
步骤2，给定训练样本集
Figure BDA0003006169660000051
其中N表示样本数量，d(1)表示样本特征维度,
Figure BDA0003006169660000052
表示第i个样本，Y＝{1,…,K}表示类别标签集合，每个样本的标签Yi∈Y。对样本数据标准化处理方式如下：
Figure BDA0003006169660000053
式中，
Figure BDA0003006169660000054
Xi,j表示标准化样本集X第i行，第j列元素。
步骤4，权重采用随机初始化方式，偏置初始化为0向量。
步骤5，第l+1层特征提取方式如下：
Figure BDA0003006169660000055
式中，
Figure BDA0003006169660000056
表示第l层和第l+1层的特征维数分别为d(l)和d(l+1),/>
Figure BDA0003006169660000061
和/>
Figure BDA0003006169660000062
分别表示权重矩阵和偏置向量，f(·)为sigmoid激活函数，即/>
Figure BDA0003006169660000063
步骤6，构建流行对其正则项方式如下：
Figure BDA0003006169660000064
式中，
Figure BDA0003006169660000065
1N∈RN由N维1向量组成,“T”表示转置，Wg∈RN×N表示相似度矩阵，定义方式如下：
Figure BDA0003006169660000066
式中，
Figure BDA0003006169660000067
exp(-d(Xi,Xj))用以衡量样本Xi和Xj间的相似程度。
步骤7，构建softmax分类器损失函数项方法如下：
步骤7.1，预估样本所属各标签类别概率：
Figure BDA0003006169660000068
步骤7.2，根据样本实际标签和预估类别概率得到损失函数项:
Figure BDA0003006169660000069
式中，
Figure BDA00030061696600000610
表示W(F)的第j行，j∈{1,2,…,K}表示第j个类别标签。
步骤8权重衰减项为：
Figure BDA00030061696600000611
步骤9获得的目标函数如下：
Figure BDA00030061696600000612
式中，μ和λ为常量系数。
步骤10，使用梯度下降反向传播算法优化网络权重和偏置方法如下：
Figure BDA0003006169660000071
/>
Figure BDA0003006169660000072
Figure BDA0003006169660000073
式中，η为常量学习速率。
图1为基于深度神经网络与流形对齐的汽轮机振动故障诊断方法的流程图。首先，通过振动传感器采集振动故障数据，选取特征和故障类别，进一步对信号进行标准化处理；然后，构建深度神经网络，获取抽象特征并引入流形对齐项，预测类别并获取分类器损失函数项；最后，根据整体目标函数优化网络参数，直至最大迭代次数，获取最终故障诊断网络模型，预测故障类别。具体步骤如下：
本实例故障数据产生于某工业领域，转速范围为1500r/min-5600r/min,采用同步整周期采样方法，再采集的信号中共选取10000份故障样本，对应5种故障类型，随机选取60％样本作为训练样本，另外40％样本作为测试样本。
步骤1：将振动器采集的振动故障信号经过时域、频域等处理方法选择样本原始特征向量(时域选取波形、峰值、脉冲、裕度、峭度和歪度6个指标，频域选取10个频率的谱值，共16维度)，确定故障所属类别(选取不平衡、不对中、自激振动、支撑松动、动静摩擦5个类别)，构成原始样本数据集；
步骤2：对所有样本数据进行标准化处理：
给定训练样本集
Figure BDA0003006169660000074
其中N表示样本数量，d(1)表示样本特征维度,
Figure BDA0003006169660000075
表示第i个样本，Y＝{1,…,K}表示类别标签集合，每个样本的标签Yi∈Y。对样本数据标准化处理方式如下：
Figure BDA0003006169660000076
式中，
Figure BDA0003006169660000077
Xi,j表示标准化样本集X第i行，第j列元素。
步骤3：构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层：
图2为深度神经网络模型示意图，本实例选取3层神经网络模型，输入层节点数为16、隐藏层节点数选为10，分类层节点数为5。
步骤4：初始化神经网络的权重和偏置向量：
权重采用随机初始化方式，偏置初始化为0向量。
步骤5：提取训练样本在每个隐藏层的特征表达：
第l+1层特征提取方式如下：
Figure BDA0003006169660000081
式中，
Figure BDA0003006169660000082
表示第l层和第l+1层的特征维数分别为d(l)和d(l+1),/>
Figure BDA0003006169660000083
和/>
Figure BDA0003006169660000084
分别表示权重矩阵和偏置向量，f(·)为sigmoid激活函数，即/>
Figure BDA0003006169660000085
步骤6：根据初始训练样本和其第F隐藏层的特征表达构建流形对其正则项：
构建流行对其正则项方式如下：
Figure BDA0003006169660000086
式中，
Figure BDA0003006169660000087
1N∈RN由N维1向量组成,“T”表示转置，Wg∈RN×N表示相似度矩阵，定义方式如下：
Figure BDA0003006169660000088
式中，
Figure BDA0003006169660000089
exp(-d(Xi,Xj))用以衡量样本Xi和Xj间的相似程度。
图3为流形对齐构图示意图，SN表示样本的相似近邻，希望学习的隐藏特征也能保持最初样本的近邻关系。
步骤7：根据样本真实标签和分类预测构建分类器的损失函数项：
步骤7.1，预估样本所属各标签类别概率：
Figure BDA0003006169660000091
步骤7.2，根据样本实际标签和预估类别概率得到损失函数项:
Figure BDA0003006169660000092
式中，
Figure BDA0003006169660000093
表示W(F)的第j行，j∈{1,2,…,K}表示第j个类别标签。
步骤8：获得权重和偏置的衰减项：
Figure BDA0003006169660000094
步骤9：根据步骤6-8获得整体目标函数：
Figure BDA0003006169660000095
式中，μ和λ为常量系数。本案例选取μ取值在区间[0.01,0.05]、λ取值在区间[0.001,0.01]，分类效果较好。
步骤10：使用梯度下降反向传播算法优化网络权重和偏置：
Figure BDA0003006169660000096
Figure BDA0003006169660000097
Figure BDA0003006169660000098
式中，η为常量学习速率，本案例选择η＝0.01。
步骤11：重复步骤5-10至最大迭代次数：
本实例设置最大迭代次数T＝100，可以获得较好的分类结果。
步骤12：得到分类层的标签预测，最大概率所属标签即为预测标签：
Figure BDA0003006169660000099
分10次随机选取不同训练集和测试集，得到的预测标签准确率分别为：第一次：99.45；第二次：99.67；第三次：98.88；第四次：99.66；第五次：99.53；第六次：99.78；第七次：98.96；第八次：99.86；第九次：99.75；第十次：99.58。平均故障诊断正确率为：99.51。
另外，将训练模型应用于所处环境相似的某船舶领域系统，平均故障诊断正确率高达：97.35。

Claims (9)

1.基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：
(1)将振动器采集的振动故障信号经过时域、频域处理方法选择样本原始特征向量，确定故障所属类别，构成原始样本数据集；
(2)对所有样本数据进行标准化处理；
(3)构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层；
(4)初始化神经网络的权重和偏置向量；
(5)提取训练样本在每个隐藏层的特征表达；
(6)根据初始训练样本和其第F隐藏层的特征表达构建流形对齐正则项；
(7)根据样本真实标签和分类预测构建分类器的损失函数项；
(8)获得权重和偏置的衰减项；
(9)根据步骤(6)-(8)获得整体目标函数；
(10)使用梯度下降反向传播算法优化网络权重和偏置；
(11)重复步骤(5)-(10)至最大迭代次数；
(12)得到分类层的标签预测，最大概率所属标签即为预测标签；
步骤(6)中，构建流形对齐正则项方式如下：
Figure FDA0003837251460000011
式中，
Figure FDA0003837251460000012
1N∈RN由N维1向量组成,T表示转置，Wg∈RN×N表示相似度矩阵，定义方式如下：
Figure FDA0003837251460000021
式中，
Figure FDA0003837251460000022
exp(-d(Xi，Xj))用以衡量样本Xi和Xj间的相似程度。
2.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(1)中所述故障所属类别包括不平衡、不对中、自激振动、支撑松动、动静摩擦。
3.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(2)中，给定训练样本集
Figure FDA0003837251460000023
对样本数据标准化处理方式如下：
Figure FDA0003837251460000024
其中N表示样本数量，d(1)表示样本特征维度,
Figure FDA0003837251460000025
表示第i个样本，Y＝{1，…，K}表示类别标签集合，每个样本的标签Yi∈Y，/>
Figure FDA0003837251460000026
Figure FDA0003837251460000027
Xi，j表示标准化样本集X第i行，第j列元素。
4.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(5)中，提取训练样本在每个隐藏层的特征表达，第l+1层特征提取方式如下：
Figure FDA0003837251460000028
式中，
Figure FDA0003837251460000029
表示第l层和第l+1层的特征维数分别为d(l)和d(l+1),
Figure FDA0003837251460000031
和/>
Figure FDA0003837251460000032
分别表示权重矩阵和偏置向量，f(·)为sigmoid激活函数，即/>
Figure FDA0003837251460000033
5.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(7)中，构建损失函数项方法如下：
预估样本所属各标签类别概率：
Figure FDA0003837251460000034
根据样本实际标签和预估类别概率得到损失函数项:
Figure FDA0003837251460000035
式中，
Figure FDA0003837251460000036
表示W(F)的第j行，j∈{1，2，…，K}表示第j个类别标签。
6.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(8)中，权重衰减项为：
Figure FDA0003837251460000037
7.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(9)中，获得的目标函数如下：
Figure FDA0003837251460000038
式中，μ和λ为常量系数。
8.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(10)中，使用梯度下降反向传播算法优化网络权重和偏置方法如下：
Figure FDA0003837251460000041
Figure FDA0003837251460000042
Figure FDA0003837251460000043
式中，η为常量学习速率。
9.根据权利要求1所述的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：步骤(12)，得到分类层的标签预测，最大概率所属标签即为预测标签：
Figure FDA0003837251460000044
/>
CN202110362575.8A 2021-04-02 2021-04-02 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 Active CN113255432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110362575.8A CN113255432B (zh) 2021-04-02 2021-04-02 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110362575.8A CN113255432B (zh) 2021-04-02 2021-04-02 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

Publications (2)

Publication Number Publication Date
CN113255432A CN113255432A (zh) 2021-08-13
CN113255432B true CN113255432B (zh) 2023-03-31

Family

ID=77220247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110362575.8A Active CN113255432B (zh) 2021-04-02 2021-04-02 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

Country Status (1)

Country Link
CN (1) CN113255432B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113685235B (zh) * 2021-08-23 2023-07-25 华能威海发电有限责任公司 一种汽轮发电机组的故障确定方法及系统
CN113566953B (zh) * 2021-09-23 2021-11-30 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN114970735B (zh) * 2022-06-09 2023-06-27 哈尔滨工业大学 基于正弦修正焦点损失的燃机类不平衡诊断方法及系统
CN117151196B (zh) * 2023-10-26 2024-01-30 湘江实验室 一种基于逐层增量期望传播的可解释性故障诊断归因方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829782A (zh) * 2020-07-16 2020-10-27 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408014A (zh) * 2016-09-12 2017-02-15 华侨大学 一种基于流形对齐的半监督分类方法
CN107403191A (zh) * 2017-07-03 2017-11-28 杭州电子科技大学 一种具有深度结构的半监督超限学习机分类方法
CN109711481B (zh) * 2019-01-02 2021-09-10 京东方艺云科技有限公司 用于画作多标签识别的神经网络、相关方法、介质和设备
CN110132554B (zh) * 2019-04-17 2020-10-09 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN112414714A (zh) * 2020-11-05 2021-02-26 苏州大学 基于自适应流形概率分布的轴承故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829782A (zh) * 2020-07-16 2020-10-27 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法

Also Published As

Publication number Publication date
CN113255432A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113255432B (zh) 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法
Saufi et al. Gearbox fault diagnosis using a deep learning model with limited data sample
Zhu et al. Acoustic signal-based fault detection of hydraulic piston pump using a particle swarm optimization enhancement CNN
CN112161784B (zh) 基于多传感器信息融合迁移网络的机械故障诊断方法
CN106248368B (zh) 一种基于深度学习的燃机涡轮叶片故障检测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN110006649B (zh) 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN113281048B (zh) 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN112257530A (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN115435892A (zh) 一种复杂机电装备的智能故障诊断方法
CN112733447A (zh) 一种基于域自适应网络的水下声源定位方法及系统
CN116028876A (zh) 一种基于迁移学习的滚动轴承故障诊断方法
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
Ehsan et al. Wind speed prediction and visualization using long short-term memory networks (LSTM)
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115964923A (zh) 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
Yao et al. Fault Diagnosis of Rolling Bearing based on VMD Feature Energy Reconstruction and ADE-ELM
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Yang et al. An improved probabilistic neural network with ga optimization

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