CN113624466A - 汽轮机转子故障诊断方法、装置、设备及存储介质 - Google Patents
汽轮机转子故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113624466A CN113624466A CN202110776475.XA CN202110776475A CN113624466A CN 113624466 A CN113624466 A CN 113624466A CN 202110776475 A CN202110776475 A CN 202110776475A CN 113624466 A CN113624466 A CN 113624466A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- value
- vibration
- convolution
- preset
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及汽轮机技术领域,公开了一种汽轮机转子故障诊断方法、装置、设备及存储介质,该方法包括:获取汽轮机转子的待检测振动信号,并对待检测振动信号进行堆叠,获得振动二维矩阵;对振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵;将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得待检测振动信号对应的故障诊断信息;对故障诊断信息进行分析,获得待检测振动信号的故障诊断结果。相较于现有技术,需要手动进行特征提取和特征选择,导致人工的工作量较大,而本发明根据待检测振动信号获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得故障诊断信息,从而提高了汽轮机转子的故障诊断效率。
Description
技术领域
本发明涉及汽轮机技术领域,尤其涉及一种汽轮机转子故障诊断方法、装置、设备及存储介质。
背景技术
目前针对汽轮机转子故障诊断所采用的模型高阶特征学习是需要手动的进行特征提取和特征选择,这无疑是加剧了人工的工作量,且人工的特征提取和选择会花费大量的时间,从而影响了整个诊断流程的效率及准确率。因此,如何高效准确地获取汽轮机转子故障诊断结果是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种汽轮机转子故障诊断方法、装置、设备及存储介质,旨在解决如何高效准确地获取汽轮机转子故障诊断结果的技术问题。
为实现上述目的,本发明提供一种汽轮机转子故障诊断方法,所述汽轮机转子故障诊断方法包括以下步骤:
获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵;
对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵;
将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息;
对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
优选地,所述获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵的步骤之前,包括:
按照预设转子转动规则采集样本汽车机转子对应的样本振动信号;
对所述样本振动信号进行堆叠,获得样本二维输入矩阵,并对所述样本二维输入矩阵进行傅里叶变换,获得训练样本数据;
根据所述训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对所述训练样本数据进行处理,获得样本卷积核丢弃数据;
根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型。
优选地,所述根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
根据卷积核权值及卷积局部区域、所述样本一维卷积矩阵和所述样本卷积核丢弃数据获得卷积核丢弃率和丢弃卷积层输出值;
在所述卷积核丢弃率满足预设概率分布时,对所述丢弃卷积层输出值进行归一化,获得归一处理值;
对所述归一处理值进行全局平均池化,获得池化区域结果;
根据神经元权值、神经元偏置值及所述池化区域结果确定所述训练样本数据的预测标签,并根据所述预测标签确定模型损失函数;
根据所述模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型。
优选地,所述对所述归一处理值进行全局平均池化,获得池化区域结果的步骤,包括:
根据所述归一处理值通过预设激活函数公式计算神经元的激活值;
根据所述神经元的激活值通过预设全局平均池化公式计算池化区域结果;
所述预设激活函数公式为:
所述预设全局平均池化公式为:
式中,W为池化区域宽度,pl(i,j)为第l层第i帧第j个池化区域结果。
优选地,所述根据所述预测标签确定模型损失函数的步骤,包括:
获取所述训练样本数据的真实标签,并根据所述真实标签和所述预设标签确定标签误差值;
根据所述标签误差值和所述训练样本数据对应的真实值确定模型损失函数。
优选地,所述根据所述模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
根据所述损失函数对所述卷积核权值进行处理,获得卷积核权值求导值;
根据所述损失函数对所述卷积局部区域进行处理,获得卷积局部区域求导值;
根据所述损失函数对所述神经元权值进行处理,获得神经元权重求导值;
根据所述损失函数对所述神经元偏置值进行处理,获得神经元偏置求导值;
根据所述损失函数对所述神经元的激活值进行处理,获得激活求导值;
根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型。
优选地,所述根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
判断所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值是否满足预设求导条件;
在不满足所述预设求导条件时,根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型中的模型参数进行调整,并根据调整后的模型参数构建预设转子故障诊断模型。
此外,为实现上述目的,本发明还提出一种汽轮机转子故障诊断装置,所述汽轮机转子故障诊断装置包括:
获取模块,用于获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵;
变换模块,用于对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵;
诊断模块,用于将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息;
分析模块,用于对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
此外,为实现上述目的,本发明还提出一种汽轮机转子故障诊断设备,所述汽轮机转子故障诊断设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽轮机转子故障诊断程序,所述汽轮机转子故障诊断程序被所述处理器执行时实现如上文所述的汽轮机转子故障诊断方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有汽轮机转子故障诊断程序,所述汽轮机转子故障诊断程序被处理器执行时实现如上文所述的汽轮机转子故障诊断方法的步骤。
本发明中,首先获取汽轮机转子的待检测振动信号,并对待检测振动信号进行堆叠,获得振动二维矩阵,然后对振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得待检测振动信号对应的故障诊断信息,最后对故障诊断信息进行分析,获得待检测振动信号的故障诊断结果。相较于现有技术,需要手动进行特征提取和特征选择,导致人工的工作量较大,而本发明根据待检测振动信号获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得故障诊断信息,从而提高了汽轮机转子的故障诊断效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的汽轮机转子故障诊断设备的结构示意图;
图2为本发明汽轮机转子故障诊断方法第一实施例的流程示意图;
图3为本发明汽轮机转子故障诊断方法第二实施例的流程示意图;
图4为本发明汽轮机转子故障诊断装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的汽轮机转子故障诊断设备结构示意图。
如图1所示,该汽轮机转子故障诊断设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对汽轮机转子故障诊断设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及汽轮机转子故障诊断程序。
在图1所示的汽轮机转子故障诊断设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述汽轮机转子故障诊断设备通过处理器1001调用存储器1005中存储的汽轮机转子故障诊断程序,并执行本发明实施例提供的汽轮机转子故障诊断方法。
基于上述硬件结构,提出本发明汽轮机转子故障诊断方法的实施例。
参照图2,图2为本发明汽轮机转子故障诊断方法第一实施例的流程示意图,提出本发明汽轮机转子故障诊断方法第一实施例。
在第一实施例中,所述汽轮机转子故障诊断方法包括以下步骤:
步骤S10:获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵。
需要说明的是,本实施例的执行主体是汽轮机转子故障诊断设备,其中,该设备是具有数据通信及程序运行等功能的汽轮机转子故障诊断设备,也可为其他设备,本实施例对此不做限制。
转子产生的是振动信号,振动信号为一维信号,对所述待检测振动信号进行堆叠,获得振动二维矩阵的处理方式可以为将采集到的源信号(即待检测振动信号)按照每转一圈采集到的近似数逐行堆叠成二维的输入矩阵即振动二维矩阵等。
步骤S20:对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵。
将上述得到的振动二维矩阵作为二维的输入矩阵,之后对二维的输入矩阵对应的矩阵数据进行快速傅里叶变换,获得待输入数据,最后将待输入数据(即一维卷积矩阵)作为一维卷积模型的输入矩阵等。
步骤S30:将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息。
故障诊断信息为待检测振动信号对应的故障诊断数据,该故障诊断数据可以为1或0,由于待检测振动信号可能为单个振动信号,还可能为多个振动信号,在待检测振动信号为单个振动信号时,获取的故障诊断信息为单个;在待检测振动信号为多个振动信号时,获取的故障诊断信息为多个等。
还需要说明的是,将振动一维卷积矩阵输入至预设转子故障诊断模型之前,还需要构建预设转子故障诊断模型,其中,构建预设转子故障诊断模型的步骤为,按照预设转子转动规则采集样本汽车机转子对应的样本振动信号,然后对样本振动信号进行堆叠,获得样本二维输入矩阵,并对样本二维输入矩阵进行傅里叶变换,获得训练样本数据,根据训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对训练样本数据进行处理,获得样本卷积核丢弃数据,最后根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型。
预设转子转动规则采集样本汽车机转子对应的样本振动信号为转子转动一圈作为一组振动信号,其中样本振动信号为多组振动信号等,预设置零规则为对数据进行随机置零等。
在具体实现中,将采集到的源信号(即样本振动信号)按照每转一圈采集到的样本的近似数逐行堆叠成二维的输入矩阵即样本二维输入矩阵,对样本二维输入矩阵对应的矩阵数据进行快速傅里叶变换,对收集到的样本振动信号随机抽取30%作为测试样本集,剩下70%作为训练样本集。最后将训练样本数据作为一维卷积(1D-CNN)模型的输入矩阵即样本一维卷积矩阵。
在第一层大卷积前,添加丢弃(Dropout)输入,并对卷积核Dropout操作,对于包含n个神经元节点的网络,在Dropout作用下,可看作是2n个模型的集成,相当于原始的子网络,两者的网络层数相同且权值共享,但模型整体参数数目不变,简化了运算过程。训练样本随机置零能够为输入信号添加噪声,是训练后的模型在训练集和测试集分布不同的情况下也能精确的诊断。每次训练中,任意神经元与随机抽取的不同神经元共同优化,有效地降低了神经元间地联合适应性,减少了过拟合现象,增强了泛化能力。
Dropout是指深度网络训练中,以一定的概率随机地“临时丢弃”一部分神经元节点。Dropout属于一种大规模深度神经网络集成算法,当网络规模庞大且参数繁多时,算法需要消耗大量的运算时间和空间。在Dropout算法的应用中,设置令某一神经元暂停工作,即以固定概率p“丢弃”神经元节点激活值,能够有效地抑制神经网络过拟合现象,从而提高网络的泛化能力。
根据训练样本数据和样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,根据卷积核权值及卷积局部区域、样本一维卷积矩阵和样本卷积核丢弃数据获得卷积核丢弃率和丢弃卷积层输出值,在卷积核丢弃率满足预设概率分布时,对丢弃卷积层输出值进行归一化,获得归一处理值,对归一处理值进行全局平均池化,获得池化区域结果,根据神经元权值、神经元偏置值及池化区域结果确定训练样本数据的预测标签,并根据预测标签确定模型损失函数,根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型,其中预设概率分布可以为0~0.8的均匀分布等,卷积局部区域为被卷积的局部区域。
模型中卷积核随机置零设计意在为被卷积区域添加一定噪声。由于实际工况中噪声为不确定性因素,本文采用变化的Dropout来模拟噪声的多样性,在测试样本中加入高斯白噪声来模拟噪声环境下的诊断过程,以信噪比指标来判断噪声含量,为避免模型训练过程中噪声添加过量导致识别准确率不精确,每经过5次训练对Dropout置1。
对归一处理值进行全局平均池化,获得池化区域结果的步骤为,根据归一处理值通过预设激活函数公式计算神经元的激活值(即经过ReLU激活函数计算,得到新的激活值),根据神经元的激活值通过预设全局平均池化公式计算池化区域结果;
预设激活函数公式为:
预设全局平均池化公式为:
式中,W为池化区域宽度,pl(i,j)为第l层第i帧第j个池化区域结果。
根据预测标签确定模型损失函数的步骤为,获取训练样本数据的真实标签,并根据真实标签和预设标签确定标签误差值,根据标签误差值和训练样本数据对应的真实值确定模型损失函数。
根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型的处理方式为,根据损失函数对卷积核权值进行处理,获得卷积核权值求导值,根据损失函数对卷积局部区域进行处理,获得卷积局部区域求导值,根据损失函数对神经元权值进行处理,获得神经元权重求导值,根据损失函数对神经元偏置值进行处理,获得神经元偏置求导值,根据损失函数对神经元的激活值进行处理,获得激活求导值,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型。
根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,判断卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值是否满足预设求导条件,在不满足预设求导条件时,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型中的模型参数进行调整,并根据调整后的模型参数构建预设转子故障诊断模型。
预设求导条件为求导值是否等于零,在求导值小于零时,增加模型参数,在求导值大于零时,减小模型参数,在等于零时,将该模型作为训练好的模型等。
步骤S40:对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
故障诊断信息为待检测振动信号对应的诊断数据,故障诊断数据可以为1或0,由于待检测振动信号可能为单个振动信号,还可能为多个振动信号,在待检测振动信号为单个振动信号时,获取的故障诊断信息为单个;在待检测振动信号为多个振动信号时,获取的故障诊断信息为多个等。
假设1为正常标识,0为故障标识,振动信号对应输出的故障诊断信息为0,则该振动信号存在故障,若振动信号对应输出的故障诊断信息为1,则该振动信号为正常等。
在本实施中,首先获取汽轮机转子的待检测振动信号,并对待检测振动信号进行堆叠,获得振动二维矩阵,然后对振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得待检测振动信号对应的故障诊断信息,最后对故障诊断信息进行分析,获得待检测振动信号的故障诊断结果。相较于现有技术,需要手动进行特征提取和特征选择,导致人工的工作量较大,而本发明根据待检测振动信号获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得故障诊断信息,从而提高了汽轮机转子的故障诊断效率。
此外,参照图3,图3为基于上述汽轮机转子故障诊断方法第一实施例,提出本发明汽轮机转子故障诊断方法第二实施例。
在第二实施例中,汽轮机转子故障诊断方法中所述步骤S10之前,还包括:
步骤S001:按照预设转子转动规则采集样本汽车机转子对应的样本振动信号。
预设转子转动规则采集样本汽车机转子对应的样本振动信号为转子转动一圈作为一组振动信号,其中样本振动信号为多组振动信号等。
步骤S002:对所述样本振动信号进行堆叠,获得样本二维输入矩阵,并对所述样本二维输入矩阵进行傅里叶变换,获得训练样本数据。
在具体实现中,将采集到的源信号(即样本振动信号)按照每转一圈采集到的样本的近似数逐行堆叠成二维的输入矩阵即样本二维输入矩阵,对样本二维输入矩阵对应的矩阵数据进行快速傅里叶变换,对收集到的样本振动信号随机抽取30%作为测试样本集,剩下70%作为训练样本集。最后将训练样本数据作为一维卷积(1D-CNN)模型的输入矩阵即样本一维卷积矩阵。
步骤S003:根据所述训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对所述训练样本数据进行处理,获得样本卷积核丢弃数据。
在第一层大卷积前,添加丢弃(Dropout)输入,并对卷积核Dropout操作,对于包含n个神经元节点的网络,在Dropout作用下,可看作是2n个模型的集成,相当于原始的子网络,两者的网络层数相同且权值共享,但模型整体参数数目不变,简化了运算过程。训练样本随机置零能够为输入信号添加噪声,是训练后的模型在训练集和测试集分布不同的情况下也能精确的诊断。每次训练中,任意神经元与随机抽取的不同神经元共同优化,有效地降低了神经元间地联合适应性,减少了过拟合现象,增强了泛化能力。
需要说明的是,样本卷积核丢弃数据为训练样本随机置零对应的噪声数据等。
Dropout是指深度网络训练中,以一定的概率随机地“临时丢弃”一部分神经元节点。Dropout属于一种大规模深度神经网络集成算法,当网络规模庞大且参数繁多时,算法需要消耗大量的运算时间和空间。在Dropout算法的应用中,设置令某一神经元暂停工作,即以固定概率p“丢弃”神经元节点激活值,能够有效地抑制神经网络过拟合现象,从而提高网络的泛化能力。
步骤S004:根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型。
根据训练样本数据和样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,根据卷积核权值及卷积局部区域、样本一维卷积矩阵和样本卷积核丢弃数据获得卷积核丢弃率和丢弃卷积层输出值,在卷积核丢弃率满足预设概率分布时,对丢弃卷积层输出值进行归一化,获得归一处理值,对归一处理值进行全局平均池化,获得池化区域结果,根据神经元权值、神经元偏置值及池化区域结果确定训练样本数据的预测标签,并根据预测标签确定模型损失函数,根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型,其中预设概率分布可以为0~0.8的均匀分布等,卷积局部区域为被卷积的局部区域。
模型中卷积核随机置零设计意在为被卷积区域添加一定噪声。由于实际工况中噪声为不确定性因素,本文采用变化的Dropout来模拟噪声的多样性,在测试样本中加入高斯白噪声来模拟噪声环境下的诊断过程,以信噪比指标来判断噪声含量,为避免模型训练过程中噪声添加过量导致识别准确率不精确,每经过5次训练对Dropout置1。
由于全连接层占比最大,通常Dropout用于全连接层,但本实施例中,将Dropout用在第一层卷积核,Dropout率p服从0~0.8的均匀分布;控制第i个卷积核中第k个权值是否被激活的开关rli(k)服从概率为p的伯努利分布;损失函数L对第一层与其他层的卷积核权值偏导公式为:
式中,Psignal为信号的有效功率,Pnoise为噪声的有效功率,p为卷积核丢弃率,xl(j)为第l层的第j个卷积核的被卷积的局部区域,为第k个数据在第l层的第i个卷积核的第j个权值的输出值,为第l层的第i个卷积核的第j个权值,为第k个数据的第j个元素的标签值,为第k个数据的第j个元素的输出值,L为损失函数,m为数据个数。
对第一层通过批量归一化操作公式进行批量归一化处理,然后进行最大池化,获得输出特征,在激活函数前加入批量归一化处理,将激活函数的输入进行标准化,从而提高网络的训练效率。换句话说,批量归一化操作相当于对数据分布多加了一层制约,等同于在上一层输出与每一层输入间加入了一个新的计算层。经过归一化处理后的输入分布均值为0,标准差为1.批量归一化操作虽然可以有效地提高了模型地泛化能力,但是却一定程度上降低了模型的拟合能力,操作后数据整体处于函数地非饱和区域。例如,sigmoid激活函数只包含线性变换,之前学习到地特征分布均遭到破坏。为恢复原始数据,对原始特征分布进行重构,在重构过程中引入两个可学习参数γ和β。批规范化(Batch Normalization,BN)作用在卷积层时,令第l个BN层地输入为(yl(i,1),...,yl(i,j),...,yl(i,p)),yl(i,j)为第l层的第i个卷积核的第j个权值的输出值作为批量处理的输入。
批量归一化操作公式为:
式中,m为批处理数据的数量,p为卷积核丢弃率,yl(i,j)为第l层的第i个卷积核的第j个权值的输出值作为批量处理的输入,为批处理数据的方差,ε为常数,μB为批量处理数据的均值,为第l层的第i个卷积核的第j个权值的输出值的归一化值(即归一处理值),Zl(i,j)为第l层的第i个卷积核的第j个权值的输出值批处理操作的函数模型,γl(i)和βl(i)为参数,为第k个数据在第l层的第i个卷积核的第j个权值的输出值。
神经元经过批量归一化处理后得到两个可训练参数,通过这对参数能够帮助网络恢复原始网络所需特征分布。对于一般网络来所,不采用批量归一化操作时,这两个参数依赖于前面网络学习到地连接权重(对应复杂地非线性)。而在批量归一化操作中,γ和β变成了该层地学习参数,仅用两个参数就可以恢复最优地输入数据分布,与之前网络层的参数解耦,从而更加有利于优化的过程,提高模型的泛化能力。
批量归一化操作的反向求导及损失函数关于BN层神经元及导数推导过程如下:
式中,L为损失函数,m为批处理数据的数量,p为卷积核丢弃率,为第l层的第i个卷积核的第j个权值的输出值的归一化值,为批处理数据的方差,ε为常数,μB为批量处理数据的均值,γl(i)为参数,βl(i)为参数,为第k个数据的Dropout卷积层第l层的第i个卷积核的第j个权值的输出值,为第k个数据在第l层的第i个卷积核的第j个权值的输出值。
对归一处理值进行全局平均池化,获得池化区域结果的步骤为,根据归一处理值通过预设激活函数公式计算神经元的激活值(即经过ReLU激活函数计算,得到新的激活值),根据神经元的激活值通过预设全局平均池化公式计算池化区域结果;
预设激活函数公式为:
预设全局平均池化公式为:
式中,W为池化区域宽度,pl(i,j)为第l层第i帧第j个池化区域结果。
全连接层公式为:
式中,为l层第i个神经元与下层第j个神经元间的权值,zl+1(j)为l+1层第j个输出神经元的交叉熵的函数(logits),为l层所有神经元对下层中第j个神经元的偏置值,pl(i,j)为第l层第i帧第j个池化区域结果。
根据预测标签确定模型损失函数的步骤为,获取训练样本数据的真实标签,并根据真实标签和预设标签确定标签误差值,根据标签误差值和训练样本数据对应的真实值确定模型损失函数。
根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型的处理方式为,根据损失函数对卷积核权值进行处理,获得卷积核权值求导值,根据损失函数对卷积局部区域进行处理,获得卷积局部区域求导值,根据损失函数对神经元权值进行处理,获得神经元权重求导值,根据损失函数对神经元偏置值进行处理,获得神经元偏置求导值,根据损失函数对神经元的激活值进行处理,获得激活求导值,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型。
在本实施例中,根据所述损失函数通过预设求导公式分别对卷积层输入值xl(j)、卷积核权值激活层的激活值αl(i,t)、权重及偏置进行求导,得到卷积层输入值xl(j)求导值、卷积核权值的求导值,及激活层的激活值αl(i,t)求导值、权重求导值及偏置求导值。
预设求导公式为:
式中,yl(i,j)为第l层的第i个卷积核的第j个权值的输出值作为批量处理的输入,αl(i,j)为第l层第i帧第j个神经元的激活值,L为损失函数,xl(j)为第l层的第j个卷积核的被卷积的局部区域,为第l层的第i个卷积核的第j个权值,αl(i,t)为第l层第i帧第t个神经元的激活值,pl(i,j)为第l层第i帧第j个池化区域结果,zl+1(j)为l+1层第j个输出神经元的交叉熵的函数,为l层第i个神经元与下层第j个神经元间的权值,为l层所有神经元对下层中第j个神经元的偏置值。
根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,判断卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值是否满足预设求导条件,在不满足预设求导条件时,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型中的模型参数进行调整,并根据调整后的模型参数构建预设转子故障诊断模型。
预设求导条件为求导值是否等于零,在求导值小于零时,增加模型参数,在求导值大于零时,减小模型参数,在等于零时,将该模型作为训练好的模型等。
在本实施例中,首先按照预设转子转动规则采集样本汽车机转子对应的样本振动信号,对样本振动信号进行堆叠,获得样本二维输入矩阵,并对样本二维输入矩阵进行傅里叶变换,获得训练样本数据,根据训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对训练样本数据进行处理,获得样本卷积核丢弃数据,最后根据训练样本数据和样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型,相较于现有技术中,需要手动进行特征提取和特征选择,而本实施例中,对样本振动信号进行处理,获得训练样本数据和样本卷积核丢弃数据,之后根据训练样本数据和样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型,从而提高了汽轮机转子的故障诊断效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有汽轮机转子故障诊断程序,所述汽轮机转子故障诊断程序被处理器执行时实现如上文所述的汽轮机转子故障诊断方法的步骤。
此外,参照图4,本发明实施例还提出一种汽轮机转子故障诊断装置,所述汽轮机转子故障诊断装置包括:
获取模块4001,用于获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵。
转子产生的是振动信号,振动信号为一维信号,对所述待检测振动信号进行堆叠,获得振动二维矩阵的处理方式可以为将采集到的源信号(即待检测振动信号)按照每转一圈采集到的近似数逐行堆叠成二维的输入矩阵即振动二维矩阵等。
变换模块4002,用于对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵。
将上述得到的振动二维矩阵作为二维的输入矩阵,之后对二维的输入矩阵对应的矩阵数据进行快速傅里叶变换,获得待输入数据,最后将待输入数据(即一维卷积矩阵)作为一维卷积模型的输入矩阵等。
诊断模块4003,用于将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息。
故障诊断信息为待检测振动信号对应的故障诊断数据,该故障诊断数据可以为1或0,由于待检测振动信号可能为单个振动信号,还可能为多个振动信号,在待检测振动信号为单个振动信号时,获取的故障诊断信息为单个;在待检测振动信号为多个振动信号时,获取的故障诊断信息为多个等。
还需要说明的是,将振动一维卷积矩阵输入至预设转子故障诊断模型之前,还需要构建预设转子故障诊断模型,其中,构建预设转子故障诊断模型的步骤为,按照预设转子转动规则采集样本汽车机转子对应的样本振动信号,然后对样本振动信号进行堆叠,获得样本二维输入矩阵,并对样本二维输入矩阵进行傅里叶变换,获得训练样本数据,根据训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对训练样本数据进行处理,获得样本卷积核丢弃数据,最后根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型。
预设转子转动规则采集样本汽车机转子对应的样本振动信号为转子转动一圈作为一组振动信号,其中样本振动信号为多组振动信号等,预设置零规则为对数据进行随机置零等。
在具体实现中,将采集到的源信号(即样本振动信号)按照每转一圈采集到的样本的近似数逐行堆叠成二维的输入矩阵即样本二维输入矩阵,对样本二维输入矩阵对应的矩阵数据进行快速傅里叶变换,对收集到的样本振动信号随机抽取30%作为测试样本集,剩下70%作为训练样本集。最后将训练样本数据作为一维卷积(1D-CNN)模型的输入矩阵即样本一维卷积矩阵。
在第一层大卷积前,添加丢弃(Dropout)输入,并对卷积核Dropout操作,对于包含n个神经元节点的网络,在Dropout作用下,可看作是2n个模型的集成,相当于原始的子网络,两者的网络层数相同且权值共享,但模型整体参数数目不变,简化了运算过程。训练样本随机置零能够为输入信号添加噪声,是训练后的模型在训练集和测试集分布不同的情况下也能精确的诊断。每次训练中,任意神经元与随机抽取的不同神经元共同优化,有效地降低了神经元间地联合适应性,减少了过拟合现象,增强了泛化能力。
Dropout是指深度网络训练中,以一定的概率随机地“临时丢弃”一部分神经元节点。Dropout属于一种大规模深度神经网络集成算法,当网络规模庞大且参数繁多时,算法需要消耗大量的运算时间和空间。在Dropout算法的应用中,设置令某一神经元暂停工作,即以固定概率p“丢弃”神经元节点激活值,能够有效地抑制神经网络过拟合现象,从而提高网络的泛化能力。
根据训练样本数据和样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,根据卷积核权值及卷积局部区域、样本一维卷积矩阵和样本卷积核丢弃数据获得卷积核丢弃率和丢弃卷积层输出值,在卷积核丢弃率满足预设概率分布时,对丢弃卷积层输出值进行归一化,获得归一处理值,对归一处理值进行全局平均池化,获得池化区域结果,根据神经元权值、神经元偏置值及池化区域结果确定训练样本数据的预测标签,并根据预测标签确定模型损失函数,根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型,其中预设概率分布可以为0~0.8的均匀分布等,卷积局部区域为被卷积的局部区域。
模型中卷积核随机置零设计意在为被卷积区域添加一定噪声。由于实际工况中噪声为不确定性因素,本文采用变化的Dropout来模拟噪声的多样性,在测试样本中加入高斯白噪声来模拟噪声环境下的诊断过程,以信噪比指标来判断噪声含量,为避免模型训练过程中噪声添加过量导致识别准确率不精确,每经过5次训练对Dropout置1。
对归一处理值进行全局平均池化,获得池化区域结果的步骤为,根据归一处理值通过预设激活函数公式计算神经元的激活值(即经过ReLU激活函数计算,得到新的激活值),根据神经元的激活值通过预设全局平均池化公式计算池化区域结果;
预设激活函数公式为:
预设全局平均池化公式为:
式中,W为池化区域宽度,pl(i,j)为第l层第i帧第j个池化区域结果。
根据预测标签确定模型损失函数的步骤为,获取训练样本数据的真实标签,并根据真实标签和预设标签确定标签误差值,根据标签误差值和训练样本数据对应的真实值确定模型损失函数。
根据模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型的处理方式为,根据损失函数对卷积核权值进行处理,获得卷积核权值求导值,根据损失函数对卷积局部区域进行处理,获得卷积局部区域求导值,根据损失函数对神经元权值进行处理,获得神经元权重求导值,根据损失函数对神经元偏置值进行处理,获得神经元偏置求导值,根据损失函数对神经元的激活值进行处理,获得激活求导值,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型。
根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型的步骤为,判断卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值是否满足预设求导条件,在不满足预设求导条件时,根据卷积核权值求导值、卷积局部区域求导值、神经元权重求导值、神经元偏置求导值及激活求导值对初始网络模型中的模型参数进行调整,并根据调整后的模型参数构建预设转子故障诊断模型。
预设求导条件为求导值是否等于零,在求导值小于零时,增加模型参数,在求导值大于零时,减小模型参数,在等于零时,将该模型作为训练好的模型等。
分析模块4004,用于对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
故障诊断信息为待检测振动信号对应的诊断数据,故障诊断数据可以为1或0,由于待检测振动信号可能为单个振动信号,还可能为多个振动信号,在待检测振动信号为单个振动信号时,获取的故障诊断信息为单个;在待检测振动信号为多个振动信号时,获取的故障诊断信息为多个等。
假设1为正常标识,0为故障标识,振动信号对应输出的故障诊断信息为0,则该振动信号存在故障,若振动信号对应输出的故障诊断信息为1,则该振动信号为正常等。
在本实施中,首先获取汽轮机转子的待检测振动信号,并对待检测振动信号进行堆叠,获得振动二维矩阵,然后对振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得待检测振动信号对应的故障诊断信息,最后对故障诊断信息进行分析,获得待检测振动信号的故障诊断结果。相较于现有技术,需要手动进行特征提取和特征选择,导致人工的工作量较大,而本发明根据待检测振动信号获得振动一维卷积矩阵,之后将振动一维卷积矩阵输入至预设转子故障诊断模型中,获得故障诊断信息,从而提高了汽轮机转子的故障诊断效率。
本发明汽轮机转子故障诊断装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种汽轮机转子故障诊断方法,其特征在于,所述汽轮机转子故障诊断方法包括:
获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵;
对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵;
将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息;
对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
2.如权利要求1所述的方法,其特征在于,所述获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵的步骤之前,包括:
按照预设转子转动规则采集样本汽车机转子对应的样本振动信号;
对所述样本振动信号进行堆叠,获得样本二维输入矩阵,并对所述样本二维输入矩阵进行傅里叶变换,获得训练样本数据;
根据所述训练样本数据生成样本一维卷积矩阵,并按照预设置零规则对所述训练样本数据进行处理,获得样本卷积核丢弃数据;
根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型。
3.如权利要求2所述的方法,其特征在于,所述根据所述训练样本数据和所述样本卷积核丢弃数据对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
根据卷积核权值及卷积局部区域、所述样本一维卷积矩阵和所述样本卷积核丢弃数据获得卷积核丢弃率和丢弃卷积层输出值;
在所述卷积核丢弃率满足预设概率分布时,对所述丢弃卷积层输出值进行归一化,获得归一处理值;
对所述归一处理值进行全局平均池化,获得池化区域结果;
根据神经元权值、神经元偏置值及所述池化区域结果确定所述训练样本数据的预测标签,并根据所述预测标签确定模型损失函数;
根据所述模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型。
5.如权利要求4所述的方法,其特征在于,所述根据所述预测标签确定模型损失函数的步骤,包括:
获取所述训练样本数据的真实标签,并根据所述真实标签和所述预设标签确定标签误差值;
根据所述标签误差值和所述训练样本数据对应的真实值确定模型损失函数。
6.如权利要求5所述的方法,其特征在于,所述根据所述模型损失函数对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
根据所述损失函数对所述卷积核权值进行处理,获得卷积核权值求导值;
根据所述损失函数对所述卷积局部区域进行处理,获得卷积局部区域求导值;
根据所述损失函数对所述神经元权值进行处理,获得神经元权重求导值;
根据所述损失函数对所述神经元偏置值进行处理,获得神经元偏置求导值;
根据所述损失函数对所述神经元的激活值进行处理,获得激活求导值;
根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型。
7.如权利要求6所述的方法,其特征在于,所述根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型进行训练,获得预设转子故障诊断模型的步骤,包括:
判断所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值是否满足预设求导条件;
在不满足所述预设求导条件时,根据所述卷积核权值求导值、所述卷积局部区域求导值、所述神经元权重求导值、所述神经元偏置求导值及所述激活求导值对初始网络模型中的模型参数进行调整,并根据调整后的模型参数构建预设转子故障诊断模型。
8.一种汽轮机转子故障诊断装置,其特征在于,所述汽轮机转子故障诊断装置包括:
获取模块,用于获取汽轮机转子的待检测振动信号,并对所述待检测振动信号进行堆叠,获得振动二维矩阵;
变换模块,用于对所述振动二维矩阵进行傅里叶变换,获得振动一维卷积矩阵;
诊断模块,用于将所述振动一维卷积矩阵输入至预设转子故障诊断模型中,获得所述待检测振动信号对应的故障诊断信息;
分析模块,用于对所述故障诊断信息进行分析,获得所述待检测振动信号的故障诊断结果。
9.一种汽轮机转子故障诊断设备,其特征在于,所述汽轮机转子故障诊断设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽轮机转子故障诊断程序,所述汽轮机转子故障诊断程序被所述处理器执行时实现如权利要求1至7中任一项所述的汽轮机转子故障诊断方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有汽轮机转子故障诊断程序,所述汽轮机转子故障诊断程序被处理器执行时实现如权利要求1至7中任一项所述的汽轮机转子故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776475.XA CN113624466B (zh) | 2021-07-08 | 2021-07-08 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776475.XA CN113624466B (zh) | 2021-07-08 | 2021-07-08 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113624466A true CN113624466A (zh) | 2021-11-09 |
CN113624466B CN113624466B (zh) | 2023-10-03 |
Family
ID=78379576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776475.XA Active CN113624466B (zh) | 2021-07-08 | 2021-07-08 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113624466B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114593919A (zh) * | 2022-03-28 | 2022-06-07 | 青岛理工大学 | 一种新型的滚动轴承故障诊断方法及其系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN109555566A (zh) * | 2018-12-20 | 2019-04-02 | 西安交通大学 | 一种基于lstm的汽轮机转子故障诊断方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
US20200089207A1 (en) * | 2017-08-30 | 2020-03-19 | Hitachi, Ltd. | Failure diagnosis system |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
CN111539486A (zh) * | 2020-05-12 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于Dropout深度置信网络的变压器故障诊断方法 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
CN112766200A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 |
CN113033309A (zh) * | 2021-02-25 | 2021-06-25 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
-
2021
- 2021-07-08 CN CN202110776475.XA patent/CN113624466B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
US20200089207A1 (en) * | 2017-08-30 | 2020-03-19 | Hitachi, Ltd. | Failure diagnosis system |
CN109555566A (zh) * | 2018-12-20 | 2019-04-02 | 西安交通大学 | 一种基于lstm的汽轮机转子故障诊断方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
CN111539486A (zh) * | 2020-05-12 | 2020-08-14 | 国网四川省电力公司电力科学研究院 | 一种基于Dropout深度置信网络的变压器故障诊断方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
CN112766200A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 |
CN113033309A (zh) * | 2021-02-25 | 2021-06-25 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张燕平等: "基于信息熵-灰关联度法的汽轮机振动故障诊断", 《武汉理工大学学报》, vol. 29, no. 8, pages 150 - 153 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114593919A (zh) * | 2022-03-28 | 2022-06-07 | 青岛理工大学 | 一种新型的滚动轴承故障诊断方法及其系统 |
CN114593919B (zh) * | 2022-03-28 | 2023-11-17 | 青岛理工大学 | 一种新型的滚动轴承故障诊断方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113624466B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111976389B (zh) | 轮胎磨损程度辨识方法及装置 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
CN112613584A (zh) | 一种故障诊断方法、装置、设备及存储介质 | |
CN113191240A (zh) | 轴承故障诊断的多任务深度神经网络方法及装置 | |
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 | |
CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN114155397A (zh) | 一种小样本图像分类方法及系统 | |
CN111522736A (zh) | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 | |
CN113624466A (zh) | 汽轮机转子故障诊断方法、装置、设备及存储介质 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
CN116580176A (zh) | 基于轻量化网络MobileViT的车载CAN总线异常检测方法 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN116243680A (zh) | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 | |
CN116222753A (zh) | 一种转子系统故障敏感特征提取方法及系统 | |
CN113569879B (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
CN113076544A (zh) | 基于深度学习模型压缩的漏洞检测方法、系统及移动设备 | |
CN111967364A (zh) | 复合故障诊断方法、装置、电子设备和存储介质 | |
CN116128882B (zh) | 基于不平衡数据集的电机轴承故障诊断方法、设备及介质 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
Ye et al. | The Gamma/Weibull customer lifetime model |
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 |