CN113989201B - 一种基于云计算与lstm的轴心轨迹识别方法 - Google Patents

一种基于云计算与lstm的轴心轨迹识别方法 Download PDF

Info

Publication number
CN113989201B
CN113989201B CN202111202808.4A CN202111202808A CN113989201B CN 113989201 B CN113989201 B CN 113989201B CN 202111202808 A CN202111202808 A CN 202111202808A CN 113989201 B CN113989201 B CN 113989201B
Authority
CN
China
Prior art keywords
data
inputting
imf
imf component
decomposition
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
CN202111202808.4A
Other languages
English (en)
Other versions
CN113989201A (zh
Inventor
胥佳瑞
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.)
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Original Assignee
Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
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 Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd filed Critical Thermal Power Generation Technology Research Institute of China Datang Corporation Science and Technology Research Institute Co Ltd
Priority to CN202111202808.4A priority Critical patent/CN113989201B/zh
Publication of CN113989201A publication Critical patent/CN113989201A/zh
Application granted granted Critical
Publication of CN113989201B publication Critical patent/CN113989201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

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

Abstract

本发明涉及一种基于云计算与LSTM的轴心轨迹识别方法，包括：(1)采集振动数据；(2)将原始数据进行预处理，提取分解出有效的IMF分量；(3)将训练数据的IMF分量输入到逆向云发生器中计算，获取训练数据的三个数字特征并形成特征向量；(4)将特征向量输入到神经网络LSTM模型中运算，实现识别分类，得到训练模型；(5)将提取出测试数据或其他振动故障数据的IMF分量输入到逆向云发生器中进行计算，获取其特征向量；(6)将步骤(5)的特征向量输入到神经网络LSTM模型中进行运算，最终得到识别分类结果。本发明能够快速识别轴心轨迹类型，提高轴心轨迹识别准确率，为汽轮机组振动故障诊断提供了有效依据，从而降低因振动故障带来的安全隐患。

Description

一种基于云计算与LSTM的轴心轨迹识别方法
技术领域
本发明涉及火力发电技术领域，尤其涉及一种基于云计算与LSTM的轴心轨迹识别方法。
背景技术
目前行业内火电机组深度调峰已成为常态，振动问题更是关系机组长期安全运行的重点和难点之一，而轴心轨迹图形在汽轮机振动故障诊断中广泛应用，不同的轴心轨迹对应着不同的振动故障类型，能够有效提高故障诊断准确率。
现有数据识别方法中存在故障数据量大，运算周期长，取用故障时间序列短等问题，导致轴心轨迹识别准确率低。因此，需要一种能够准确识别分类轴心轨迹图形，以提高振动故障诊断效率，进一步降低因振动故障带来的安全风险的方法。
发明内容
本发明的目的是提供一种基于云计算与LSTM的轴心轨迹识别方法，通过轴心轨迹识别，加强轴心轨迹识别准确率，进一步提高故障诊断效率，解决数据识别中故障数据量大，导致运算周期长以及故障时间选取序列短等问题。
本发明提供了一种基于云计算与LSTM的轴心轨迹识别方法，包括如下步骤：
(1)采集振动数据，在不同的故障类型下采集对应故障数据，对应转轴上X/Y两个电涡流传感器采集原始电压信号作为试验数据，分为训练数据与测试数据；
(2)将采集到的原始数据进行EEMD处理，利用相关系数法提取分解出有效的IMF分量，除去试验数据中的噪声干扰数据；
(3)将提取出训练数据的IMF分量输入到逆向云发生器中进行计算，获取训练数据的三个数字特征并形成特征向量；
(4)将特征向量输入到神经网络LSTM模型中，设置神经元数量、学习率和迭代次数进行运算，实现识别分类，得到训练模型；
(5)将提取出测试数据或其他振动故障数据的IMF分量输入到逆向云发生器中进行计算，获取其特征向量；
(6)将步骤(5)的特征向量输入到神经网络LSTM模型中进行运算，最终得到识别分类结果。
进一步地，所述步骤(2)具体包括如下步骤：
1)设EMD总体平均次数为K，i＝1；
2)将均值为零，标准差为常数的高斯白噪声加入原始信号中，白噪声标准差取原始信号标准差的0.1-0.4倍，即：
xi(t)＝x(t)+ni(t)
其中，xi(t)表示为第i次加入高斯白噪声后的信号，ni(t)表示为第i次加入的高斯白噪声；
3)用EEMD将信号xi(t)分解，分解得到P个IMF分量ci，j(t)(j＝1，2，...，p)，ci，j(t)表示第i次分解得到的第j个IMF分量，ri(t)表示第i次分解得到的余项；
4)当i＜K时，i＝i+1；返回步骤2)执行；
5)计算每次分解得到的IMF均值并将其作为EEMD分解的结果；
Figure BDA0003305648780000021
Figure BDA0003305648780000022
式中，cj(t)为原始信号EEMD分解得到的第j个IMF分量，r(t)表示第i次分解得到的余项；
6)利用相关系数的标准差来设置阈值，计算得出大于所设阈值，具有强相关性的IMF分量作为提纯后的数据。
借由上述方案，通过基于云计算与LSTM的轴心轨迹识别方法，能够快速识别轴心轨迹类型，提高轴心轨迹识别准确率，为汽轮机组振动故障诊断提供了有效依据，从而降低因振动故障带来的安全隐患，具体包括如下技术效果：
1)采用云计算方法获取特征向量，有效解决了故障数据量偏大的问题，能够及时获取故障的关键数据，为下一步识别分类提供了有效数据基础，解决了工程实践中应用难题。
2)采用神经网络LSTM模型，有效解决了故障数据选取时间序列短的问题，能够选取长序列数据，提高了轴心轨迹数据样本，进一步保证了轴心轨迹识别分类的准确性，更适用于工程实践应用中。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明逆向云发生器应用示意图；
图2是本发明基于云计算与LSTM的轴心轨迹识别方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参图1、图2所示，本实施例提供了一种基于云计算与LSTM的轴心轨迹识别方法，包括以下步骤：
(1)采集振动数据，在不同的故障类型下采集对应故障数据。对应转轴上X/Y两个电涡流传感器采集原始电压信号作为试验数据，分为训练数据与测试数据。
(2)对试验数据进行预处理，除去试验数据中的噪声干扰数据。将采集到的原始数据进行EEMD处理，利用相关系数法提取分解出有效的IMF分量，实现最终降噪目的。
(3)将提取出训练数据的IMF分量输入到逆向云发生器(CG-1)中进行计算，获取训练数据的三个数字特征(Ex、En、He)并形成特征向量。
(4)将特征向量输入到神经网络LSTM模型中，设置好神经元数量、学习率和迭代次数进行运算，实现识别分类，得到训练模型。
(5)将提取出测试数据或其他振动故障数据的IMF分量输入到逆向云发生器中进行计算，获取其特征向量。
(6)将特征向量输入到神经网络LSTM模型中进行运算，最终得到识别分类结果。
下面通过具体实施例对本发明作进一步详细说明。
(1)提取振动故障中质量不平衡、转子不对中两种故障数据作为试验数据，并分为训练样本和测试样本；
(2)对试验数据进行EEMD降噪处理，EEMD分解步骤如下：
1)设EMD总体平均次数为K，i＝1。
2)将均值为零，标准差为常数的高斯白噪声加入原始信号中(白噪声标准差取原始信号标准差的0.1-0.4倍)，即：
xi(t)＝x(t)+ni(t)
其中xi(t)表示为第i次加入高斯白噪声后的信号，ni(t)表示为第i次加入的高斯白噪声。
3)用EEMD将信号xi(t)分解，分解得到P个IMF分量ci，j(t)(j＝1，2，...，p)，ci，j(t)表示第i次分解得到的第j个IMF分量，ri(t)表示第i次分解得到的余项。
4)当i＜K时，i＝i+1；返回步骤2)执行。
5)计算每次分解得到的IMF均值并将其作为EEMD分解的结果。
Figure BDA0003305648780000041
Figure BDA0003305648780000042
式中cj(t)为原始信号EEMD分解得到的第j个IMF分量，r(t)表示第i次分解得到的余项。
6)利用相关系数的标准差来设置阈值，计算得出大于所设阈值，具有强相关性的IMF分量作为提纯后的数据。
(3)将上述得到的提纯后的信号，输入到逆向云发生器中进行计算，获得其数字特征产生特征向量，其中逆向云发生器三个数字特征为(无确定度)：
Figure BDA0003305648780000043
Figure BDA0003305648780000044
Figure BDA0003305648780000051
(超熵值)
(4)将上述计算得到的训练样本及测试样本的特征向量先后输入到神经网络LSTM模型中，设置好神经元数量、学习率和迭代次数进行运算，实现识别分类质量不平衡、转子不对中两种轴心轨迹。
通过上述识别方法，可将现场实时采集振动数据进行处理分类，最高效率完成轴心轨迹识别，最快为设备故障诊断提供依据，从而降低设备因振动导致的重大安全事故隐患。
云计算是定性值与定量值之间相互转换的一种计算方法，可以适用于大量数据处理的模型中。其中转换过程主要是通过云发生器来实现，包括正向云发生器与逆向云发生器。本实施例采用的是逆向云发生器，将设备振动故障产生的大量振动数据经过逆向云发生器运算，得到其对应的三个数字特征来表征其特征向量，解决了因数据量大带来的运算慢，效率低的问题，并且还提高了特征向量的准确性，为下一步识别分类奠定良好的数据基础。
LSTM神经网络解决了RNN的长时依赖问题，可以长期保存学习信息。其主要包含了三个门、记忆单元和记忆状态组成，通过记忆状态选取我们需要的信息，再通过三个门形成我们需要的信息，简言之就是丢掉不需要的信息，添加新的信息，实现信息的选择性过滤。对于实时海量数据模型，可以识别较长时间序列的故障数据，在工程应用中更具有优势。
本实施例结合云计算与LSTM神经网络模型，进行轴心轨迹识别，解决了生产现场中数据量大、时间周期长等具体问题，使得本方法应用性强，更加适合现场工程应用。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于云计算与LSTM的轴心轨迹识别方法，其特征在于，包括如下步骤：
(1)采集振动数据，在不同的故障类型下采集对应故障数据，对应转轴上X/Y两个电涡流传感器采集原始电压信号作为试验数据，分为训练数据与测试数据；
(2)将采集到的原始数据进行EEMD处理，利用相关系数法提取分解出有效的IMF分量，除去试验数据中的噪声干扰数据；
(3)将提取出训练数据的IMF分量输入到逆向云发生器中进行计算，获取训练数据的三个数字特征并形成特征向量；
(4)将特征向量输入到神经网络LSTM模型中，设置神经元数量、学习率和迭代次数进行运算，实现识别分类，得到训练模型；
(5)将提取出测试数据或其他振动故障数据的IMF分量输入到逆向云发生器中进行计算，获取其特征向量；
(6)将步骤(5)的特征向量输入到神经网络LSTM模型中进行运算，最终得到识别分类结果。
2.根据权利要求1所述的基于云计算与LSTM的轴心轨迹识别方法，其特征在于，所述步骤(2)具体包括如下步骤：
1)设EMD总体平均次数为K，i＝1；
2)将均值为零，标准差为常数的高斯白噪声加入原始信号中，白噪声标准差取原始信号标准差的0.1-0.4倍，即：
xi(t)＝x(t)+ni(t)
其中，xi(t)表示为第i次加入高斯白噪声后的信号，ni(t)表示为第i次加入的高斯白噪声；
3)用EEMD将信号xi(t)分解，分解得到P个IMF分量ci,j(t)(j＝1,2,…,p)，ci,j(t)表示第i次分解得到的第j个IMF分量，ri(t)表示第i次分解得到的余项；
4)当i<K时，i＝i+1；返回步骤2)执行；
5)计算每次分解得到的IMF均值并将其作为EEMD分解的结果；
Figure FDA0003305648770000021
Figure FDA0003305648770000022
式中，cj(t)为原始信号EEMD分解得到的第j个IMF分量，r(t)表示第i次分解得到的余项；
6)利用相关系数的标准差来设置阈值，计算得出大于所设阈值，具有强相关性的IMF分量作为提纯后的数据。
CN202111202808.4A 2021-10-15 2021-10-15 一种基于云计算与lstm的轴心轨迹识别方法 Active CN113989201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111202808.4A CN113989201B (zh) 2021-10-15 2021-10-15 一种基于云计算与lstm的轴心轨迹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111202808.4A CN113989201B (zh) 2021-10-15 2021-10-15 一种基于云计算与lstm的轴心轨迹识别方法

Publications (2)

Publication Number Publication Date
CN113989201A CN113989201A (zh) 2022-01-28
CN113989201B true CN113989201B (zh) 2023-04-07

Family

ID=79738783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111202808.4A Active CN113989201B (zh) 2021-10-15 2021-10-15 一种基于云计算与lstm的轴心轨迹识别方法

Country Status (1)

Country Link
CN (1) CN113989201B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646096B (zh) * 2016-11-15 2019-07-02 国网四川省电力公司广安供电公司 基于振动分析法的变压器故障分类和识别方法
CN106443310B (zh) * 2016-11-22 2018-12-28 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN111222458A (zh) * 2020-01-06 2020-06-02 浙江工业大学 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN113989201A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN111651937B (zh) 变工况下类内自适应轴承故障诊断方法
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
Zhang et al. The multiclass fault diagnosis of wind turbine bearing based on multisource signal fusion and deep learning generative model
Tang et al. A novel convolutional neural network for low-speed structural fault diagnosis under different operating condition and its understanding via visualization
CN106933778A (zh) 一种基于爬坡事件特征识别的风电功率组合预测方法
Jiang et al. Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm
CN110994604B (zh) 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN111898447B (zh) 基于辛几何模态分解的风电机组故障特征提取方法
Fan et al. Deep mixed domain generalization network for intelligent fault diagnosis under unseen conditions
CN110417005B (zh) 结合深度学习和仿真计算的暂态稳定严重故障筛选方法
CN110020637B (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN116070128A (zh) 一种基于对比自监督学习的时间序列设备故障诊断方法
Cao et al. Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern
CN109615109A (zh) 基于小样本数据的深度学习风电告警信息分析方法
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
CN116304836A (zh) 一种基于领域知识引导的少样本半监督轴承故障诊断方法
Song et al. Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram
CN115687970A (zh) 一种提升肌电信号识别准确率的方法
Qi et al. Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN113989201B (zh) 一种基于云计算与lstm的轴心轨迹识别方法
CN117407816A (zh) 一种基于对比学习的多元时间序列异常检测方法
CN111884236A (zh) 一种电网智能暂态稳定评估系统
CN116595450A (zh) 一种混合域特征优选的电能质量扰动识别方法

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