CN114638266A - 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法 - Google Patents

一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法 Download PDF

Info

Publication number
CN114638266A
CN114638266A CN202210275468.6A CN202210275468A CN114638266A CN 114638266 A CN114638266 A CN 114638266A CN 202210275468 A CN202210275468 A CN 202210275468A CN 114638266 A CN114638266 A CN 114638266A
Authority
CN
China
Prior art keywords
fault
layer
gas turbine
vmd
diagnosis
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.)
Pending
Application number
CN202210275468.6A
Other languages
English (en)
Inventor
朱瑞
徐思宇
王明鑫
韩清鹏
袁斌霞
王道累
仝心
贺柯源
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.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power 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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202210275468.6A priority Critical patent/CN114638266A/zh
Publication of CN114638266A publication Critical patent/CN114638266A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于VMD‑WT‑CNN的燃气轮机转子多故障耦合信号处理和诊断方法，包括以下步骤：S1：对转子实验平台测得的耦合故障信号进行变分模态分解获取含不同故障特征分量信号，利用相关系数选取有效特征分量；S2：对选取的分量进行小波变换阈值降噪处理；S3：将降噪处理后分量输入到卷积神经网络诊断模型进行故障诊断。本发明首先结合变分模态分解、相关系数法、小波变换对原始信号进行分解降噪处理，然后将处理信号输入卷积神经网络进行故障诊断。该方法能够很好剔除噪声信号干扰，并克服信号分解过程产生模态混叠和端点效应影响，将不同故障信号分离和诊断识别，对于燃气轮机转子以及其他大型旋转机械转子轴承多故障情况均可达到较好诊断效果。

Description

一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和 诊断方法
技术领域
本发明涉及燃气轮机技术领域，具体为一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法。
背景技术
燃气轮机集新技术、新材料、新工艺于一身，以超级高效、清洁、灵活的特点，被誉为装备制造业“皇冠上的明珠”。而转子作为燃气轮机旋转核心部件，通常运行在高温、高压、高转速等恶劣工况下，特别是在温度场、流场、应力场等多物理场耦合作用情况下，其受力情况极其复杂，振动问题也十分突出。由于转子振动涉及众多因素，如不平衡、不对中、碰摩、裂纹及松动等，故针对转子振动问题分析十分重要。
近些年，深度学习概念被提出，打开了各行各业与人工智能融合发展的大门。由于深度学习具有强大的特征提取、融合能力，而转子振动故障信号中包含了许多故障特征信号，利用深度学习特征信号提取这一强大优点，将包含不同故障特征信号分类识别，可以到达很好的诊断效果。因此，该专利主要基于深度学习这一特点将其融于燃气轮机转子振动耦合故障信号，从而实现智能诊断目的。
现有的转子故障处理方法存在的缺陷是：
1、专利文件CN113947114A公开了基于Transformer神经网络和轴心轨迹的燃气轮机转子故障诊断方法，“包括以下步骤：1)采集转子X、Y向的原始振动信号合成转子原始轴心轨迹，并采用自适应小波阈值法对原始轴心轨迹进行提纯；2)对提纯后新的轴心轨迹进行图像处理，转换为尺寸一致的单通道图像，并采用独立成分分析法提取轴心轨迹的图像特征，构造训练样本；3)构建基于transformer神经网络的故障诊断模型并通过训练样本进行训练，并根据训练好的故障诊断模型实现燃气轮机转子的故障诊断，识别转子故障类型。与现有技术相比，本发明采用自然语言处理领域前沿的神经网络一定程度上提高了基于轴心轨迹的转子故障诊断准确率，提升了诊断效率，对电厂运维具有一定的指导意义”；
2、专利文件CN113469230A公开了一种转子系统深度迁移故障诊断方法，“系统及介质，其包括：对WDCNN模型进行预训练，获得预先设定的分类效果后，保存整个WDCNN模型，并给予该模型初始权值；将预训练得到的WDCNN模型迁移至源域，对WDCNN模型进行微调，在预先设置标签的燃气轮机正常数据集上进行训练，更新WDCNN模型权重；在目标域中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征；利用SVM对目标域数据集所有的映射特征进行分类，实现燃气轮机的故障识别。本发明能有效提高故障诊断的精度，有利于解决燃气轮机转子系统正常运行数据多、故障数据少而难以形成均衡类别训练模型的问题”；
3、专利文件CN110988680A公开了基于时频处理的电动机转子故障显化方法，“解决现有电机断条故障处理方法计算复杂、处理过程会导致故障特征频率的幅值不同程度衰减，不利于转子故障定量诊断及监测的问题。该方法包括以下步骤：步骤一、采集电动机转子原始单相电流；步骤二、进行傅里叶变换，得到待处理的频域信号；步骤三、进行频谱校正，得到幅值、频率、相位准确的基波信号；步骤四、原始单相电流与基波信号进行差值计算，得到去除基波信号的无基波电流信号；步骤五、对无基波电流信号进行傅里叶变换，得到频率与幅值的对应矩阵，将该对应矩阵作图，得到频谱图；步骤六、在频谱图中观察是否有明显突出于其他频率的幅值，若有，则有转子断条故障发生”，综上所述，现阶段针对转子单故障诊断研究较为成熟，但多故障耦合研究则较少，研究方法也主要依靠传统人工经验，诊断精度和效率较低，对于耦合故障信号有效分离存在一定难度。基于传统的故障诊断方法很难同时完成以下三个主要任务：一是对故障是否存在的诊断，二是对故障位置和故障类型诊断，三是故障发生的程度。尤其是针对运行工况复杂的转子，传统模式识别诊断方法不足体现得更明显。
发明内容
本发明的目的在于提供一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，以解决上述背景技术中提出的转子系统多故障信号难以有效分离及诊断效率低的问题。
为实现上述目的，本发明提供如下技术方案：一种基于VMD-WT-CNN的转子多故障信号处理及诊断方法，包含以下内容：
S1：对转子实验平台测得的耦合故障信号进行变分模态分解获取含不同故障特征分量信号；
S2：利用相关系数选取有效特征分量，并对选取的分量进行小波变换阈值降噪处理；
S3：将降噪处理后分量输入到卷积神经网络诊断模型进行故障诊断。
所述的变分模态分解(VMD)是一种自适应、完全非递归的模态变分和信号处理的方法，可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，它可以有效克服模态混叠和端点效应影响。
优选的，步骤S1具体包括：
S11：构造实测转子不对中－碰摩耦合故障信号约束变分模型；
S12：引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式；
S13：通过交替更新
Figure BDA0003555571640000031
λn+1来寻求增广Lagrange表达式的鞍点。
优选的，所述的步骤S11中不对中－碰摩耦合故障信号主要基于转子试验平台测得。将原始信号分解得到各模态分量相应的模态函数uk(t)，并通过希尔伯特(Hilbert)变换得到解析信号：
Figure BDA0003555571640000041
通过傅里叶变换位移性质将解析信号的频谱变换到基带上：
Figure BDA0003555571640000042
根据移频信号高斯平滑指标估算各IMF分量带宽，使得每个分量带宽之和最小，从而得到约束变分模型：
Figure BDA0003555571640000043
优选的，所述的S12通过引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式：
Figure BDA0003555571640000044
优选的，所述的S13通过交替更新
Figure BDA0003555571640000045
λn+1来寻求增广Lagrange表达式的鞍点：
Figure BDA0003555571640000046
所述的小波变换(WT)方法需要注意其中小波函数和阈值函数的选择，选取小波基函数要从支撑长度、消失矩、对称性、正则性以及相似性等进行综合考虑。db小波系和sym小波系在语音去噪中是经常会被用到的两族小波基，综合考虑本发明选择sym8小波函数。针对阈值函数的选取，常见函数有硬阈值函数和软阈值函数两种，考虑到硬阈值函数在连续性上的不足，故选择采用软阈值函数进行去噪处理。
优选的，步骤S2具体包括：
S21：利用相关系数法进行有效特征分量的筛选；
S22：对所选分量进行小波阈值去噪并重构。
优选的，所述的S21中各分量信号对应相关系数表达式为：
Figure BDA0003555571640000051
优选的，所述的S22将选取的特征分量进行小波阈值去噪，采用的软阈值函数表达式为：
Figure BDA0003555571640000052
所述的卷积神经网络(CNN)是深度学习领域中一种极为重要的方法，它主要由卷积层、池化层和全连接层组成。卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值。池化层紧跟在卷积层之后，同样由多个特征面组成，它的每一个特征面唯一对应于其上一层的一个特征面，不会改变特征面的个数。全连接层通常连接在多个卷积和池化之后，全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。
优选的，步骤S3具体包括：
S31：采用卷积－池化－卷积－池化－卷积－卷积－卷积－池化的方式选择最有代表性的故障特征；
S32：采用flatten层进行降维处理；
S33：采用两层全连接层，第一层采用激活函数Relu处理，第二层采用softmax逻辑回归进行分类，最终输出诊断精度。
优选的，步骤S31卷积过程计算公式如下：
Figure BDA0003555571640000061
式中：
Figure BDA0003555571640000062
Figure BDA0003555571640000063
分别代表第l层第j个特征图和第l-1层第i个特征值，Mj代表输入训练集，*为卷积操作，
Figure BDA0003555571640000064
为偏置，
Figure BDA0003555571640000065
代表l-1层第i个特征图和第l层第j个特特和连接的滤波器，f()表示神经元非线性激活函数。
卷积过后的池化方式选择最大池化方法，它主要通过选择输入区域最大值来代表选定的区域，最大池化具有减少输入空间大小、网络参数和运算次数作用，而且可以控制过拟合。
优选的，S32中flatten层设置在最后一个池化层与全连接层之间，起到降维作用。S33中采用softmax函数进行分类处理，并选择交叉熵作为损失函数，其中全连接层表达式为：
yk+1＝f(wk+1xk+bk+1)
交叉熵表达式为：
Figure BDA0003555571640000066
与现有技术相比，本发明的有益效果是：
1.本发明基于转子耦合故障信号受噪声影响较大，特征信号微弱，结合了变分模态分解和小波阈值去噪方法进行信号处理，并利用相关系数法对特征分量进行筛选，克服了较多故障信号处理方法受噪声干扰较大以及对于多故障耦合信号难以有效分离的问题；
2.本发明选用的卷积神经网络采用多层卷积和最大池化方式，优化器和激活函数通过不断训练最终分别选择Adam和Relu可以达到很好的诊断精度。整个模型结构很好的防止了过拟合，提高了特征的提取效果。再结合VMD和WT两种方法，避免了无关分量和噪声影响，使得最终诊断精度达到了100％。
附图说明
图1是整体诊断流程图；
图2是不对中－碰摩耦合故障信号特征图；
图3为基于EMD、VMD的耦合故障信号分解图；
图4是利用小波变换(WT)去噪后重构信号图；
图5是所选方法对应诊断精度和损失曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例：
一种基于VMD-WT-CNN的转子多故障信号处理及诊断方法，包括以下步骤：
S1：对转子实验平台测得的耦合故障信号进行变分模态分解获取含不同故障特征分量信号。转子不对中－碰摩耦合故障信号对应特征图谱如图2所示。
步骤S1具体包括：
S11：构造实测转子不对中－碰摩耦合故障信号约束变分模型。
步骤S11中将原始信号分解得到各模态分量相应的模态函数uk(t)，并通过希尔伯特(Hilbert)变换得到解析信号：
Figure BDA0003555571640000081
通过傅里叶变换位移性质将解析信号的频谱变换到基带上：
Figure BDA0003555571640000082
根据移频信号高斯平滑指标估算各IMF分量带宽，使得每个分量带宽之和最小，从而得到约束变分模型：
Figure BDA0003555571640000083
S12：引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式。
步骤S12通过引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式：
Figure BDA0003555571640000084
Figure BDA0003555571640000085
S13：通过交替更新
Figure BDA0003555571640000086
λn+1来寻求增广Lagrange表达式的鞍点。
步骤S13通过交替更新
Figure BDA0003555571640000091
λn+1来寻求增广Lagrange表达式的鞍点：
Figure BDA0003555571640000092
本发明中，所述的信号分解方式为变分模态分解。
具体的，本发明信号分解方法分解层数由中心频率确定为6，惩罚因子选取默认值2000。
本实施例中，如图3所示，将转子试验台获取的不对中－碰摩耦合故障信号进行变分模态分解得到各模态分量、各分量对应频谱图及相关系数，作为比较加入了经验模态分解(Empirical Mode Decomposition,EMD)。可以发现，基于VMD分解的频段分离鲜明，整个频率范围内几乎都有分量，相比于EMD分解，很好克服了端点效应和模态混叠现象，并且各个频段分离效果较好。
S2：利用相关系数选取有效特征分量，并对选取的分量进行小波变换阈值降噪处理。
步骤S2具体包括：
S21：利用相关系数法进行有效特征分量的筛选。
步骤S21中相关系数对应数学表达式为：
Figure BDA0003555571640000093
本实施例中，如表1所示，两种信号分解方式得到的各分量信号均以相关系数值0.1作为分界，且保留大于0.1分量信号。
表1各分量信号对应相关系数
Figure BDA0003555571640000101
S22：对所选分量进行小波阈值去噪并重构。
步骤S22中将选取的特征分量进行小波阈值去噪，采用的软阈值函数表达式为：
Figure BDA0003555571640000102
本实施例中，如图4所示，将选取的各特征分量进行小波阈值去噪再重构，得到对应的重构信号以及对应频谱图。
具体的，如表2所示，为重构信号各频率成分对应幅值。
表2重构信号各倍频成分幅值
Figure BDA0003555571640000103
S3：将降噪处理后分量输入到卷积神经网络诊断模型进行故障诊断。
步骤S3具体包括：
S31：采用卷积－池化－卷积－池化－卷积－卷积－卷积－池化的方式选择最有代表性的故障特征。
步骤S31中卷积过程计算公式如下：
Figure BDA0003555571640000104
式中：
Figure BDA0003555571640000105
Figure BDA0003555571640000106
分别代表第l层第j个特征图和第l-1层第i个特征值，Mj代表输入训练集，*为卷积操作，
Figure BDA0003555571640000111
为偏置，
Figure BDA0003555571640000112
代表l-1层第i个特征图和第l层第j个特特和连接的滤波器，f()表示神经元非线性激活函数。
卷积过后的池化方式选择最大池化方法，它主要通过选择输入区域最大值来代表选定的区域，最大池化具有减少输入空间大小、网络参数和运算次数作用，而且可以控制过拟合。
S32：采用flatten层进行降维处理。
步骤S32中flatten层设置在最后一个池化层与全连接层之间，起到降维作用。
S33：采用两层全连接层，第一层采用激活函数Relu处理，第二层采用softmax逻辑回归进行分类，最终输出诊断精度。
步骤S33中采用softmax函数进行分类处理，并选择交叉熵作为损失函数，其中全连接层表达式为：
yk+1＝f(wk+1xk+bk+1)
交叉熵表达式为：
Figure BDA0003555571640000113
本发明中，所述的故障诊断模型为卷积神经网络。
本实施例中，如表3所示，为卷积神经网络结构参数。其中输入信号为20×20的二维矩阵信号，卷积核采用3×3形式，步长设置为每次平移2个单位，采用卷积和池化交替连接方式，卷积和全连接层之间采用flatten层进行降维归一化处理，每一层均设置relu激活函数，优化器选择Adam，梯度下降方式采用小批量下降，则每批取64个样本进行训练，工作次数定义为80次。采用交叉熵用作损失的分类评价，利用softmax函数进行分类处理，将各分量按照训练集：测试集为2：1进行分类并作标签处理。
表3卷积神经网络(CNN)模型网络结构参数
Figure BDA0003555571640000121
具体的，如表4所示，为降噪处理信号输入到该诊断模型得到的训练精度。图5为VMD+CNN、VMD+WT+CNN两种方式对应诊断精度和损失曲线。最后得出：该VMD+WT+CNN的多故障信号处理诊断方法在较少的迭代次数达到了100％诊断效果。
表4不同方式下训练集精度
Figure BDA0003555571640000122
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：包括以下步骤：
S1：对转子实验平台测得的耦合故障信号进行变分模态分解获取含不同故障特征分量信号；
S2：利用相关系数选取有效特征分量，并对选取的分量进行小波变换阈值降噪处理；
S3：将降噪处理后分量输入到卷积神经网络诊断模型进行故障诊断。
2.根据权利要求1所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的信号处理方法为变分模态分解结合小波变换，所述的变分模态分解层数由中心频率确定，采用相关系数法进行特征分量的筛选，小波变换进行去噪中阈值函数选取软阈值函数。
3.根据权利要求1所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的故障诊断模型为卷积神经网络，所述的卷积神经网络层数设置依次为：卷积层－池化层－卷积层－池化层－卷积层－卷积层－卷积层－池化层－flatten层－全连接层－softmax层，优化器选择Adam，激活函数选取Relu，梯度下降方式采用小批量下降，采用交叉熵用作损失的分类评价，利用softmax函数进行分类处理。
4.根据权利要求1所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述步骤S1具体包括：
S11：构造实测转子不对中－碰摩耦合故障信号约束变分模型；
S12：引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式；
S13：通过交替更新
Figure FDA0003555571630000011
λn+1来寻求增广Lagrange表达式的鞍点；
所述步骤S3具体包括：
S31：采用卷积－池化－卷积－池化－卷积－卷积－卷积－池化的方式选择最有代表性的故障特征；
S32：采用flatten层进行降维处理；
S33：采用两层全连接层，第一层采用激活函数Relu处理，第二层采用softmax逻辑回归进行分类，最终输出诊断精度；
所述步骤S2具体包括：
S21：利用相关系数法进行有效特征分量的筛选；
S22：对所选分量进行小波阈值去噪并重构。
5.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S11具体步骤包括：
先将试验台实测数据分解得到各模态分量相应的模态函数uk(t)，并通过希尔伯特(Hilbert)变换得到解析信号：
Figure FDA0003555571630000021
通过傅里叶变换位移性质将解析信号的频谱变换到基带上：
Figure FDA0003555571630000022
根据移频信号高斯平滑指标估算各IMF分量带宽，使得每个分量带宽之和最小，从而得到约束变分模型：
Figure FDA0003555571630000023
6.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S12通过引入惩罚因子α和Lagrange乘子λ将约束变分问题转化为非约束变分问题，得到增广Lagrange表达式：
Figure FDA0003555571630000024
Figure FDA00035555716300000310
7.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S13通过交替更新
Figure FDA0003555571630000031
Figure FDA0003555571630000032
λn+1来寻求增广Lagrange表达式的鞍点：
Figure FDA0003555571630000033
8.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S21中各分量信号对应相关系数表达式为：
Figure FDA0003555571630000034
9.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S22将选取的特征分量进行小波阈值去噪，采用的软阈值函数表达式为：
Figure FDA0003555571630000035
10.根据权利要求4所述的一种基于VMD-WT-CNN的燃气轮机转子多故障耦合信号处理和诊断方法，其特征在于：所述的步骤S31中卷积过程计算公式如下：
Figure FDA0003555571630000036
式中：
Figure FDA0003555571630000037
分别代表第l层第j个特征图和第l-1层第i个特征值，Mj代表输入训练集，*为卷积操作，
Figure FDA0003555571630000038
为偏置，
Figure FDA0003555571630000039
代表l-1层第i个特征图和第l层第j个特特和连接的滤波器，f()表示神经元非线性激活函数；
卷积过后的池化方式选择最大池化方法，它主要通过选择输入区域最大值来代表选定的区域，最大池化具有减少输入空间大小、网络参数和运算次数作用，而且可以控制过拟合；
所述的步骤S32中flatten层设置在最后一个池化层与全连接层之间，起到降维作用；
所述的步骤S33中采用softmax函数进行分类处理，并选择交叉熵作为损失函数，其中全连接层表达式为：
yk+1＝f(wk+1xk+bk+1)
交叉熵表达式为：
Figure FDA0003555571630000041
CN202210275468.6A 2022-03-21 2022-03-21 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法 Pending CN114638266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210275468.6A CN114638266A (zh) 2022-03-21 2022-03-21 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210275468.6A CN114638266A (zh) 2022-03-21 2022-03-21 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法

Publications (1)

Publication Number Publication Date
CN114638266A true CN114638266A (zh) 2022-06-17

Family

ID=81950042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210275468.6A Pending CN114638266A (zh) 2022-03-21 2022-03-21 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法

Country Status (1)

Country Link
CN (1) CN114638266A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015756A (zh) * 2022-07-14 2022-09-06 深圳市文浩科技有限公司 一种细碎融合的新材料混合机故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015756A (zh) * 2022-07-14 2022-09-06 深圳市文浩科技有限公司 一种细碎融合的新材料混合机故障诊断方法

Similar Documents

Publication Publication Date Title
Liu et al. Data synthesis using deep feature enhanced generative adversarial networks for rolling bearing imbalanced fault diagnosis
CN108830127B (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
Ma et al. A novel bearing fault diagnosis method based on 2D image representation and transfer learning-convolutional neural network
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
He et al. Improved deep transfer auto-encoder for fault diagnosis of gearbox under variable working conditions with small training samples
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN109033719B (zh) 一种风力涡轮机轴承故障诊断方法
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
CN104792522B (zh) 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法
CN111238814B (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
Fu et al. Rolling bearing fault diagnosis based on 2D time-frequency images and data augmentation technique
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN112633195A (zh) 一种基于频域特征与深度学习的心肌梗塞识别分类方法
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN109431497A (zh) 一种脑电信号处理方法及癫痫检测系统
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Zhang et al. A hybrid deep-learning model for fault diagnosis of rolling bearings in strong noise environments
Zhang et al. State of the art on vibration signal processing towards data‐driven gear fault diagnosis
Sun et al. Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training
CN114638266A (zh) 一种基于vmd-wt-cnn的燃气轮机转子多故障耦合信号处理和诊断方法
Ge et al. A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs
Shi et al. A novel rotating machinery fault diagnosis method based on adaptive deep belief network structure and dynamic learning rate under variable working conditions
Deveci et al. Transfer learning enabled bearing fault detection methods based on image representations of single-dimensional signals
Shao et al. Fault diagnosis method and application based on multi-scale neural network and data enhancement for strong noise

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