CN115217534A - 一种汽轮机服役质量状态监测方法及系统 - Google Patents
一种汽轮机服役质量状态监测方法及系统 Download PDFInfo
- Publication number
- CN115217534A CN115217534A CN202210841691.2A CN202210841691A CN115217534A CN 115217534 A CN115217534 A CN 115217534A CN 202210841691 A CN202210841691 A CN 202210841691A CN 115217534 A CN115217534 A CN 115217534A
- Authority
- CN
- China
- Prior art keywords
- steam turbine
- state
- data
- monitoring
- state identification
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种汽轮机服役质量状态监测方法及系统,通过对数据集进行标准化处理得到标准化数据集,采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,通过将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型,根据训练的初始化迁移状态辨识模型建立域共享CNN状态辨识模型,对CNN状态辨识模型进行正反向训练;将标准化处理的汽轮机组DCS实时监测数据作为CNN状态辨识模型的输入,获取对应的汽轮机组状态标签,本发明能够灵活、有效地处理汽轮机组海量、高维的监测数据,并从中准确地提取信息,进行服役质量状态辨识;采用迁移学习的方法对数据标签进行学习和预测,能够解决传统机器学习模型对数据标签的依赖性问题。
Description
技术领域
本发明属于汽轮机服务质量检测领域,具体涉及一种汽轮机服役质量状态监测方法及系统。
背景技术
汽轮机组本质上是一种由诸多大型动力机械、电气设备,以及多介质网络耦合而成的复杂机电系统,该类装备面临高负荷、连续运转的服役现状以及其高温、高压的极端运行工况,容易引发重特大安全生产事故。汽轮机组的监测数据蕴含丰富的服役质量信息,对其进行分析,可以有效评估系统的运行状态,捕捉潜在的故障演变特征。一方面,原始的汽轮机监测数据具有无标签的特点,且存在不平衡性和稀疏性,汽轮机的监测数据通常表现出某种时变性,导致新、旧数据不满足相同的分布,另一方面,一汽轮机组为代表的复杂机电系统结构复杂,运行状况多变,导致新、旧数据之间存在广泛差异性。因此,充分利用汽轮机组的海量、高维的运行数据,进行汽轮机服役质量状态辨识,从而有效评估系统运行状态至关重要。
传统的方法在处理海量、高维的监测数据方面具有明显的不足,而机器学习的方法不仅具有更强的数据处理能力,而且具有学习能力,用于分析评估系统的服役质量状态是有效的。但传统的机器学习方法对数据标签具有依赖性,且其应用前提是假设训练数据和测试监测数据处于相同的分布情况,模型的可迁移性和学习能力较弱,因此,传统的机器学习方法在汽轮机服役质量状态辨识模型的准确度方面受到很大限制。
发明内容
本发明的目的在于提供一种汽轮机服役质量状态监测方法及系统,以克服现有技术的不足。
一种汽轮机服役质量状态监测方法,包括以下步骤:
S1,利用汽轮机运行过程中各点位的DCS监测数据作为原始数据集,并对数据集进行标准化处理得到标准化数据集,原始数据集中包括两段汽轮机故障过程数据;
S2,采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点;
S3,将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型;
S4,根据训练的初始化迁移状态辨识模型建立域共享CNN状态辨识模型,提取源域和目标域中的可迁移特征,对CNN状态辨识模型进行正反向训练;
S5,将标准化处理的汽轮机组DCS实时监测数据作为CNN状态辨识模型的输入,获取对应的汽轮机组状态标签。
优选的,根据各个点采集的原始数据集计算各个监测点位的时间序列变化度,取计算结果最大的前20%个监测点位构成一个汽轮机组多维的监测时间序列矩阵,并进行标准化处理,得到标准化数据集。
优选的,将其中一段故障过程数据的样本及其对应状态标签构成源域,用于学习可迁移的状态辨识知识。
优选的,CNN卷积神经网络模型包括三个卷积层、三个池化层和三个全连接层,第三个全连接层为分类器,输出状态辨识标签。
优选的,采用伪标签学习算法将CNN状态辨识模型预测的状态标签赋予该无标记样本,最终以样本数据和对应伪标签为目标域数据集。
优选的,采用最大均值差异方法最小化源域和目标域的数据分布差异。
优选的,采用条件分布自适应方法减小源域和目标域标签空间的距离。
优选的,根据CNN状态辨识模型优化目标,按照模型初始化、前向传播过程和反向传播过程,训练域共享CNN状态辨识模型。
优选的,给定预处理后的源域有标签监测数据和目标域无标签监测数据,随机初始化模型待训练参数,并设置权衡系数;前向传播过程:逐层提取源域和目标域的可迁移特征,并计算多层MMD估计值;计算交叉熵损失;生成目标域伪标签;计算源域和目标域的分类交叉熵损失;反向传播过程:反向逐层更新模型待训练参数。
一种汽轮机服役质量状态监测系统,包括预处理模块,数据采集模块和状态辨识模块;
预处理模块用于对采集的汽轮机运行过程中各点位的DCS监测数据的原始数据集进行标准化处理得到标准化数据集,原始数据集中包括两段汽轮机故障过程数据;采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点;将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型;
状态辨识模块用于存储根据训练的初始化迁移状态辨识模型建立的域共享CNN状态辨识模型,CNN状态辨识模型根据提取源域和目标域中的可迁移特征进行正反向训练得到;
数据采集模块用于采集并标准化处理的汽轮机组DCS实时监测数据,传输至状态辨识模块作为CNN状态辨识模型的输入,状态辨识模块输出对应的汽轮机组状态标签。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种汽轮机服役质量状态监测方法,利用汽轮机运行过程中各点位的DCS监测数据作为原始数据集,并对数据集进行标准化处理得到标准化数据集,原始数据集中包括两段汽轮机故障过程数据;采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点,通过将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型,根据训练的初始化迁移状态辨识模型建立域共享CNN状态辨识模型,提取源域和目标域中的可迁移特征,对CNN状态辨识模型进行正反向训练;将标准化处理的汽轮机组DCS实时监测数据作为CNN状态辨识模型的输入,获取对应的汽轮机组状态标签,本发明能够灵活、有效地处理汽轮机组海量、高维的监测数据,并从中准确地提取信息,进行服役质量状态辨识;采用迁移学习的方法对数据标签进行学习和预测,能够解决传统机器学习模型对数据标签的依赖性问题。
本发明采用迁移学习的方法建立域共享CNN模型,能够平衡普适化模型和个性化需求之间的矛盾,解决新旧数据分布差异。
本发明采用DBSCAN无监督聚类,只需要选择适当的最小样本数和淋雨的距离阈值即可得到聚类结果;为以汽轮机组为代表的复杂机电系统以及其他工大型能源装备的高维数据处理,故障检测和模式识别提供了基础。
本发明容易实现,能充分发挥迁移学习方法的优势,提升状态辨识结果的准确度。
附图说明
图1是本发明实施例中监测数据与状态标签对应关系图。
图2是本发明实施例中域共享CNN模型训练过程图。
图3是本发明实施例中实时状态辨识模型工作过程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
如图3所示,本发明一种汽轮机服役质量状态监测方法,包括以下步骤:
S1,汽轮机状态监测数据收集:收集汽轮机运行过程中各点位的DCS监测数据,建立原始数据集,其中包含两段汽轮机故障过程数据,即第一段故障过程数据和第二段故障过程数据,对获取的原始数据集进行标准化处理,得到汽轮机标准化数据集;
步骤1.1)原始训练数据收集:收集包含两段故障过程监测数据的汽轮机状态监测数据。以时间序列变化度(DVTS,Degree of Variation for Time-series)刻画DCS存储的监测变量在一段时间内的存储数据变化频次,其计算方式为:
式中:Ts为监测变量采样的时间段;Fs为监测变量的采样频率;N为Ts时间段内监测变量在DCS系统中存储的监测值个数。
对DCS系统中253个监测点位的DVTS大小进行排序,最后选取前20%个监测点位信息。构成m维的监测时间序列矩阵D:
其中:Vi是矩阵中第i个监测变量;di,j是第i个监测变量中的第j条数据;矩阵中每一列分别对应一个监测变量的时间序列;
步骤1.2)训练数据标准化:对步骤1.1)中得到的汽轮机组m维监测时间序列矩阵D按列进行标准化处理:
经计算,得到汽轮机组m维的标准化监测时间序列矩阵D′,即标准化训练数据集:
其中:V'i是标准化后矩阵中的第i个监测变量;d'i,j是标准化后的第i个监测变量中的第j条数据;矩阵中每一列分别对应一个监测变量的时间序列。
S2,汽轮机标准化数据状态标记:依据S1得到的汽轮机标准化数据集,采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点;
步骤2.1)DBSCAN无监督聚类得到状态标签:对步骤1.2)中所述的m维标准化训练数据集D′,取第一段故障过程数据应用DBSCAN聚类方法进行无监督聚类。选择当的最小样本数MinPts和邻域的距离阈值ε参数,按照邻域内点的个数不少于MinPts的聚类原则,得到m维N条标准化训练数据集对应的状态标签;
步骤2.2)去除聚类结果中边界和噪声:在步骤2.1)DBSCAN无监督聚类结果的基础上,去除噪声和边界点,其余样本数据xs对应的状态标签集合为ys={1,2,3,4},分别定义为汽轮机组监测数据对应的四种状态类别:健康、亚健康、预警和故障状态。
S3,汽轮机迁移状态辨识初始模型的建立和训练:依据S2标记的标准化数据集,将第一段和第二段故障过程数据及其对应状态标记的标签作为迁移学习的源域和目标域,并分别划分训练集和测试集。基于卷积神经网络CNN模型,建立初始化迁移状态辨识模型,学习源域中包含的状态辨识知识;
步骤3.1)划分源域数据集:对步骤2.2)中划分的四种状态类别,取汽轮机组第一段故障过程数据中样本数据xs,与其对应的状态标签ys构成源域Ds,用于学习可迁移的状态辨识知识;
步骤3.2)建立初始化迁移状态辨识模型:将步骤3.1)划分的源域Ds分为训练集和测试集,建立CNN卷积神经网络模型,该CNN模型包括三个卷积层、三个池化层和三个全连接层,第三个全连接层为分类器,输出状态辨识标签。
初始化迁移状态辨识CNN模型训练过程包括以下步骤:
步骤3.2.1)权重、偏置项等参数的初始化;
步骤3.2.2)前向传播过程。输入矩阵经卷积层、池化层和全连接层得到输出值;
步骤3.2.3)反向传播过程。计算输出值与真实值的误差,如误差满足要求则自动停止训练,如未达要求则到迭代次数停止训练,并固定参数并输出;
步骤3.2.4)权值更新过程。根据梯度对参数进行更新。
S4,汽轮机状态辨识模型的迁移和再训练:基于S3的迁移状态辨识初始模型,建立域共享CNN状态辨识模型,提取源域和目标域中的可迁移特征,对CNN状态辨识模型进行正反向训练;
其中,采用最大均值差异(Maximum Mean Discrepancy,MMD)方法最小化源域和目标域的数据分布差异;采用条件分布自适应方法减小源域和目标域标签空间的距离;
步骤4.1)建立目标域数据集:根据步骤2.1)中所述第二段故障过程数据为无标签数据,无法训练分类器层的参数,故采用伪标签学习算法将CNN模型预测的状态标签赋予该无标记样本,从而将第二段故障过程样本数据和对应伪标签作为目标域数据集;
步骤4.1.1)样本标签预测:步骤4.1)所述的伪标签学习算法的标签预测部分,通过分类器输出标签的概率分布。若源域与目标域的标签空间的状态类别数均为k,则目标域样本xt的预测标签概率分布为:
步骤4.1.2)伪标签生成:步骤4.1)所述的伪标签学习算法的伪标签生成部分,选取最大概率分布对应的标签为目标域样本xt的伪标签,即:
步骤4.2)域共享CNN模型:步骤4.1)给目标域样本生成伪标签,使目标域和源域的样本能够同时训练域共享CNN模型,提取源域和目标域的可迁移特征。
步骤4.2.1)最大均值差异MMD方法:根据步骤4.1)所述的目标域的划分,最小化源域和目标域的数据分布差异。MMD方法表示为:
式中,sup()为输入集合的上确界;F为样本空间上的连续函数集;
由于在训练域共享CNN模型的过程中,特征分布会随网络参数的更新而改变,因此需要在特征提取器的卷积C1、C2和C3层的进行可迁移特征的自适应。设ZL,s和ZL,t分别为源域和目标域的多层可迁移特征,采用多层MMD训练的损失函数为最小化学习的可迁移特征分布差异,即
式中,L={C1,C2,C3},为层的标识,;θc为C1、C2和C3层设置的参数;
步骤4.2.2)条件分布自适应方法:根据步骤4.2)的域共享CNN模型,将目标域和源域的迁移状态特征向同一标签空间映射,从而减小源域和目标域标签空间的距离。源域和目标域的样本能够同时训练域共享CNN模型,分类损失函数均为交叉熵损失函数。因此,伪标签学习的优化目标为:
步骤4.2.3)域共享CNN模型训练:根据步骤4.2)的域共享CNN模型的优化过程,迁移状态标识模型训练的目标函数如下:
式中,n为训练的批量;a,β,λ为各部分损失的权衡系数。
S5,汽轮机服役质量状态实时辨识:依据S4中的域共享CNN状态辨识模型,对汽轮机实时DCS监测数据进行状态辨识,获取汽轮机具体的状态参数。
步骤5.1)汽轮机状态辨识模型:根据步骤4.2)所述的域共享CNN模型,汽轮机状态辨识模型的优化训练过程主要包括以下步骤:
步骤5.1.1)模型初始化。给定预处理后的源域有标签监测数据和目标域无标签监测数据,随机初始化模型待训练参数,并设置权衡系数{a,β,λ};
步骤5.1.2)前向传播过程。逐层提取源域和目标域的可迁移特征,并计算多层MMD估计值;计算交叉熵损失;生成目标域伪标签;计算源域和目标域的分类交叉熵损失;若达到训练迭代次数,执行步骤5.1.4),否则执行步骤5.1.3);
步骤5.1.3)反向传播过程。反向逐层更新模型待训练参数;返回执行步骤5.1.2);
步骤5.1.4)完成优化训练。保存CNN模型,再次输入目标域的监测数据集,获得状态辨识结果;
步骤5.2)汽轮机状态实时辨识。
步骤5.2.1)实时数据输入:从汽轮机组DCS系统中获取实时监测数据并进行标准化处理,作为汽轮机状态辨识模型的输入;
步骤5.2.2)状态实时识别:向步骤4)训练得到的汽轮机状态辨识模型中输入实时数据,得到对应的状态标签。如果输出标签为1,则代表汽轮机组当前的服役质量状态为健康;如果输出标签为2,则代表汽轮机组当前的服役质量状态为亚健康,需要及时进行维护和检修;如果输出标签为3,则代表汽轮机组进入预警状态,需要立即进行维修处理;如果输出标签为4,则代表汽轮机组的服役质量状态为故障状态。
如图1所示,本申请将汽轮机服役质量状态划分为健康、亚健康、预警和故障状态。
实施例
以迁移学习为基础建立域共享CNN模型,对汽轮机组服役质量状态进行辨识,建立一种基于迁移学习的汽轮机服役质量状态监测方法,包括以下步骤:
原始训练数据收集。针对1000MW超超临界汽轮机组的DCS监的历史状态监测数据包括253个监测点位、两段故障过程监测数据进行解压缩和预处理,进行时间统一并去除冗余数据。
以时间序列变化度(DVTS,Degree of Variation for Time-series)刻画DCS存储的监测变量在一段时间内的存储数据变化频次,DVTS最大的前20个监测点位的监测时间序列构成一个20维的监测时间序列矩阵,对其进行标准化处理;
请参阅图1所示,应用DBSCAN聚类方法对第一段故障过程监测数据进行无监督聚类;选择当的最小样本数MinPts和邻域的距离阈值ε参数,按照邻域内点的个数不少于MinPts的聚类原则,得到20维N条标准化训练数据集对应的状态标签。去除噪声和边界点,其余样本数据对应的状态标签集合为{1,2,3,4},分别定义为汽轮机组监测数据对应的四种状态类别:健康、亚健康、预警和故障状态;
请参阅图2所示,将第一段和第二段故障过程数据及其对应标签作为迁移学习的源域和目标域,并分别划分训练集和测试集。基于CNN,建立初始化迁移状态辨识模型并采用训练集训练迁移状态辨识模型,建立域共享CNN状态辨识模型,且采用最大均值差异(Maximum Mean Discrepancy,MMD)方法最小化源域和目标域的数据分布差异,采用条件分布自适应方法减小源域和目标域标签空间的距离,最终得到训练域共享CNN状态辨识模型的目标函数;根据CNN状态辨识模型优化目标,按照模型初始化、前向传播过程和反向传播过程,训练域共享CNN状态辨识模型;
请参阅图3所示,汽轮机服役质量状态实时辨识。从汽轮机组DCS系统中获取实时监测数据并进行标准化处理,作为汽轮机状态辨识模型的输入,训练得到的汽轮机状态辨识模型中输入实时数据,得到对应的状态标签。如果输出标签为1,则代表汽轮机组当前的服役质量状态为健康;如果输出标签为2,则代表汽轮机组当前的服役质量状态为亚健康,需要及时进行维护和检修;如果输出标签为3,则代表汽轮机组进入预警状态,需要立即进行维修处理;如果输出标签为4,则代表汽轮机组的服役质量状态为故障状态。
收集汽轮机运行过程中各点位的DCS监测数据,建立原始数据集,其中包含两段汽轮机故障过程数据、253个监测点位,计算各个监测点位的时间序列变化度(DVTS),取计算结果最大的前20%个监测点位构成一个汽轮机组多维的监测时间序列矩阵,并进行标准化处理,得到标准化数据集。
用DBSCAN聚类的方法对数据进行状态标记,去除标准化数据集中的噪声和离群点,并分别定义为汽轮机组监测数据对应的四种状态类别:健康、亚健康、预警和故障状态。
划分源域数据集,第一段故障过程数据的样本及其对应状态标签构成源域,用于学习可迁移的状态辨识知识;建立基于的CNN卷积神经网络模型,包括三个卷积层、三个池化层和三个全连接层,第三个全连接层为分类器,输出状态辨识标签。作为初始化迁移状态辨识模型并训练。
建立目标域数据集,第二段故障过程数据为无标签数据,无法训练分类器的三层的参数,因此,采用伪标签学习算法将CNN状态辨识模型预测的状态标签赋予该无标记样本,最终以样本数据和对应伪标签为目标域数据集;建立域共享CNN模型,提取源域和目标域中的可迁移特征,以最大均值差异MMD方法最小化源域和目标域的数据分布差异,以条件分布自适应方法将目标域和源域之间的迁移状态特征向同一标签空间映射,从而减小源域和目标域标签空间的距离,根据优化目标函数,训练域共享CNN模型。
汽轮机服役质量状态实时辨识模型初始化过程,给定预处理后的源域有标签监测数据和目标域无标签监测数据,随机初始化模型待训练参数,并设置权衡系数;前向传播过程,逐层提取源域和目标域的可迁移特征,并计算多层MMD估计值;计算交叉熵损失;生成目标域伪标签;计算源域和目标域的分类交叉熵损失;反向传播过程,反向逐层更新模型待训练参数,直至达到训练要求,完成模型训练;将标准化处理的汽轮机组DCS实时监测数据作为状态辨识模型的输入,根据输出的状态标签,判断当前汽轮机组服役质量状态,指导维护和检修。
Claims (10)
1.一种汽轮机服役质量状态监测方法,其特征在于,包括以下步骤:
S1,利用汽轮机运行过程中各点位的DCS监测数据作为原始数据集,并对数据集进行标准化处理得到标准化数据集,原始数据集中包括两段汽轮机故障过程数据;
S2,采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点;
S3,将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型;
S4,根据训练的初始化迁移状态辨识模型建立域共享CNN状态辨识模型,提取源域和目标域中的可迁移特征,对CNN状态辨识模型进行正反向训练;
S5,将标准化处理的汽轮机组DCS实时监测数据作为CNN状态辨识模型的输入,获取对应的汽轮机组状态标签。
2.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,根据各个点采集的原始数据集计算各个监测点位的时间序列变化度,取计算结果最大的前20%个监测点位构成一个汽轮机组多维的监测时间序列矩阵,并进行标准化处理,得到标准化数据集。
3.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,将其中一段故障过程数据的样本及其对应状态标签构成源域,用于学习可迁移的状态辨识知识。
4.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,CNN卷积神经网络模型包括三个卷积层、三个池化层和三个全连接层,第三个全连接层为分类器,输出状态辨识标签。
5.根据权利要求3所述的一种汽轮机服役质量状态监测方法,其特征在于,采用伪标签学习算法将CNN状态辨识模型预测的状态标签赋予该无标记样本,最终以样本数据和对应伪标签为目标域数据集。
6.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,采用最大均值差异方法最小化源域和目标域的数据分布差异。
7.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,采用条件分布自适应方法减小源域和目标域标签空间的距离。
8.根据权利要求1所述的一种汽轮机服役质量状态监测方法,其特征在于,根据CNN状态辨识模型优化目标,按照模型初始化、前向传播过程和反向传播过程,训练域共享CNN状态辨识模型。
9.根据权利要求8所述的一种汽轮机服役质量状态监测方法,其特征在于,给定预处理后的源域有标签监测数据和目标域无标签监测数据,随机初始化模型待训练参数,并设置权衡系数;前向传播过程:逐层提取源域和目标域的可迁移特征,并计算多层MMD估计值;计算交叉熵损失;生成目标域伪标签;计算源域和目标域的分类交叉熵损失;反向传播过程:反向逐层更新模型待训练参数。
10.一种汽轮机服役质量状态监测系统,其特征在于,包括预处理模块,数据采集模块和状态辨识模块;
预处理模块用于对采集的汽轮机运行过程中各点位的DCS监测数据的原始数据集进行标准化处理得到标准化数据集,原始数据集中包括两段汽轮机故障过程数据;采用DBSCAN聚类的方法对汽轮机标准化数据集进行状态标记,去除标准化数据集中的噪声和离群点;将标记的两段汽轮机故障过程数据作为源域和目标域,训练初始化迁移状态辨识模型;
状态辨识模块用于存储根据训练的初始化迁移状态辨识模型建立的域共享CNN状态辨识模型,CNN状态辨识模型根据提取源域和目标域中的可迁移特征进行正反向训练得到;
数据采集模块用于采集并标准化处理的汽轮机组DCS实时监测数据,传输至状态辨识模块作为CNN状态辨识模型的输入,状态辨识模块输出对应的汽轮机组状态标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841691.2A CN115217534A (zh) | 2022-07-18 | 2022-07-18 | 一种汽轮机服役质量状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841691.2A CN115217534A (zh) | 2022-07-18 | 2022-07-18 | 一种汽轮机服役质量状态监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115217534A true CN115217534A (zh) | 2022-10-21 |
Family
ID=83612834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210841691.2A Pending CN115217534A (zh) | 2022-07-18 | 2022-07-18 | 一种汽轮机服役质量状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115217534A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测系统 |
-
2022
- 2022-07-18 CN CN202210841691.2A patent/CN115217534A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784965A (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
Wang et al. | A high-stability diagnosis model based on a multiscale feature fusion convolutional neural network | |
CN113988215B (zh) | 一种配电网计量柜状态检测方法及系统 | |
CN115508073B (zh) | 基于多尺度注意力的原型适配机械设备故障诊断方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及系统 | |
CN113239720A (zh) | 一种基于深度迁移学习的地铁车辆走行部故障诊断方法 | |
CN114879628B (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN118194222A (zh) | 基于scada数据的时空融合风电机组故障预测方法 | |
CN115217534A (zh) | 一种汽轮机服役质量状态监测方法及系统 | |
CN114297795A (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
CN113807027B (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
Zeng et al. | Remaining Useful Life Prediction via Spatio-Temporal Channels and Transformer | |
Chen et al. | Integrated group-based valuable sensor selection approach for remaining machinery life estimation in the future industry 4.0 era | |
CN114372181A (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
Ge et al. | Remaining useful life prediction using deep multi-scale convolution neural networks | |
Li et al. | Adversarial multi-domain adaptation for machine fault diagnosis with variable working conditions | |
CN116561528B (zh) | 一种旋转机械的rul预测方法 |
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 |