CN115905827A - 一种基于神经网络的汽轮机故障诊断方法及装置 - Google Patents
一种基于神经网络的汽轮机故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115905827A CN115905827A CN202211327222.5A CN202211327222A CN115905827A CN 115905827 A CN115905827 A CN 115905827A CN 202211327222 A CN202211327222 A CN 202211327222A CN 115905827 A CN115905827 A CN 115905827A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- signal
- steam turbine
- training
- turbine fault
- 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
Landscapes
- Control Of Turbines (AREA)
Abstract
本发明提供一种基于神经网络的汽轮机故障诊断方法及装置。方法包括:获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,从而得到最优汽轮机故障诊断模型;获取待诊断振动信号数据,并将所述待诊断振动信号数据输入最优汽轮机故障诊断模型,得到故障诊断结果。本发明基于神经网络构建汽轮机故障诊断模型,同时基于鲸鱼算法对轮机故障诊断模型进一步优化,能够准确诊断汽轮机故障。
Description
技术领域
本发明涉及汽轮机故障诊断技术领域,具体而言,尤其涉及一种基于神经网络的汽轮机故障诊断方法及装置。
背景技术
汽轮机的工作环境具有复杂性和特殊性,所以相应的要求汽轮机故障的诊断技术也要更加的完善。当前汽轮机汽轮机故障诊断主要依靠汽轮机系统中的传感器采集汽轮机工作状态数据,并基于采集的工作状态数据采用智能学习方式进行故障诊断。
现阶段主要通过提高传感器性能改善故障诊断的精准程度。但无论是对现有传感器进行性能改进还是开发新型传感器,对数据采集可靠性的提升均较为有限,不能有效降低汽轮机的诊断失误和漏诊率。因此单就现阶段的传感器故障诊断技术而言,硬件缺陷比较明显的。除此之外,现有方法中还通过结合传感器和信号处理分析技术进行汽轮机故障检测,这些检测方法存在着操作复杂、速度慢、检测结果不准确等问题。
发明内容
本发明提供一种基于神经网络的汽轮机故障诊断方法及装置质。本发明基于神经网络构建汽轮机故障诊断模型,同时基于鲸鱼算法对轮机故障诊断模型进一步优化,能够准确诊断汽轮机故障。
本发明采用的技术手段如下:
一种基于神经网络的汽轮机故障诊断方法,包括:
获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;
利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;
计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型;
获取待诊断振动信号数据,并将所述待诊断振动信号数据进行分解和重构后输入最优汽轮机故障诊断模型,得到故障诊断结果。
进一步地,利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号,包括:
根据下式对信号r(n)进行希尔伯特变换,完成分解:
其中,r(n)为预处理后的信号,*为卷积符,z(n)为分解后的信号,j为虚数单位,t为时间序列;
对分解后的信号添加两个幅值相等、符号相反的正负白噪声对,生成重构信号z′(n):
其中,N表示分解后的信号个数,i表示第i个分解后的信号,noisei(t)为第i个分解后的信号对应的白噪声。
进一步地,根据以下公式计算重构信号的排列熵:
其中,Hp(m)为重构信号的排列熵,Pa为索引a出现在重构信号中的概率,M为索引数量。
进一步地,所述汽轮机故障诊断模型为:
其中,F为汽轮机故障诊断模型的输出,k为重构信号的数量,a和b为汽轮机故障诊断模型参数,W为模型权重,i为数量值。
进一步地,对汽轮机故障诊断模型训练,包括:
将汽轮机故障诊断模型参数a、b作为鲸鱼个体,初始化鲸鱼个体数和网络神经元的个数;
随机生成鲸鱼个体的位置,并计算鲸鱼个体的适应度;
更新鲸鱼个体的位置,并加入随机扰动,计算此时鲸鱼个体的适应度,根据适应度选取最优个体;
当汽轮机故障诊断模型精度满足条件且达到最大迭代次数时停止训练,获得最优汽轮机故障诊断模型参数。
进一步地,所述随机扰动为:
其中,δ为扰动系数,t为当前迭代次数,δmax、δmin分别为δ的最大值和最小值,T为振动周期。
进一步地,对所述训练用振动信号数据进行预处理,包括,
利用滤波模块滤除所述训练用振动信号数据中的干扰信号,而后进行转化处理;
利用达林顿管对转化后的训练用振动信号数据x′(n)进行放大,获得信号r(n)。
进一步地,所述滤波模块为RC低通滤波器,所述RC低通滤波器的输出信号根据以下计算获取:
其中,h(n)为RC低通滤波器输出的信号,D0为通带的半径,n为输入信号,σ为平滑程度参数。
进一步地,利用滤波模块滤除所述训练用振动信号数据中的干扰信号,而后进行转化处理,包括:
通过下式标准化信号h(n):
通过下式对标准化后的信号x(n)进行归一化处理:
本发明还公开了一种基于神经网络的汽轮机故障诊断装置,包括:
训练数据获取单元,其用于获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;
数据重构单元,其用于利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;
模型训练单元,其用于计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型;
诊断单元,其用于获取待诊断振动信号数据,并将所述待诊断振动信号数据输入最优汽轮机故障诊断模型,得到故障诊断结果。
较现有技术相比,本发明具有以下优点:
本发明公开了一种基于神经网络的汽轮机故障诊断方法及系统,通过传感器采集汽轮机运行时产生的振动信号,并进行预处理;利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;计算重构信号的排列熵,设定阈值T,将排列熵小于阈值T的重构信号输入至汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型;直至训练次数达到设定的迭代次数时停止训练,将振动信号输入至训练完的汽轮机故障诊断模型,获得诊断结果。本发明基于神经网络构建故障诊断模型,同时基于鲸鱼算法对故障诊断模型进一步优化,在保证检测精度的基础上,实现模型的快速训练,能够快速应用至汽轮机故障检测领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为实施例中一种基于神经网络的汽轮机故障诊断方法流程图。
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1所示,本发明提供了一种基于神经网络的汽轮机故障诊断方法,包括:
S1、获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理,其中训练用振动信号数据为通过传感器采集汽轮机运行时产生的振动信号。
通过传感器采集汽轮机运行时产生的振动信号n,对振动信号n进行包括滤波和放大处理。其中滤波处理包括利用滤波模块滤除振动信号中的干扰信号,而后进行转化处理获得转化后的信号x′(n)。放大处理包括利用达林顿管对转化后的信号x′(n)进行放大,获得信号r(n)。
具体地,滤波模块为RC低通滤波器;
其中,h(n)为RC低通滤波器输出的信号,RC低通滤波器的电阻和电容分别由金属铜和金属铝制成;D0为通带的半径,n为输入信号,σ为平滑程度参数,用于表征RC低通滤波器的频带宽度。
转化处理包括标准化和归一化;
通过下式标准化信号h(n):
通过下式对标准化后的信号x(n)进行归一化处理:
S2、利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号。
其中,分解包括,根据下式对信号r(n)进行希尔伯特变换,完成分解:
其中,*为卷积符,z(n)为分解后的信号,j为虚数单位,t为时间序列。
进一步地,重构信号包括对分解后的信号添加两个幅值相等、符号相反的正负白噪声对,生成重构信号z′(n):
其中,N表示N个分解后的信号,i表示第i个分解后的信号,noisei(t)为第i个分解后的信号对应的白噪声。
S3、计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型。
具体来说,计算重构信号的排列熵包括,
其中,Hp(m)为重构信号的排列熵,Pa为索引a出现在重构信号中的概率;M为索引数量。
优选地,基于神经网络构建的汽轮机故障诊断模型为:
其中,F为汽轮机故障诊断模型的输出,k为重构信号的数量,a和b为汽轮机故障诊断模型参数,W为模型权重,i为数量值。
作为本发明优选的实施方式,对汽轮机故障诊断模型进行训练包括:
a.将汽轮机故障诊断模型参数a、b作为鲸鱼个体,初始化鲸鱼个体数和网络神经元的个数。
b.随机生成鲸鱼个体的位置,并计算鲸鱼的适应度。
c.更新鲸鱼个体的位置,并加入随机扰动,计算此时鲸鱼个体的适应度,根据适应度选取最优个体。随机扰动包括,
其中,δ为扰动系数,t为当前迭代次数,δmax、δmin分别为δ的最大值和最小值,T表示振动周期。
d.当汽轮机故障诊断模型精度满足条件且达到最大迭代次数时停止训练,获得最优汽轮机故障诊断模型参数。
S4、获取待诊断振动信号数据,并将所述待诊断振动信号数据进行分解、重构后输入最优汽轮机故障诊断模型,得到故障诊断结果。
本发明基于神经网络构建汽轮机故障诊断模型,同时基于鲸鱼算法对轮机故障诊断模型进一步优化,能够准确诊断汽轮机故障。
本发明实施例还提供了一种基于神经网络的汽轮机故障诊断装置,包括:
训练数据获取单元,其用于获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;
数据重构单元,其用于利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;
模型训练单元,其用于计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型;
诊断单元,其用于获取待诊断振动信号数据,并将所述待诊断振动信号数据输入最优汽轮机故障诊断模型,得到故障诊断结果。
对于本发明实施例的基于神经网络的汽轮机故障诊断装置而言,由于其与上面实施例中的基于神经网络的汽轮机故障诊断方法相对应,所以描述的比较简单,相关相似之处请参见上面实施例中基于神经网络的汽轮机故障诊断装置部分的说明即可,此处不再详述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的汽轮机故障诊断方法,其特征在于,包括:
获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;
利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;
计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型;
获取待诊断振动信号数据,并将所述待诊断振动信号数据进行分解和重构后输入最优汽轮机故障诊断模型,得到故障诊断结果。
5.根据权利要求4所述的一种基于神经网络的汽轮机故障诊断方法,其特征在于,对汽轮机故障诊断模型训练,包括:
将汽轮机故障诊断模型参数a、b作为鲸鱼个体,初始化鲸鱼个体数和网络神经元的个数;
随机生成鲸鱼个体的位置,并计算鲸鱼个体的适应度;
更新鲸鱼个体的位置,并加入随机扰动,计算此时鲸鱼个体的适应度,根据适应度选取最优个体;
当汽轮机故障诊断模型精度满足条件且达到最大迭代次数时停止训练,获得最优汽轮机故障诊断模型参数。
7.如权利要求1所述的基于神经网络的汽轮机故障诊断方法,其特征在于:对所述训练用振动信号数据进行预处理,包括,
利用滤波模块滤除所述训练用振动信号数据中的干扰信号,而后进行转化处理;
利用达林顿管对转化后的训练用振动信号数据x′(n)进行放大,获得信号r(n)。
10.一种基于神经网络的汽轮机故障诊断装置,其特征在于,包括:
训练数据获取单元,其用于获取训练用振动信号数据,并对所述训练用振动信号数据进行预处理;
数据重构单元,其用于利用希伯尔变换策略对预处理后的信号进行分解,并通过添加白噪声对分解后的信号进行重构,获得重构信号;
模型训练单元,其用于计算重构信号的排列熵,将排列熵小于阈值T的重构信号输入至待训练的汽轮机故障诊断模型,并通过WOA算法训练汽轮机故障诊断模型,直至训练次数达到设定的迭代次数时停止训练,从而得到最优汽轮机故障诊断模型;
诊断单元,其用于获取待诊断振动信号数据,并将所述待诊断振动信号数据输入最优汽轮机故障诊断模型,得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327222.5A CN115905827A (zh) | 2022-10-25 | 2022-10-25 | 一种基于神经网络的汽轮机故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327222.5A CN115905827A (zh) | 2022-10-25 | 2022-10-25 | 一种基于神经网络的汽轮机故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905827A true CN115905827A (zh) | 2023-04-04 |
Family
ID=86471891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211327222.5A Pending CN115905827A (zh) | 2022-10-25 | 2022-10-25 | 一种基于神经网络的汽轮机故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905827A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930741A (zh) * | 2023-07-19 | 2023-10-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关器件故障程度诊断方法、装置和计算机设备 |
-
2022
- 2022-10-25 CN CN202211327222.5A patent/CN115905827A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930741A (zh) * | 2023-07-19 | 2023-10-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关器件故障程度诊断方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109033719B (zh) | 一种风力涡轮机轴承故障诊断方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
Long et al. | A fault diagnosis method based on one-dimensional data enhancement and convolutional neural network | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
Casas et al. | Adversarial signal denoising with encoder-decoder networks | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN114595728A (zh) | 一种基于自监督学习的信号去噪方法 | |
CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
CN113343869A (zh) | 基于ntft和cnn的脑电信号自动分类与识别方法 | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
CN114186358A (zh) | 基于文本特征和卷积神经网络的轴承寿命预测方法及装置 | |
Tran et al. | Denoising induction motor sounds using an autoencoder | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN116522237A (zh) | 一种基于并行卷积神经网络的滚动轴承故障诊断方法 | |
CN113916463B (zh) | 一种危化品运输存储罐泄漏检测方法 | |
CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114118157A (zh) | 一种基于植物电信号的光照信息诊断方法及系统 |
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 |