[發(fā)明專利]一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201710333774.X
• 申請(qǐng)日: 2017-05-12
• 公開（公告）號(hào): CN107066759B
• 公開（公告）日: 2020-12-01
• 發(fā)明（設(shè)計(jì)）人: 朱霄珣;周沛;苑一鳴;韓中合
• 申請(qǐng)（專利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王寶筠

1.一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法，其特征在于，包括：

獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果；

所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括：輸入層、n個(gè)卷積層、n個(gè)下采樣層、全連接層和輸出層，n為不小于1的整數(shù)；

第1個(gè)卷積層分別與所述輸入層和第1個(gè)下采樣層相連，第i個(gè)卷積層分別與第i-1個(gè)下采樣層和第i個(gè)下采樣層相連，第n個(gè)下采樣層與所述全連接層相連，所述全連接層與所述輸出層相連，i為大于1且不大于n的整數(shù)；

所述輸入層用于將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)格中；

各個(gè)所述卷積層的輸入為：各個(gè)所述卷積層的輸出為：

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，R_i表示輸入數(shù)據(jù)信號(hào)的集合；x_i^l-1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；W_ij^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；b_j^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；u_j^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

各個(gè)所述下采樣層的輸入為：各個(gè)所述下采樣層的輸出為：

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

所述全連接層的輸出為：u₁＝ω₁x₁+b₁，其中x'＝f(u₁)，ω₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x₁是所述全連接層的前一層輸出的特征矩陣轉(zhuǎn)換為一維數(shù)據(jù)，得到的一維數(shù)據(jù)特征，u₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

所述輸出層用于對(duì)所述全連接層輸出的特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果；

所述利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果，包括：

步驟1：將所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為m×m大小的二維矩陣，并將轉(zhuǎn)化得到的m×m大小的二維矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入層，得到輸入層的輸出特征矩陣，m為大于1的整數(shù)；

步驟2：利用關(guān)系式一對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的上一層的輸出特征矩陣進(jìn)行二維卷積運(yùn)算，得到卷積后的數(shù)據(jù)，并利用關(guān)系式二對(duì)所述卷積后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的輸出特征矩陣；

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，R_i表示輸入數(shù)據(jù)信號(hào)的集合；x_i^l-1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；W_ij^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；b_j^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；u_j^l是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

步驟3：利用關(guān)系式三對(duì)第l+1層的上一層的輸出特征矩陣進(jìn)行下采樣，得到下采樣后的數(shù)據(jù)，并利用關(guān)系式四對(duì)所述下采樣后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣；

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

步驟4：判斷所述l+1是否等于預(yù)設(shè)值，若所述l+1不等于預(yù)設(shè)值，則執(zhí)行步驟5，若所述l+1等于預(yù)設(shè)值，則執(zhí)行步驟6；

步驟5：將所述l+1加1，得到l+2，并將l+2賦值給l，返回執(zhí)行步驟2；

步驟6：將所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣轉(zhuǎn)換成一維數(shù)據(jù)特征作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的輸入，并利用關(guān)系式五u₁＝ω₁x₁+b₁計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，并利用關(guān)系式x'＝f(u₁)計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，將計(jì)算得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值作為輸出特征向量；

其中，ω₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x₁是所述一維數(shù)據(jù)特征，u₁是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

步驟7：所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層對(duì)所述輸出特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。