[发明专利]一种基于LSTM的汽轮机转子故障诊断方法

权利要求书

1.一种基于LSTM的汽轮机转子故障诊断方法，其特征在于，包括以下步骤：

1)、多测点采集振动数据：

在汽轮机的各个汽缸、各个轴承处布置振动测点，利用位移传感器采集汽轮机转子各种典型故障下的振动数据，需要采集的振动数据包括，正常状态的振动数据、转子裂纹振动数据、转子不平衡振动数据、转子不对中振动数据、转子碰摩振动数据、油膜失稳振动数据、转子松动振动数据以及由上述故障复合而成的复合故障振动数据；

在电厂中转子的振动数据存储在DCS系统数据库中，直接从DCS系统中得到；每一个测点的振动数据X_i,j在相同时刻的统一采样频率条件下获取；其中X表示长时序振动数据，i表示第i类故障，j表示第j个测点；

2)、振动数据前处理及多测点振动数据融合：

首先将每一种故障类别的振动数据做标签，记为Y_i,j；将每一个长时序振动数据X分割为长度为u的m个x_m,i,j，与之对应的故障类别标签为y_m,i,j；最后将同一个i和m下，不同测点j的x_m,i,j整理成j行u列的(x_j,u)_m,i，与之对应的故障类别标签为y_m,i；其中Y表示故障类别标签，取整数；x表示分割之后的短时序振动数据，y表示与x对应的故障类别标签，取整数，u表示x的长度，也即数据点个数，m表示第m个样本，i表示第i类故障，j表示第j个测点；

3)、数据标准化处理、划分训练集和验证集：

首先将上述的(x_j,u)_m,i和故障类别标签y_m,i做标准化处理，然后按照训练集/验证集等于4.0的比例，分为训练集{y_m,i}_train和验证集{y_m,i}_validation，随机打乱训练集；

从电厂的DCS系统数据库中读取振动数据，并利用上述步骤2)中相同的处理方式，将测试振动数据处理为测试集

4)、建构基于LSTM的神经网络：

整个神经网络包含LSTM网络的主体结构以及最后的全连接层，每一个训练集通过LSTM网络的主体结构输出连接到一个全连接层，通过Softmax激活函数得到故障类别的概率分布；

5)、训练网络：

基于LSTM的汽轮机转子故障诊断模型采用以下3种的训练方法：

①对于初始训练，所有神经网络都训练，通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化损失函数来训练网络；

②当需要增加新类别作为训练数据的时候，在①训练结果的前提下，对LSTM网络的主体结构设置小学习率进行学习，然后冻结除全连接层之外的所有神经网络层，重新训练最后的全连接层；

③当需要布控新测点时，利用①的训练结果作为预训练模型，激活所有神经网络，设置可变学习率优化损失函数来训练网络；

6)故障诊断分析：

输入从DCS系统数据库中得到的电厂测试集算法输出故障类别。

2.根据权利要求1所述的一种基于LSTM的汽轮机转子故障诊断方法，其特征在于，还包括以下步骤：

7)算法维护：

在实际过程中，当需要分析新的故障类别，按照步骤1)中采集数据的方式，新增振动数据的采集；然后按照步骤2)的方式对新增振动数据做前处理及多测点振动数据融合；接着按照步骤3)做新增振动数据的标准化处理并划分数据集；最后按照步骤5)中训练方式②做新增振动数据的训练；

在实际过程中，当需要增加测点时，在汽缸的前端或者后端布控新测点，按照步骤2)对新增振动数据做前处理和振动数据融合，然后按照步骤3)做新增振动数据的标准化处理并划分数据集，最后按照步骤5)中训练方式③做新增振动数据的训练。