[发明专利]一种基于LSTM的汽轮机转子故障诊断方法

说明书

本发明公开了一种基于LSTM的汽轮机转子故障诊断方法，属于机械故障诊断技术领域。首先布控多测点采集传感器，采集各种典型汽轮机转子故障的振动信号作为训练集和验证集。其次从电厂DCS系统中提取汽轮机转子振动信号作为测试集。接着将训练集、测试集和验证集通过信号分割、堆叠等操作实现多测点信号数据的融合和数据增强。然后架构基于LSTM的神经网络，利用训练集和验证集完成对网络的训练，最后结合实际诊断任务，维护诊断模型，并最终在测试集上实现汽轮机转子故障诊断。

技术领域

本发属于机械故障诊断技术领域，具体涉及一种基于LSTM的汽轮机转子故障诊断方法。

背景技术

汽轮发电机组是电力生产的关键设备，具有结构复杂、工作条件恶劣(高温、高压、高转速)、连续运行要求高等特点，容易发生故障。在机组运行中，转子作为重要部件，一旦发生故障而不能及时排查，轻则会因振动量超过限值引起非计划停机，重则会造成机组损坏和人员伤亡。因此，汽轮发电机组转子的故障诊断方法和实验研究，对于保障汽轮发电机组安全运行、减少重大的经济损失和避免灾难性事故的发生具有十分重要的意义。

汽轮机转子故障包括，转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动以及由上述故障复合而成的复合故障等，具有复杂性。为了提取振动数据进行故障识别，研究学者提出了许多时频分析方法，如短时傅里叶变(Short Time Fourier Transform，STFT)、小波变换(Wavelet Transformation，WT)、维格纳-威尔分布(Wigner-Ville Distribution，WVD)、经验模态分解(Empirical Mode Decomposition，EMD)等。但是这些方法都存在各自的缺陷，距离工业现场的应用具有一定的差距。并且这些方法需要一定工程经验和专业的信号处理技巧，不利于推广。

一方面，目前关于转子故障诊断方法的研究和专利大多以电机转子为主，极少有介绍汽轮机转子的报道。另一方面，故障诊断分类和定量识别的本质就是数据挖掘的分类和回归问题，近年快速发展的人工智能算法在这一方面已经有了广泛且成功的应用。人工智能算法的实现不需要用户具有很丰富的先验知识，因此不需要专业性极强的信号前处理过程，可以从数据中直接挖掘故障特征，进而进行故障分类和定量识别。基于人工智能算法获得的模型具有体积小、速度快、可迁移性强的特点，适合应用于工业现场的故障诊断。

发明内容

本发明的目的是为了检测和识别汽轮机转子故障，保障汽轮发电机组安全运行，提供了一种基于LSTM的汽轮机转子故障诊断方法，以解决传统方法中汽轮机转子诊断的需要借助经验和极高信号处理技巧导致诊断效率低下，诊断精度差，不利于工业推广等问题。

本发明采用如下技术方案来实现的：

一种基于LSTM的汽轮机转子故障诊断方法，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以及转子碰摩振动数据；

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从相同时刻的统一采样频率条件下获取；其中X表示故障的长时序振动数据，i表示第i类故障，j表示第j个测点，X_i,j包括正常转子的振动数据；

2)、振动数据前处理及多测点振动数据融合：