[发明专利]一种基于LSTM的汽轮机转子故障诊断方法

摘要

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。

主权项

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)、多测点采集故障信号：在汽轮机的各个汽缸、各个轴承处布置测点，利用位移传感器采集汽轮机转子各种典型振动故障下的振动数据；需要采集的故障数据包括，正常状态的振动信号、转子裂纹故障信号、转子不平衡故障信号、转子不对中故障信号以及转子碰摩故障信号；在电厂中这类数据存储在DCS系统中，直接从DCS系统中得到；每一个振动测点的数据Xi,j从相同时刻的统一采样率条件下获取；其中X表示故障的长时序信号，i表示第i类故障，j表示第j个振动测点，Xi,j包括正常转子的振动信号；2)、故障信号前处理及多测点信号融合：首先将每一种故障类别的信号做标记，记为Yi,j；将每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j，与之对应的故障类别的标签为ym,i,j；最后将同一个i和m下，不同位置j的xm,i,j重构成j行l列的高维信号(xj,l)m,i，与之对应的故障类别的标签为ym,i；其中xj,l表示j行l列的j维时序信号数据；其中Y表示故障类别，取0～i‑1的整数；x表示分割之后的短时序信号，y表示故障类别，取0～i‑1的整数，l表示振动信号的数据点个数，m表示第m个样本信号，i表示第i类故障，j表示第j个振动测点；3)、数据标准化处理、划分训练集和验证集：首先将上述的m×i个故障信号数据(xj,l)m,i和故障类别ym,i做标准化处理，然后按照训练集/验证集＝4.0的比例，分为训练集数据{(xj,l)m,i}train、{ym,i}train和验证集数据{(xj,l)m,i}validation、{ym,i}validation，随机打乱训练集数据；从电厂的DCS系统中的故障信号，并利用上述步骤2)中相同的处理方式，将故障信号处理为{(xj,l)m,i}test；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，每一个训练数据信号{(xj,l)m,i}train通过LSTM网络的主体结构输出连接到一个全连接层，通过Softmax激活函数得到诊断类型的分布概率；5)、训练网络：结合汽轮机转子故障诊断的实际问可以分为以下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交叉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交叉损失函数来训练网络；6)故障诊断分析：输入从DCS中得到的电厂测试集数据{(xj,l)m,i}test，算法输出该信号的故障类别。