一种基于神经网络的汽轮机故障诊断方法及装置与流程

本发明涉及汽轮机故障诊断，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：

1、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。

2、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。

技术实现思路

1、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。

2、本发明采用的技术手段如下：

3、一种基于神经网络的汽轮机故障诊断方法，包括：

4、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；

5、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；

6、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；

7、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。

8、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：

9、根据下式对信号r(n)进行希尔伯特变换，完成分解：

10、

11、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；

12、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)：

13、

14、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。

15、进一步地，根据以下公式计算重构信号的排列熵：

16、

17、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。

18、进一步地，所述汽轮机故障诊断模型为：

19、

20、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。

21、进一步地，对汽轮机故障诊断模型训练，包括：

22、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；

23、随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

24、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；

25、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。

26、进一步地，所述随机扰动为：

27、

28、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。

29、进一步地，对所述训练用振动信号数据进行预处理，包括，

30、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；

31、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)。

32、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：

33、

34、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。

35、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：

36、通过下式标准化信号h(n)：

37、

38、通过下式对标准化后的信号x(n)进行归一化处理：

39、

40、其中，为信号h(n)的平均值，s为信号h(n)的标准差，h(n)max、h(n)min分别为信号h(n)的最大值和最小值。

41、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：

42、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；

43、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；

44、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；

45、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。

46、较现有技术相比，本发明具有以下优点：

47、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。

技术特征：

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：

2.根据权利要求1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，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：

3.根据权利要求1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，根据以下公式计算重构信号的排列熵：

4.根据权利要求1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，所述汽轮机故障诊断模型为：

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：

6.根据权利要求5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，所述随机扰动为：

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，

8.如权利要求7所述的基于神经网络的汽轮机故障诊断方法，其特征在于：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：

9.如权利要求8所述的基于神经网络的汽轮机故障诊断方法，其特征在于：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：

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：

技术总结
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。

技术研发人员：胡长轩,侯志勇,任一彪,张宇哥,徐修全,董雪桦
受保护的技术使用者：华能沁北发电有限责任公司
技术研发日：
技术公布日：2024/1/12