一种动浮电驱涡轮冷却器的故障自动诊断方法

：
1.本发明属于涡轮冷却器技术领域，涉及一种动浮电驱涡轮冷却器的故障自动诊断方法，尤其涉及一种可自动进行故障类型分析的系统。


背景技术：

2.动浮电驱涡轮冷却器是一种全新概念的涡轮冷却器，核心技术包括离心压气机、高速电机、向心涡轮、空气箔片轴承、电机和控制技术。是一个多学科交叉产物，具有高性能、高效率、高制冷量、低噪音的特点。其基本原理是通过空气悬浮轴承支撑和变频器控制的高速电动机和动力涡轮共同输出功来驱动压气机同轴运行，输出无油洁净的制冷气体。它具有供气量大、运行平稳、结构简单、效率高、使用年限长、维修量小、无须润滑、气体不会被油污染等优点，节能效益显著。
3.深度信念网络(deep belief network,dbn)是hintion在2006年提出的一种高效无监督学习算法，由一系列受限玻尔兹曼机(reatricted boltzmann machine,rbm)堆叠而成，具有强大的特征提取能力，可以通过rbm的预训练有效解决传统神经网络参数随机初始化导致的容易陷入局部最优等问题。以往依赖于复杂信号处理技术或专家的经验等进行人供的特征提取，导致人为影响因素过大，被测信号与机械设备之间的复杂关系难以被映射。其次，传统故障诊断方法中特征提取和健康状态识别两部分是分开进行的，降低了故障诊断过程的连贯性。而深度学习方法建立的深度学习模型具有强大的特征学习能力，能够从大量数据中自动提取、选择特征，进而学习到故障相关的隐含特征，建立特征与状态之间复杂、非线性的映射关系，从而实现故障诊断。
4.由于动浮电驱涡轮冷却器涉及多种核心技术，技术难点多结构较为复杂，在运行中容易出现各种故障，而故障情况又是复杂多变的，常常需要依赖对现场状况熟悉且经验丰富的工程师对故障进行逐项排查处理。不论设备在研制试验阶段还是在投入使用阶段，如果故障原因不能被快速的锁定，就会在故障排查阶段耗费太多不必要的人力和物力。并且无法自动留存故障的原始数据及记录当时的处理措施，导致下次出现同样的故障，无从查证。基于此发明了一种动浮电驱涡轮冷却器自动诊断系统，该系统不仅可以自动记录故障的原始数据，且会利用深度信念网络故障模型对动浮电驱涡轮冷却器的故障进行诊断，能够有效提高动浮电驱涡轮冷却器故障的处理效率。


技术实现要素：

5.针对动浮电驱涡轮冷却器故障的智能诊断问题，本发明公开了一种动浮电驱涡轮冷却器的故障自动诊断方法，该系统将深度信念网络用于涡轮冷却器的故障识别领域。所述系统主要包括以下四个部分：
6.第一部分，动浮电驱涡轮冷却器数据采集模块
7.第二部分，数据预处理模型
8.第三部分，服务器进行数据的存储和故障诊断
9.第四部分，动浮电驱涡轮冷却器的实时状态及历史数据的查看
10.第一部分中，为了能够对动浮电驱涡轮冷却器的状态进行实时监测，且使该发明系统能够对动浮电驱涡轮冷却器通用，该系统中的数据采集模块不仅有常用模块的接口，还对常用的通信接口进行了预留，以保证某些现场的特殊需求。
11.第二部分中，为满足深度网络的必要条件，有效提升故障分类的准确率，缩短分类器计算时间,，对采集的原始数据进行预处理。本系统中采用归一化的预处理方法，归一化过程如下：
[0012][0013][0014]
yi(i＝1，23，...n)表示信号的离散序列。
[0015]
第三部分中，数据经预处理后传输到服务器中，服务器将数据进行存储、并将数据经基于dbn网络的故障诊断模型处理后，对动浮电驱涡轮冷却器的故障进行诊断。其中采用的基于dbn网络的故障诊断模型说明如下：
[0016]
该模型会首先将输入的数据和动浮电驱涡轮冷却器的正常数据进行比对，判断是否存在异常情况。正常压缩机的数据可以是从数据库的历史数据中经过特定的算法进行统计得出的，也可以是设备管理员手动设置的。判断后，发现数据存在一定的异常，则将数据输入dbn网络模型中进行故障诊断。
[0017]
dbn网络模型从模型的建立角度看，此模型是由多层玻尔兹曼基本模型rbm构成的。每个rbm模型是由一个隐层h和一个显层v构成的,显层和隐层之间的神经元两两互联。rbm是描述能量和状态之间关系的模型,其函数表示为：
[0018][0019]
其中：vi表示第i个显层神经元的状态，hj表示第j个隐层神经元的状态，神经元的状态有两种，分别使用0表示未激活状态，1表示激活状态。n为显层神经元的个数，m为隐层神经元的个数。ai表示的是第i个神经元的偏置，bj表示第j个神经元的偏置。θ＝{ai，bj，w
ij
}是需要在模型构建时进行初始化的参数。隐层神经元和显层神经元的联合概率分布p(v,h)表示为：
[0020][0021][0022]
其中，z(θ)是分配函数。
[0023]
显层神经元的条件概率为：
[0024]
p(hj＝1|v)＝δ(ai+∑iviw
ij
)
[0025]
隐层神经元的条件概率为：
[0026]
p(vi＝1|h)＝δ(bj+∑
jhjwij
)
[0027]
其中，
[0028]
从整体模型来看，dbn网络模型是由一个输入层、三个隐层以及一个输出层构成的。数据从输入层进入网络模型，输入层的输出作为一层隐层的输入，一层隐层的输出作为二层隐层的输入，二层隐层的输出作为输出层的输入。这样的贪婪学习将数据的内部信息进行了充分的挖掘。本发明的输入层包含的神经元个数取决于数据采集模块采集而来的数据类型数量，最终输出层每个神经元均代表一种故障的类型。隐藏层的神经元个数采用bp神经网络的经验公式：
[0029][0030][0031][0032]
式中，m为输入节点数，n为输出节点数，a和k均为10以内的正数，为使数据的分布式特征易于展开，各层神经元个数取经验计算值的10倍数。输出层使用soft-max作为分类器模型。
[0033]
模型搭建完成后，需要对该dns网络模型进行预训练，初始化隐层和显层的偏置a,b为0，学习率ε和α均取0.1，连接权重w可由下式得到：
[0034]
w＝0.1
×
randn(n，m)
[0035]
其中，randn(n，m)代表产生n行m列标准正态分布矩阵。
[0036]
设置迭代次数以限制模型的计算时间。使用一定量的未进行标注的数据集对rbm的每一层分别进行单独训练，达到迭代次数最大值或符合要求的重构误差时，停止该层rbm的训练。直到每一层的rbm训练完成。模型的无监督学习完成。最后使用一定量的测试样本进行故障分类，通过分类结果来检测该模型的故障诊断准确率。为进一步优化模型的训练结果，可将无监督学习的结果作为后向微调模型的输入，对各初始连接权重进行微调，优化网络模型。
[0037]
第四部分中，对该动浮电驱涡轮冷却器故障自动诊断系统中的数据进行查看和管理的方式有两种，将其分别命名为超级管理员和普通管理员。超级管理员可以查看该系统中所有设备的历史运行数据以及历史故障数据和当前的运行状态等相关数据，可以设置系统中每个设备的访问权限。而普通管理员只能对特定的某一台设备或某几台设备的数据进行查看，其查看的权限是由超级管理员设置的。
[0038]
有益效果：
[0039]
本发明公开了一种基于深度信念网络的动浮电驱涡轮冷却器故障诊断方法，该方法将深度信念网络用于动浮电驱涡轮冷却器的故障分类，可以实现动浮电驱涡轮冷却器故障自动化诊断。本发明利用振动信号、压力信号、温度信号、流量信号和噪声信号等传感器采集的多方位数据，应用深度信念网络的数据挖掘能力，识别动浮电驱涡轮冷却器运行异常的变化情况，为动浮电驱涡轮冷却器的维护和故障诊断提供支持，提高其运行效率，故障解决速度。同时通过采集动浮电驱涡轮冷却器的实时数据，监测动浮电驱涡轮冷却器的运行状况。本发明的方法对动浮电驱涡轮冷却器故障进行自动诊断，具有广阔的工业应用前
景
附图说明：
[0040]
图1：本发明的系统工作流程图
[0041]
图2：基于dbn网络的自动诊断模型
具体实施方式：
[0042]
如图1所示，本发明是一种动浮电驱涡轮冷却器的故障自动诊断方法的方案，该方案的具体实施步骤如下：
[0043]
步骤1、数据采集模块对动浮电驱涡轮冷却器进行数据采集，并将采集到的数据进行连续截断形成样本数据。
[0044]
步骤2、将样本数据进行比例随机划分，分为训练样本和测试样本，并对样本中的数据进行归一化预处理。
[0045]
步骤3、将数据传入服务器中，服务器对数据进行存储，并在此处构建基于dbn网络的诊断模型，具体的步骤如下：
[0046]
该模型会首先将输入的数据和动浮电驱涡轮冷却器的正常数据进行比对，判断是否存在异常情况。正常压缩机的数据可以是从数据库的历史数据中经过特定的算法进行统计得出的，也可以是设备管理员手动设置的。判断后，发现数据存在一定的异常，则将数据输入dbn网络模型中进行故障诊断。
[0047]
dbn网络模型从模型的建立角度看，此模型是由多层玻尔兹曼基本模型rbm构成的。每个rbm模型是由一个隐层h和一个显层v构成的,显层和隐层之间的神经元两两互联。rbm是描述能量和状态之间关系的模型,其函数表示为：
[0048][0049]
其中：vi表示第i个显层神经元的状态，hj表示第j个隐层神经元的状态，神经元的状态有两种，分别使用0表示未激活状态，1表示激活状态。n为显层神经元的个数，m为隐层神经元的个数。ai表示的是第i个神经元的偏置，bj表示第j个神经元的偏置。θ＝{ai，bj，w
ij
}是需要在模型构建时进行初始化的参数。隐层神经元和显层神经元的联合概率分布p(v,h)表示为：
[0050][0051][0052]
其中，z(θ)是分配函数。
[0053]
显层神经元的条件概率为：
[0054]
p(hj＝1|v)＝δ(ai+∑iviw
ij
)
[0055]
隐层神经元的条件概率为：
[0056]
p(vi＝1|h)＝δ(bj+∑
jhjwij
)
[0057]
其中，
[0058]
从整体模型来看，dbn网络模型是由一个输入层、三个隐层以及一个输出层构成的。数据从输入层进入网络模型，输入层的输出作为一层隐层的输入，一层隐层的输出作为二层隐层的输入，二层隐层的输出作为输出层的输入。这样的贪婪学习将数据的内部信息进行了充分的挖掘。本发明的输入层包含的神经元个数取决于数据采集模块采集而来的数据类型数量，最终输出层每个神经元均代表一种故障的类型。隐藏层的神经元个数采用bp神经网络的经验公式：
[0059][0060][0061][0062]
式中，m为输入节点数，n为输出节点数，a和k均为10以内的正数，为使数据的分布式特征易于展开，各层神经元个数取经验计算值的10倍数。输出层使用soft-max作为分类器模型。
[0063]
模型搭建完成后，需要对该dns网络模型进行预训练，初始化隐层和显层的偏置a,b为0，学习率ε和α均取0.1，连接权重w可由下式得到：
[0064]
w＝0.1
×
randn(n，m)
[0065]
其中，randn(n，m)代表产生n行m列标准正态分布矩阵。
[0066]
设置迭代次数以限制模型的计算时间。使用一定量的未进行标注的数据集对rbm的每一层分别进行单独训练，达到迭代次数最大值或符合要求的重构误差时，停止该层rbm的训练。直到每一层的rbm训练完成。模型的无监督学习完成。最后使用一定量的测试样本进行故障分类，通过分类结果来检测该模型的故障诊断准确率。为进一步优化模型的训练结果，可将无监督学习的结果作为后向微调模型的输入，对各初始连接权重进行微调，优化网络模型。
[0067]
步骤4、动浮电驱涡轮冷却器的实时状态及历史数据的查看，超级管理员对系统中的动浮电驱涡轮冷却器进行管理员设置，成功设置后，该压缩机的相关人员即普通管理员均可实时查看其相关数据。