[发明专利]一种基于ResNet的汽轮机部件健康状态评估方法

权利要求书

1.一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，包括以下步骤：

S1，进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；

S2，将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；

S3，将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；

S4，采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；

S5，通过步骤S4获得的评估模型获得汽轮机部件的故障类型及剩余可用寿命，完成待评估汽轮机部件健康状态评估；

汽轮机部件包括汽轮机叶片；步骤S1中，对汽轮机叶片进行模拟实验，在叶片所处缸体内、轴承处布置多个测点，通过实验采集汽轮机叶片在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：扭歪、失协和激振中的一种或多种；

汽轮机部件包括汽轮机转子；对汽轮机转子进行模拟实验，在汽轮机的各个汽缸、各个轴承处布置测点，通过实验采集汽轮机转子在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：裂纹、不平衡和碰摩中的一种或多种；

步骤S4中，基于ResNet的多任务学习神经网络模型包括：ResNet神经网络以及最后的全连接层；每一个训练数据信号通过依次连接的网络层和全连接层，最后通过Softmax函数进行故障类型分类，通过Sigmiod函数进行剩余可用寿命回归。

2.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S2具体包括：X_i,j表示部件故障的长时序信号，i表示部件的第i类故障，j表示监控部件的第j个振动测点，对应的标签信息包括故障类型F_i及剩余可用寿命R_i；其中，X_0,j表示部件运行正常时在第j个振动测点所测出的振动信号。

3.根据权利要求2所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S3中，将采集获得的每一个长时序信号X_i,j分割为长度为l的m个短时信号x_m,i,j，与之对应的标签分别为故障类型F_m,i,j和剩余可用寿命R_m,i,j；然后对m×i个故障信号数据(x_j,l)_m,i及其标签做归一化处理；划分获得训练集数据为{(x_j,l)_m,i}_train、{F_m,i}_train、{R_m,i}_train，验证集数据为{(x_j,l)_m,i}_validation、{F_m,i}_validation、{R_m,i}_validation。

4.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，训练过程中损失函数的定义为：

L＝α_FL_F+α_RL_R

式中，L是总损失，L_F是进行故障分类任务的损失函数，α_F是进行故障分类任务的权重；L_R是进行部件健康程度识别任务的损失函数，α_R是进行部件健康程度识别任务的权重，两个权重的和为1。