[发明专利]一种基于ResNet的汽轮机部件健康状态评估方法

说明书

本发明公开了一种基于ResNet的汽轮机部件健康状态评估方法，包括：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；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；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；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；通过评估模型实现汽轮机部件健康状态评估。本发明采用多任务学习机制，能够同时判别汽轮机故障类型及健康程度，且准确率高。

技术领域

本发明属于工业机械监控及故障诊断领域，涉及汽轮机部件健康状态评估方法，特别涉及一种基于ResNet(Residual Neural Network，剩余神经网络)的汽轮机部件健康状态评估方法。

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，其主要部件包括转子、叶片、气缸等，而转子及叶片作为重要部件，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。汽轮机转子故障包括转子裂纹、不平衡、不对中、碰摩、油膜失稳以及松动等；而汽轮机叶片故障包括冲刷汽蚀、锈蚀、裂纹、断落以及断裂扭弯等。汽轮发电机组的故障还包括由上述故障复合而成的复合故障等，具有复杂性。因此，对于汽轮发电机组的故障诊断及寿命预测的关键在于转子及叶片的健康状态评估，包括具体故障诊断及剩余可用寿命预估，其实现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。

目前对于健康状态评估的问题，传统的方法大多采用多元统计过程监控技术，主要包括主元分析、最小二乘估计、独立成分分析等等；但这些方法假设变量之间的关系是线性的，这与实际情况不符。而核方法的引入则会使得计算量急剧增加，从而影响计算精度。此外，专家经验等方法需要寿命预测的相关专业知识、复杂的机理分析，依赖性高且经验性强，不利于推广使用。

综上，亟需一种新的汽轮机部件健康状态评估方法。

发明内容

本发明的目的在于提供一种基于ResNet的汽轮机部件健康状态评估方法，以解决现有方法中需要借助专家经验或模型简化过度导致诊断效率低下，预测精度差，不利于工业推广等问题。本发明的方法采用多任务学习机制，能够同时判别汽轮机故障类型及健康程度，并且准确率高。

为达到上述目的，本发明采用以下技术方案：

一种基于ResNet的汽轮机部件健康状态评估方法，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。

本发明的进一步改进在于，汽轮机部件为汽轮机叶片；

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。