[发明专利]基于深度学习的汽轮机发电机组转子多故障诊断方法及系统

权利要求书

1.一种基于深度学习的汽轮机发电机组转子多故障诊断方法，其特征在于，包括以下步骤：

步骤1，通过多测点采集的方式，获得典型汽轮机发电机组转子故障的单故障信号以及复合而成的复合故障信号，添加标签，构建获得训练集数据和验证集数据；其中，所述典型汽轮机发电机组转子故障包括：转子裂纹、不平衡、不对中、碰摩、油膜失稳、转子松动；

步骤2，构建基于循环神经网络的序列到序列模型；所述序列到序列模型包括编码器和集合解码器；每一个训练集数据故障信号均通过编码器、集合解码器连接到Softmax激活函数，得到分布概率；根据分布概率，获得有序标签；其中，在得到分布概率的过程中加入注意力机制；

步骤3，所述序列到序列模型中，将集合解码器作为强化学习的代理器，生成完整的标签序列后，得到奖励r；

所述序列到序列模型的训练目标设置为最小化负的期望值，表达式为，

其中，奖励r为生成标签y与背景标签y*的F₁分数，表达式为：r(y)＝F₁(y,y^*)；

获得改善后的序列到序列模型；

步骤4，通过步骤1获得训练集数据训练步骤3获得的序列到序列模型，通过步骤1获得的验证集数据对训练获得的序列到序列模型进行验证，达到预设要求时，获得训练好的诊断模型，用于汽轮机发电机组转子多故障诊断；其中，序列到序列模型训练过程中，设置可变学习率来训练神经网络，优化L(θ)；优化算法采用自批判策略梯度算法，梯度计算表达式为，

式中，y^s为概率分布p采样的标签序列，y^g为贪婪搜索算法生成的标签序列。

2.根据权利要求1所述的一种基于深度学习的汽轮机发电机组转子多故障诊断方法，其特征在于，还包括：

步骤5，增加故障类别时，在步骤4获得的诊断模型基础上，对模型中循环神经网络的主体结构设置小学习率进行学习，重新训练最后的全连接层；

增加新测点数据时，将步骤4获得的诊断模型作为预训练模型，再训练网络。

3.根据权利要求1所述的一种基于深度学习的汽轮机发电机组转子多故障诊断方法，其特征在于，步骤1具体包括以下步骤：

步骤1.1，布控多振动测点，在同一采样率条件下，利用位移传感器获取汽轮机发电机组转子的振动信号X_i；其中，每一个振动测点的数据X_i在相同时刻的统一采样率条件下获取；X表示长时序信号，i表示第i个振动测点；

步骤1.2，将每一个长时序信号X_i分割为长度为l的m个短时信号x_m,i，对应的故障类别的标签为y_m,i，若为复合故障则为多标签向量；将同m下，不同振动测点i的x_m,i重构为i行l列的高维信号(x_i,l)_m，对应的故障类别的标签为y_m,i；其中，x_i,l表示i行l列的时序信号数据，x表示分割之后的短时序信号，y表示故障类别，l表示振动信号的数据点个数，m表示第m个样本信号；

步骤1.3，利用均值标准差公式对步骤1.2获得的数据进行处理；按照预设比例进行划分并打乱数据，获得训练集数据{(x_i,l)_m}_train、{y_m,i}_train和验证集数据{(x_i,l)_m}_validation、{y_m,i}_validation。