[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

说明书

本发明公开了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及系统，包括以下步骤：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；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；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，获得改善后的序列到序列模型；训练序列到序列模型达到预设要求时，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。

技术领域

本发明属于机械故障诊断技术领域，涉及汽轮机发电机组转子多故障诊断方法，特别涉及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及系统。

背景技术

汽轮机发电机组转子是电力生产的重要部件，其结构复杂、具有高温、高压、高转速的特点，容易发生故障；其一旦发生故障而不能及时排查，轻则会导致非计划停机造成经济损失，重则会造成机组损坏和人员伤亡。因此，汽轮机发电机组转子的故障诊断，对于保障汽轮机发电机组安全运行具有十分重要的意义。

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、转子松动以及由上述故障复合而成的复合故障等，具有复杂性。传统的故障诊断方法需要用户有丰富的先验知识，且诊断准确率较低；人工智能算法的实现不需要用户具有很丰富的先验知识，可以从数据中直接挖掘故障特征，进而进行故障分类和定量识别。

目前传统的故障诊断方法存在的问题包括：

1、常规的故障诊断仅为单类识别，对于多类复合故障的诊断需要视情况进一步改进；如果简单将多类识别转化为多个单类识别任务无疑会加重训练成本，且诊断效果不佳；

2、多类复合故障中，各故障之间一般有较高的相关性，如油膜失稳更容易与转子松动相复合，常规的故障诊断并没有故障类别之间的相关性，因此会造成计算资源的浪费甚至达不到设定效果；

3、在多类复合故障诊断过程中，输出故障类别本质上是一个无序集，而不是有序序列，如果仅将标签的标注改为多故障标注进行传统方法识别，不仅会增加数据标注的工作量，且会造成数据量的不均等，从而影响诊断效果，因此需要在诊断过程中降低标签顺序的敏感性。

综上，亟需一种新的基于深度学习的汽轮机发电机组转子多故障诊断方法。

发明内容

本发明的目的在于提供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及系统，以解决上述存在的一个或多个技术问题。本发明所要解决的核心问题是，现有的故障诊断技术难以对多故障进行识别且并未考虑故障之间的相关性及标签顺序的敏感性，存在耗费计算资源等缺点；本发明能够依靠故障之间的相关性，获得精确的故障识别模型，实现多类别故障的快速识别，同时识别结果与标签顺序无关，从而降低计算资源占用及数据标注工作量。

为达到上述目的，本发明采用以下技术方案：

本发明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，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，