[发明专利]基于深度神经网络与流形对齐的汽轮机振动故障诊断方法

说明书

本发明的目的在于提供基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，首先通过振动传感器采集振动故障数据，选取特征和故障类别，进一步对于原始数据进行标准化处理，有利于加权和训练；然后构建深度神经网络，提取抽象特征的同时利用流形对齐项维持数据原有几何结构，在分类层预测类别并获取损失函数，最后获得整体目标函数，通过梯度下降法迭代更新网络参数训练模型，直至最大迭代次数，获取最终网络模型，预测故障类别。本发明有助于不同特征指标的加权，加速学习过程。能够挖掘数据复杂结构和抽象特征，提高诊断精度。通过引入流形对齐项，有助于维持样本原始的流形结构，对于分布存在差异的数据，也能取得较好分类结果。

技术领域

本发明涉及的是一种汽轮机控制方法，具体地说是汽轮机故障诊断方法。

背景技术

汽轮机作为一种能够将蒸汽热能转化为机械功的旋转机械，具有功率大、效率高、寿命长等优势，广泛应用于船舶、工业、电站等不同领域，汽轮机一旦发生故障会造成巨大经济损失，因此其安全稳定运行至关重要。随着科技发展，汽轮机振动故障诊断数据也迎来了大数据时代，如何充分利用汽轮机振动故障数据提取有效特征，进而提高其故障诊断准确率，成为极具研究性的课题。

传统基于浅层结构的汽轮机故障诊断方法，不能充分刻画数据分布，获取有效特征表达，致使诊断结果不够精准，而深度学习神经网络模型则可以通过学习大量样本数据，挖掘其复杂结构，提取抽象特征从而完成诊断任务，提高准确率。而普通神经网络模型虽能够很好拟合数据，但忽视了样本之间原始的几何流形结构，对于数据分布存在较大差异的情况，不利于诊断任务。

发明内容

本发明的目的在于提供能够挖掘数据复杂结构和抽象特征、提高诊断精度的基于深度神经网络与流形对齐的汽轮机振动故障诊断方法。

本发明的目的是这样实现的：

本发明基于深度神经网络与流形对齐的汽轮机振动故障诊断方法，其特征是：

(1)将振动器采集的振动故障信号经过时域、频域处理方法选择样本原始特征向量，确定故障所属类别，构成原始样本数据集；

(2)对所有样本数据进行标准化处理；

(3)构建F+1层深度神经网络，第一层为输入层，中间层为隐藏层，最后一层为分类层；

(4)初始化神经网络的权重和偏置向量；

(5)提取训练样本在每个隐藏层的特征表达；

(6)根据初始训练样本和其第F隐藏层的特征表达构建流形对其正则项；

(7)根据样本真实标签和分类预测构建分类器的损失函数项；

(8)获得权重和偏置的衰减项；

(9)根据步骤(6)-(8)获得整体目标函数；

(10)使用梯度下降反向传播算法优化网络权重和偏置；

(11)重复步骤(5)-(10)至最大迭代次数；

(12)得到分类层的标签预测，最大概率所属标签即为预测标签。

本发明还可以包括：

1、步骤(1)中所述故障所属类别包括不平衡、不对中、自激振动、支撑松动、动静摩擦。

2、步骤(2)中，给定训练样本集对样本数据标准化处理方式如下：

其中N表示样本数量，d⁽¹⁾表示样本特征维度,表示第i个样本，Y＝{1,…,K}表示类别标签集合，每个样本的标签Y_i∈Y，/X_i,j表示标准化样本集X第i行，第j列元素。