[发明专利]一种基于深度学习的燃机涡轮叶片故障检测方法

摘要

本发明属于燃气轮机故障检测领域，具体涉及一种基于深度学习的燃机涡轮叶片故障检测方法。本发明包括：(1)涡轮叶片的温度数据预处理；(2)提取涡轮叶片温度特征向量；(3)基于深度学习网络的故障诊断；(4)燃机涡轮叶片故障检测。本发明针对涡轮叶片温度采集数据样本较大的问题，首次将深度学习方法引入到燃气轮机涡轮叶片故障诊断中，推动了燃气轮机涡轮叶片故障诊断的多样性发展，提高了故障检测的正确率。

主权项

1.一种基于深度学习的燃机涡轮叶片故障检测方法，其特征在于：/n(1)涡轮叶片的温度数据预处理，包括：/n(1.1)周期信号提取/n所分析的涡轮发动机由86个叶片构成，辐射测温的数据是所有叶片经多个周期旋转之后得到的数据，/n根据周期性质的判别公式：f(x)＝f(x+T)/n其中T是函数的周期，通过上式来判断温度数据是否是周期数据；以极小值和极大值为判别标准，进行周期判断，/n以某一极大值点为起始点，统计某段区间内所有的极大值点，称这些点为测试点，获得相邻的两个同温度测试点后，分别向后采样对比采样点温度，如果相同，认定为这是一个周期；/n(1.2)变工况温度数据分布/n将工况分为以下三种工况：0.6工况、0.8工况以及1.0工况，三种工况下的涡轮叶片转速分别为：8635/rpm，8920/rpm，9138/rpm；/n(1.3)单个叶片温度数据分布/n对单个叶片温度数据的分割算法建立在极值寻找上，统计数据中的极大值点，对比各个极值点的温度数据后，选取温度数据最大的一点，即最大值点，记为a0，以a0为起点，向后搜索一个周期，即40个采样点，并记录下该周期内的极大值点；对这些极大值点做一个判定，当这些极大值点不能大于其相邻极大值点的10％，如果大于相邻点的10％，那么就将这个极大值点变为起始点a0，循环上述过程86次，得到了86个叶片的周期，并对叶片进行01到86序列编号，对其提取特征用于状态分类检测；/n(2)提取涡轮叶片温度特征向量/n采用基于全体经验模态分解的方法来进行叶片温度特征向量的提取；通过每次在信号中加入给定幅值的不同高斯噪声来改变信号或是数据的极值点个数和极值点的分布间隔，之后对多次分解得到的IMF分量进行总体平均抵消加入到信号中的噪声；/n(2.1)对加入到信号中的噪声幅度值进行初始化；/n(2.2)对于第i次加入的噪声信号进行分解；/n(2.2.1)信号x(t)中加入一定幅值的高斯信号n