本發(fā)明屬于燃氣輪機故障檢測領域，具體涉及一種基于深度學習的燃機渦輪葉片故障檢測方法。

背景技術(shù)：

燃氣渦輪發(fā)動機，作為熱機的一種形式，又被稱之為燃氣輪機，它產(chǎn)生于上世紀30年代，自發(fā)明以來，就被應用于航空和船艦等大型軍用民用領域，被視為國家綜合實力的一種重要體現(xiàn)。自1960年燃氣輪機全面代替了活塞式發(fā)動機之后，更是得到了突飛猛進的應用，在發(fā)電機、各國主戰(zhàn)坦克的推進系統(tǒng)中也變得無可替代。由于它擁有著體積不大、質(zhì)量較輕、污染較小、可靠性高、性價比突出以及效率極高等優(yōu)良特點，步入21世紀以來，在改善環(huán)境和調(diào)整能源產(chǎn)業(yè)機構(gòu)的大前提環(huán)境下，再一次體現(xiàn)出了它的利用價值，迄今為止，其產(chǎn)業(yè)規(guī)模變得愈發(fā)宏大，產(chǎn)品應用也變得越來越廣泛。

燃氣輪機的主體結(jié)構(gòu)主要是由燃燒室、壓氣機、渦輪、尾噴管以及其他部件構(gòu)成的，按照分類來講，又可以分為：渦輪噴氣式發(fā)動機、渦輪風扇式發(fā)動機、渦輪螺旋槳發(fā)動機和渦輪軸承發(fā)動機等，其中渦輪風扇式發(fā)動機應用最為廣泛，航空領域，船舶領域和發(fā)電機系統(tǒng)大部分都采用它作為提供動力的首選方案。我國燃氣輪機產(chǎn)業(yè)起步較晚，但是發(fā)展迅猛，經(jīng)過多年的科研發(fā)展，我國在燃氣輪機自主創(chuàng)新，產(chǎn)品研制和消化吸收國外先進技術(shù)方面取得了長足進步。同時，由于能源產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，天然氣產(chǎn)量持續(xù)增加，這也給了以天然氣為燃料的燃氣輪機發(fā)展提供了良好的條件以及環(huán)境。根據(jù)國家發(fā)改委的規(guī)劃，截至2020年，我國的燃氣輪機裝機總量將達到5500萬千瓦，與此同時成為全球最為龐大的燃氣輪機發(fā)展市場，具有無限值得期待的前景。

深度學習是由Hinton等人在2006年提出來的一種人工智能模式，它可以將低層次的特征抽象成更接近特征本質(zhì)的高層次特征，已經(jīng)被成功實現(xiàn)于手寫體識別，語音識別以及人臉識別等方面，是當今研究的熱點。傳統(tǒng)的機器學習方法諸如隱型馬爾科夫模型，支持向量機，最大熵模型等在處理特征向量時的原理是將原輸入特征映射到特征區(qū)間內(nèi)，這樣的結(jié)果就是造成特征結(jié)構(gòu)變得較為簡單，有其一定的局限性。然而當樣本容量和計算能力有限時，這些方法面對復雜問題的分類時，往往顯得力不存心。相較之下，深度學習模式可以處理從大容量樣本中提取數(shù)據(jù)集本質(zhì)特征的問題，有效地逼近復雜式函數(shù)，對輸入數(shù)據(jù)處理之后進行分類。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種提高故障檢測故障率的基于深度學習的燃機渦輪葉片故障檢測方法。

本發(fā)明的目的是這樣實現(xiàn)的：

(1)渦輪葉片的溫度數(shù)據(jù)預處理，包括：

(1.1)周期信號提取

所分析的渦輪發(fā)動機由86個葉片構(gòu)成，輻射測溫的數(shù)據(jù)是所有葉片經(jīng)多個周期旋轉(zhuǎn)之后得到的數(shù)據(jù)，

根據(jù)周期性質(zhì)的判別公式：f(x)＝f(x+T)

其中T是函數(shù)的周期，通過上式來判斷溫度數(shù)據(jù)是否是周期數(shù)據(jù)；以極小值和極大值為判別標準，進行周期判斷，

以某一極大值點為起始點，統(tǒng)計某段區(qū)間內(nèi)所有的極大值點，稱這些點為測試點，獲得相鄰的兩個同溫度測試點后，分別向后采樣對比采樣點溫度，如果相同，認定為這是一個周期；

(1.2)變工況溫度數(shù)據(jù)分布

將工況分為以下三種工況：0.6工況、0.8工況以及1.0工況，三種工況下的渦輪葉片轉(zhuǎn)速分別為：8635/rpm，8920/rpm，9138/rpm；

(1.3)單個葉片溫度數(shù)據(jù)分布

對單個葉片溫度數(shù)據(jù)的分割算法建立在極值尋找上，統(tǒng)計數(shù)據(jù)中的極大值點，對比各個極值點的溫度數(shù)據(jù)后，選取溫度數(shù)據(jù)最大的一點，即最大值點，記為a₀，以a₀為起點，向后搜索一個周期，即40個采樣點，并記錄下該周期內(nèi)的極大值點；對這些極大值點做一個判定，當這些極大值點不能大于其相鄰極大值點的10％，如果大于相鄰點的10％，那么就將這個極大值點變?yōu)槠鹗键ca₀，循環(huán)上述過程86次，得到了86個葉片的周期，并對葉片進行01到86序列編號，對其提取特征用于狀態(tài)分類檢測；

(2)提取渦輪葉片溫度特征向量

采用基于全體經(jīng)驗模態(tài)分解的方法來進行葉片溫度特征向量的提??；通過每次在信號中加入給定幅值的不同高斯噪聲來改變信號或是數(shù)據(jù)的極值點個數(shù)和極值點的分布間隔，之后對多次分解得到的IMF分量進行總體平均抵消加入到信號中的噪聲；

(2.1)對加入到信號中的噪聲幅度值進行初始化；

(2.2)對于第i次加入的噪聲信號進行分解；

(2.2.1)信號x(t)中加入一定幅值的高斯信號n_i(t)，x_i(t)＝n_i(t)+x(t)，其中等式左邊代表了第i次加入噪聲信號后形成的信號；等式右邊第一項代表了高斯噪聲信號；x(t)表示原始信號；

(2.2.2)對x_i(t)進行EMD分解，得到一組IMF分量c_i(i＝1,2,3,...,I)，其中c_i表示第i次分解得到的IMF分量；I代表分解次數(shù)；

(2.2.3)如果i＜I，則返回到步驟(2.2.1)，且使得i＝i+1，重復步驟(2.2.1)和步驟(2.2.2)，直到i＝I；

(2.3)計算通過I次分解的總體平均值，用符號y表示；

(2.4)保存所有IMF分量的總體平均值作為最終的IMF分量；

(3)基于深度學習網(wǎng)絡的故障診斷

選取受限制玻爾茲曼機模型作為深度網(wǎng)絡設計模型，通過層與層之間的遞進來調(diào)節(jié)受限制玻爾茲曼機模型，使用1層隱含層搭配1層可視輸出層來構(gòu)成整個深度模型的傳遞層，并對整個網(wǎng)絡的權(quán)值進行初始化；

受限制玻爾茲曼機模型表示為RBM(W,b,c,v₀)，其中，W是第一個隱藏層與第二個隱藏層之間的權(quán)值連接矩陣，b是隱藏層的偏置，c是輸入層的偏置，v₀代表在訓練中使用的樣本集合；

(3.1)對于所有隱藏層的節(jié)點i，計算隱藏層之間的映射運算即P(h_0i＝1|v₀)，根據(jù)P(h_0i＝1|v₀)進行抽樣，得到h_0i，sigm()是映射函數(shù)；

(3.2)對于所有可視層的節(jié)點j，計算可視層之間的映射運算即P(v_1j＝1|h₀)，根據(jù)P(v_1j＝1|h₀)進行抽樣，得到v_1j；

(3.3)對于使用到的隱藏層節(jié)點i，計算隱藏層與隱藏層之間的映射運算即P(h_1i＝1|v₁)，根據(jù)P(h_1i＝1|v₁)，更新連接權(quán)值的偏置參數(shù)；更新公式如下所示：

W＝W-ε(h₀v₀'-Q(h₁＝1|v₁)v₁')

b＝b-ε(h₀-Q(h₁＝1|v₁))

c＝c-ε(v₀-v₁)

(4)燃機渦輪葉片故障檢測：構(gòu)建了一個用于算法實驗的燃機渦輪葉片故障檢測系統(tǒng)，模擬故障數(shù)據(jù)各6類，每類10組樣本，共60組數(shù)據(jù)，對模擬的渦輪葉片故障信號進行EEMD分解，然后求其IMF的能量，因此選用前8個分量，殘余項的能力為零，然后求得特征向量；數(shù)據(jù)分為兩部分，隨機取48組作為訓練樣本，其余12組作為測試樣本；利用訓練樣本對深度學習網(wǎng)絡進行訓練；用訓練好的深度學習網(wǎng)絡對待測試樣本進行分類，并輸出分類結(jié)果。

本發(fā)明的有益效果在于：本發(fā)明針對渦輪葉片溫度采集數(shù)據(jù)樣本較大的問題，首次將深度學習方法引入到燃氣輪機渦輪葉片故障診斷中，推動了燃氣輪機渦輪葉片故障診斷的多樣性發(fā)展，提高了故障檢測的正確率。

附圖說明

圖1基于深度學習的渦輪葉片故障檢測框圖；

圖2渦輪葉片分割流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步描述。

本發(fā)明提供的是一種基于深度學習的燃機渦輪葉片故障檢測方法，該方法首先進行渦輪葉片溫度數(shù)據(jù)的預處理，包括周期信號提取與分割，不同工況溫度數(shù)據(jù)分析，單個葉片溫度數(shù)據(jù)分布研究，然后進行渦輪葉片的特征提取，采用基于全體經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)的方法來進行葉片溫度特征向量的提取。最后基于深度學習網(wǎng)絡進行渦輪葉片故障診斷。本發(fā)明相比于BP神經(jīng)網(wǎng)絡和支持向量機，故障診斷的正確率更高。

本發(fā)明是燃氣輪機渦輪葉片故障檢測的一種方法，通過對渦輪葉片的溫度數(shù)據(jù)進行分析和預處理，并進行周期信號提取，及不同工況數(shù)據(jù)分析，對單個渦輪葉片溫度數(shù)據(jù)進行分割后提取渦輪葉片溫度特征向量，然后基于深度學習理論進行燃機渦輪葉片故障檢測。

本發(fā)明是燃氣輪機渦輪葉片故障檢測的一種方法，首先對渦輪葉片的溫度數(shù)據(jù)進行預處理，得到不同工況下，單個渦輪葉片一個周期內(nèi)數(shù)據(jù)，對單個渦輪葉片溫度數(shù)據(jù)進行分割后提取渦輪葉片溫度特征向量，然后基于采用深度模型的BP人工網(wǎng)絡進行燃機渦輪葉片的故障檢測。

本發(fā)明的具體實現(xiàn)步驟如下：

(1)渦輪葉片的溫度數(shù)據(jù)預處理，包括：

①周期信號提取

所分析的渦輪發(fā)動機有86個葉片構(gòu)成，輻射測溫的數(shù)據(jù)是所有葉片經(jīng)多個周期旋轉(zhuǎn)之后得到的數(shù)據(jù)。

根據(jù)周期性質(zhì)的判別公式：f(x)＝f(x+T)

其中T是函數(shù)的周期，通過上式來判斷這些溫度數(shù)據(jù)是否是周期數(shù)據(jù)。以極小值和極大值為判別標準，進行周期判斷，結(jié)果發(fā)現(xiàn)，相隔一段采樣間距，會出現(xiàn)幾乎一樣的波形，因此判斷采集到的溫度數(shù)據(jù)是周期數(shù)據(jù)。

以某一極大值點為起始點，統(tǒng)計某段區(qū)間內(nèi)所有的極大值點，稱這些點為“測試點”，獲得相鄰的兩個同溫度測試點后，分別向后采樣對比采樣點溫度，如果相同，認定為這是一個周期。

②變工況溫度數(shù)據(jù)分布

由于渦輪運轉(zhuǎn)時轉(zhuǎn)速很快，因此無法確定到發(fā)生故障的具體時刻，只能確定到發(fā)生故障的某一段時間內(nèi)，渦輪發(fā)動機工作中在一定溫度下的轉(zhuǎn)速情況，常用工況這個詞匯來描述。工況分為以下三種工況：0.6工況、0.8工況以及1.0工況，三種工況下的渦輪葉片轉(zhuǎn)速分別為：8635/rpm，8920/rpm，9138/rpm。

③單個葉片溫度數(shù)據(jù)分布

渦輪發(fā)動機中，葉片與葉片之間存在著重疊，因此需要將溫度數(shù)據(jù)進一步進行分析，辨別出具體的葉片位置。對單個葉片溫度數(shù)據(jù)的分割算法建立在極值尋找上，以極大值為例，統(tǒng)計數(shù)據(jù)中的極值點，對比各個極值點的溫度數(shù)據(jù)后，選取溫度數(shù)據(jù)最大的一點，即最大值點，記為a₀，以a₀為起點，向后搜索一個周期，即40個采樣點，并記錄下該周期內(nèi)的極大值點。對這些極大值點做一個判定，當這些極大值點不能大于其相鄰極大值點的10％，如果大于相鄰點的10％，那么就將這個極大值點變?yōu)槠鹗键ca₀，循環(huán)該方法86次，得到了86個葉片的周期，并對葉片進行01到86序列編號，可以對其提取特征用于狀態(tài)分類檢測。

(2)渦輪葉片溫度特征向量提取

采用基于全體經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)的方法來進行葉片溫度特征向量的提取。EEMD是一種通過噪聲來輔助分析的信號分析方法,該方法利用了高斯白噪聲具有頻率均勻分布的特點來解決經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)方法分解帶來的模態(tài)混疊現(xiàn)象，通過每次在信號中加入給定幅值的不同高斯噪聲來改變信號或是數(shù)據(jù)的極值點個數(shù)和極值點的分布間隔,之后對多次分解得到的IMF分量進行總體平均以達到抵消加入到信號中的噪聲的目的,從而有效的避免了模態(tài)混疊顯現(xiàn)的出現(xiàn)。

①對加入到信號中的噪聲幅度值進行初始化。

②對于第i次加入的噪聲信號進行分解：

a.信號x(t)中加入一定幅值的高斯信號n_i(t)，x_i(t)＝n_i(t)+x(t)，其中等式左邊代表了第i次加入噪聲信號后形成的信號；等式右邊第一項代表了高斯噪聲信號；x(t)表示原始信號。

b.對x_i(t)進行EMD分解，得到一組IMF分量c_i(i＝1,2,3,...,I)，其中c_i表示第i次分解得到的IMF分量；I代表分解次數(shù)。

c.如果i＜I，則返回到步驟a，且使得i＝i+1，重復步驟a和步驟b，直到i＝I。

③計算通過I次分解的總體平均值，用符號y表示。

④保存所有IMF分量的總體平均值作為最終的IMF分量。

(3)基于深度學習網(wǎng)絡的故障診斷

選取受限制玻爾茲曼機模型(Restricted Boltzmann Machine,RBM)作為深度網(wǎng)絡設計模型。其中最主要的工作是對RBM的調(diào)節(jié)。RBM調(diào)節(jié)通過層與層之間的遞進來調(diào)節(jié)的，使用1層隱含層搭配1層可視輸出層來構(gòu)成整個深度模型的傳遞層，并對整個網(wǎng)絡的權(quán)值進行初始化。

RBM模型表示為RBM(W,b,c,v₀)，其中，W是第一個隱藏層與第二個隱藏層之間的權(quán)值連接矩陣，b是隱藏層的偏置，而c是輸入層的偏置，v₀代表在訓練中使用的樣本集合。

①對于所有隱藏層的節(jié)點i，計算隱藏層之間的映射運算即P(h_0i＝1|v₀)，根據(jù)P(h_0i＝1|v₀)進行抽樣，得到h_0i，sigm()是映射函數(shù)。

②對于所有可視層的節(jié)點j，計算可視層之間的映射運算即P(v_1j＝1|h₀)，根據(jù)P(v_1j＝1|h₀)進行抽樣，得到v_1j。

③對于使用到的隱藏層節(jié)點i，計算隱藏層與隱藏層之間的映射運算即P(h_1i＝1|v₁)，根據(jù)P(h_1i＝1|v₁)，更新連接權(quán)值的偏置參數(shù)。更新公式如下所示：

W＝W-ε(h₀v₀'-Q(h₁＝1|v₁)v₁')

b＝b-ε(h₀-Q(h₁＝1|v₁))

c＝c-ε(v₀-v₁)

(4)燃機渦輪葉片故障檢測：構(gòu)建了一個用于算法實驗的燃機渦輪葉片故障檢測系統(tǒng)，以該系統(tǒng)為平臺進行一系列針對性實驗，系統(tǒng)配置如下：

①硬件：處理器Intel(R)Pentium(R)Dual CPU 1.60GHz；內(nèi)存2GB；顯卡256M；硬盤80G。

②軟件：Windows XP操作系統(tǒng)；Matlab2012a開發(fā)環(huán)境。

模擬故障數(shù)據(jù)各6類，每類10組樣本，共60組數(shù)據(jù)，對模擬的渦輪葉片故障信號進行EEMD分解，然后求其IMF的能量，由于故障信息主要集中在前幾個分量中，因此選用前8個分量，殘余項的能力幾乎為零，然后求得特征向量。數(shù)據(jù)分為兩部分，隨機取48組作為訓練樣本，其余12組作為測試樣本。利用訓練樣本對深度學習網(wǎng)絡進行訓練。用訓練好的深度學習網(wǎng)絡對待測試樣本進行分類，并輸出分類結(jié)果，正確率為91.6％。

模擬故障數(shù)據(jù)6類，每類10組樣本，共60組數(shù)據(jù)，對模擬的渦輪葉片故障信號進行EEMD分解，然后求其IMF的能量，由于故障信息主要集中在前幾個分量中，因此選用前8個分量，殘余項的能力幾乎為零，然后求得特征向量。數(shù)據(jù)分為兩部分，隨機取48組作為訓練樣本，其余12組作為測試樣本。利用訓練樣本對深度學習網(wǎng)絡進行訓練。用訓練好的深度學習網(wǎng)絡對待測試樣本進行分類，并輸出分類結(jié)果，并與BP神經(jīng)網(wǎng)絡，支持向量機(SVM)進行試驗比較，結(jié)果如表1所示。

表1診斷結(jié)果比較