一种基于ResNet的汽轮机部件健康状态评估方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110046409A(43)申请公布日2019.07.23(21)申请号201910251165.9(22)申请日2019.03.29(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人谢永慧孙磊刘天源张荻(74)专利代理机构西安通大专利代理有限责任公司61200代理人徐文权(51)Int.Cl.G06F17/50(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称一种基于ResNet的汽轮机部件健康状态评估方法(57)摘要本发明公开了一种基于ResNet的汽轮机部件健康状态评估方法，包括：进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；通过评估模型实现汽轮机部件健康状态评估。本发明采用多任务学习机制，能够同时判别汽轮机故障类型及健康程度，且准确率高。CN110046409ACN110046409A权利要求书1/2页1.一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，包括以下步骤：S1，进行汽轮机部件的模拟实验，通过多个测点进行振动数据采集；振动数据包括故障信号数据和正常工况数据；S2，将故障信号数据进行标签赋值；标签信息包括故障类型和剩余可用寿命；S3，将每个标签赋值后的故障信号数据分段并进行归一化处理，获得样本集；按照预设比例划分样本集获得训练集和验证集；S4，采用自适应更新网络学习率的策略，通过训练集训练预构建的基于ResNet的多任务学习神经网络模型，至预设收敛条件，获得训练好的基于ResNet的评估模型；S5，通过步骤S4获得的评估模型获得汽轮机部件的故障类型及剩余可用寿命，完成待评估汽轮机部件健康状态评估。2.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，汽轮机部件为汽轮机叶片；步骤S1中，对汽轮机叶片进行模拟实验，在叶片所处缸体内、轴承处布置多个测点，通过实验采集汽轮机叶片在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：扭歪、失协和激振中的一种或多种。3.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，汽轮机部件为汽轮机转子；对汽轮机转子进行模拟实验，在汽轮机的各个汽缸、各个轴承处布置测点，通过实验采集汽轮机转子在正常工况下的振动信号以及各预设故障时的故障振动信号；预设故障包括：裂纹、不平衡和碰摩中的一种或多种。4.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S2具体包括：Xi,j表示部件故障的长时序信号，i表示部件的第i类故障，j表示监控部件的第j个振动测点，对应的标签信息包括故障类型Fi及剩余可用寿命Ri；其中，X0,j表示部件运行正常时在第j个振动测点所测出的振动信号。5.根据权利要求4所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S3中，将采集获得的每一个长时序信号Xi,j分割为长度为l的m个短时信号xm,i,j，与之对应的标签分别为故障类型Fm,i,j和剩余可用寿命Rm,i,j；然后对m×i个故障信号数据(xj,l)m,i及其标签做归一化处理；划分获得训练集数据为{(xj,l)m,i}train、{Fm,i}train、{Rm,i}train，验证集数据为{(xj,l)m,i}validation、{Fm,i}validation、{Rm,i}validation。6.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，基于ResNet的多任务学习神经网络模型包括：ResNet神经网络以及最后的全连接层；每一个训练数据信号通过依次连接的网络层和全连接层，最后通过Softmax函数进行故障类型分类，通过Sigmiod函数进行剩余可用寿命回归。7.根据权利要求1所述的一种基于ResNet的汽轮机部件健康状态评估方法，其特征在于，步骤S4中，训练过程中损失函数的定义为：L＝αFLF+αRLR式中，L是总损失，LF是进行故障分类任务的损失函数，αF是进行故障分类任务的权重；LR是进行部件健康程度识别任务的损失函数，αR