[发明专利]一种基于迁移学习的离心风机故障预警方法

说明书

本发明的目的是基于实验室数据和迁移学习的方法，将实验室建立的高精度模型迁移到使用现场中，在此基础上提出一种离心风机故障预警方法，以监控离心风机运行状态，在设备偏离正常状态时及时发出警报。即公开了一种使用迁移学习的离心风机故障预警方法。它包括以下步骤：首先，使用工厂离心风机性能实验室高精度数据，训练具有一定抵抗噪声干扰的源域栈式自编码网络，获取数据低维特征；其次，以设备实际使用现场为目标域，通过降低源域和目标域数据特征的距离，实现网络迁移；然后，使用目标域数据对网络进行微调；最后，基于目标域自编码网络模型的重构误差，提出一种故障预警方案。

技术领域

本发明涉及离心风机设备运维领域，具体涉及一种离心风机故障预警方法。

技术背景

离心风机包括离心压缩机、离心鼓风机、离心通风机等，在火力发电站、污水处理厂等有着广泛应用。随着离心风机向高速、自动和大型化方向发展，结构复杂、子系统繁多，故障率攀升，故障后果严重。因此，通过实时采集离心风机运行状态数据(如温度、油液、压力、振动、转速等)，进行离心风机故障预警研究，在故障发生及时对设备进行维护维修，有效避免故障发生。

离心风机在出厂前需要在实验室进行测试，对各种极端工况进行模拟，能采集到丰富的高信噪比数据。在风机实际运行过程中，难以采集极端工况下设备运行数据，且采集的信号常常受到噪声干扰，因此，使用迁移学习方法，将实验室建立具有抵抗噪声干扰的高精度模型，用于实际故障预警中，有效提高预警准确度和预警及时性，降低误报漏报。

发明内容

本发明的目的是使用深度学习方法实现离心风机故障预警，使用迁移学习的方法，将基于实验室大量高信噪比数据建立的模型用于实际离心风机故障预警中。有效提高预警效率和精度，减少误报漏报。

为实现本发明目的而采用的技术方案是这样的，即基于迁移学习的离心风机故障预警方法。它包括以下步骤：

步骤1：提出一种迁移学习方法，将实验室训练的自编码网络模型迁移到离心风机实际使用环境的故障预警中；

步骤2：基于训练完成的自编码网络重构误差，提出故障预警指标计算方法和故障预警流程，实现离心风机故障预警。

优选地，步骤1中，所述迁移学习方法流程为：

(1)离心风机数据采集类型

为监测离心风机运行状态，在离心风机设备上布置多类型传感器，对风机的实时运行数据进行采集，数据采集类型的集合DATA为

其中，DD为电机电流、DQ为电机前轴温、DH为电机后轴温、DA为电机A相绕组温度、DB为电机B相绕组温度、DC为电机C相绕组温度、YY为润滑系统供油压力、YW为供油温度、YX为油箱温度、FQ为风机前轴温、FH为风机后轴温、FT为风机推力轴承温度、JD为进口导叶反馈值、CD为出口导叶反馈值、JW为进口温度、CW为出口导叶温度、JY为风机进口压力、CY为风机出口压力、ZS为风机高速轴水平方向加速度、ZC为垂直方向风机高速轴垂直方向加速度、ZH为壳体水平方向振动加速度、ZV为垂直方向振动加速度。

因此离心风机采集的数据集合为：

其中，N为数据采集时刻，每条数据为一个样本，共N个样本。

(2)源域栈式降噪自编码模型网络训练

在离心风机设备出厂前，需要在实验室进行数小时性能测试，包括各种极端工况，设备运行正常方可出厂。在实验室，采集到丰富的高信噪比数据用于栈式降噪自编码器训练，发掘离心风机正常运行时数据间的相关关系，构建风机正常行为模型。