[发明专利]一种透平叶片故障测试系统及其智能故障诊断方法

权利要求书

1.一种透平叶片智能故障诊断方法，其特征在于，该方法基于一种透平叶片故障测试系统，包括供气系统、透平主体系统、润滑系统以及测量控制系统；

供气系统包括鼓风机、冷却水箱、控制阀、加热器和稳压罐；透平主体系统包括进气段、进气缸、排气缸、排气段、拉杆、主轴、轴承、联轴器、静叶轮、静叶、动叶轮、动叶、密封圈和隔板；润滑系统包括空压机和油雾润滑装置；测量控制系统包括测功机、测功机冷却水路、测控仪、流量计、进气段压力变送器、排气段压力变送器、进气段热电偶、排气段热电偶、电涡流位移传感器、加速度传感器、动态压力传感器、电流电压转换器、静态数据采集仪、动态数据采集仪和计算机；系统运行时，供气系统为透平主体系统提供气源，润滑系统为透平主体系统提供润滑工质，测量控制系统用来控制整个系统的运行安全性，并测量所需的性能参数；

该方法包括以下步骤：

1)测量获取多工况下叶片正常运行时的气动信号和振动信号；

2)测量获取相同工况下故障叶片运行时的气动信号和振动信号；

3)搭建基于卷积神经网络和深度迁移学习的故障诊断模型，对故障叶片的气动信号和振动信号进行学习和测试，得到故障诊断模型Amodel；

4)搜集另一个相似的测试系统或者相似的真实透平机组故障叶片的气动信号和振动信号，采用迁移学习方法将Amodel迁移应用至这个相似的测试系统或者真实透平机组，得到Bmodel；

其中，步骤3)和步骤4)具体包括以下步骤：

(1)、数据采集与数据增强

对工况w和故障类型c，在相同时刻，同时采集并记录流量信号压力信号温度信号位移振动信号加速度振动信号共5种信号类型，其中Vi表示采集流量信号的第Vi个传感器，Pi表示采集压力信号的第Pi个传感器，Ti表示采集温度信号的第Ti个传感器，Si表示采集位移信号的第Si个传感器，Ai表示采集加速度信号的第Ai个传感器，欧式字体的表示数据来源的域，对这些长信号采用交叠滑移的数据增强操作方式，将这5种信号，各自分割成长度为L，数量为m的对相同的参数mi、w和c，把沿通道方向组合成融合信号其中mi是不大于m的正整数，x是1维N通道的信号，其长度为L，通道数N为：

N＝Vi+Pi+Ti+Si+Ai

与对应的标签为遍历所有工况w、故障类型c和mi，最终得到M个样本的和与之对应的标签为其中，Y＝c，c为正整数，M＝w×c×m；

(2)、在测试系统EA上划分训练集和验证集

取train＝[0.8×M_EA]，valid＝M_EA–train，将和划分为训练集(Y^EA)_train和验证集(Y^EA)_valid；

(3)、数据标准化处理

利用公式对数据进行标准化：

其中表示测试系统EA上采集的数据均值，表示测试系统EA上采集的数据标准差，M_EA表示测试系统EA上的数据样本数量，表示EA上标准化之后的训练集，ε＝1×10^-16，验证集按照下式进行标准化：

(4)、在测试系统或真实透平机组EB上采集数据

与步骤(1)类似，采用本发明所测量的物理量与布置传感器的方式，从另一个测试系统或者与测试系统相似的真实透平机组EB上，采集记录流量信号压力信号温度信号位移振动信号加速度振动信号共5种信号类型，并处理为多通道的和然后按照如下式子对进行标准化：

其中表示EB上采集的数据均值，表示EB上采集的数据标准差，M_EB表示EB上的数据样本数量，表示EB上标准化之后的数据；

(5)、搭建卷积神经网络

整个卷积神经网络模型由卷积层和全连接层组成，以Softmax函数得到故障类别的概率分布；

(6)、训练

采用Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化损失函数来训练网络，对于测试系统EA，输入(Y^EA)_train训练网络，得到模型Amodel，在数据上测试；

(7)、故障诊断分析

输入卷积神经网络预测测试数据的故障类别

(8)、算法维护

对于EB，在模型Amodel的基础上输入采用域自适应的迁移学习方法训练得到新的模型Bmodel。