一种油动机故障在线检测方法

技术领域

本发明涉及电厂设备技术领域，特别涉及一种油动机故障在线检测方法。

背景技术

在石油、化工、电力等领域，油动机作为关键设备之一，其正常运行对于整个汽轮机系统的稳定运行具有重要意义。然而，油动机在长期使用过程中，由于各种原因，可能会出现多种故障。这些故障不仅会影响油动机本身的使用寿命，还可能对整个汽轮机系统的稳定运行造成威胁。因此，及时发现并诊断油动机的故障工况，对于预防事故发生，保证油动机正常运转具有重要意义。

传统的油动机的故障检测方法主要依靠人工检查和定期维修，这种方法不仅需要大量的人力物力，而且往往不能及时发现和处理故障。近年来，随着机器学习技术的发展，越来越多的研究者开始尝试利用机器学习算法进行设备故障检测。然而，现有的方法大多针对油动机中的某种特定故障，无法同时处理多种故障类型，且准确率有待提高。

发明内容

本发明的目的是提供一种油动机故障在线检测方法，以实现对油动机的多种故障类型的自动识别，大大提高了油动机的故障检测的准确率和效率。

为了实现以上目的，本发明通过以下技术方案实现：

一种油动机故障在线检测方法，包括：步骤S1、获取油动机运行数据，作为训练数据集。步骤S2、将所述训练数据集输入至神经网络模型中，以训练所述神经网络模型，得到油动机故障分类模型。步骤S3、再次获取油动机运行数据，作为测试数据集；利用所述油动机故障分类模型对所述测试数据集进行分类，得到故障分类结果。

可选地，所述油动机的故障工况包括：节流孔堵塞、电磁阀内泄露、油动机弹簧断裂、油动机内泄露、油动机外泄露、伺服阀内泄露和电磁阀节流孔堵塞；所述油动机运行数据包括油动机在正常运行以及各种故障工况下的各项运行参数。

可选地，所述运行参数包括油动机的温度参数、压力参数和振动参数。

可选地，所述油动机故障分类模型包括：输入层、特征提取层和分类层。所述输入层为对所述测试数据集中的数据分段处理后的直接输入；所述特征提取层接受来自所述输入层的数据，对来自所述输入层的数据进行特征提取，得到特征矢量。所述分类层由两个全连接层组成，第1个全连接层将所有特征矢量连接组成一维向量。第2个全连接层中的神经元个数与标签故障数目一致，利用Softmax回归分类器实现分类输出。

可选地，所述特征提取层包括3个卷积层和3个池化层，每一所述卷积层的下游连接一个池化层，最后一个池化层与所述第1个全连接层连接；利用卷积层中的多个卷积核实现对来自所述输入层的数据的特征提取，池化层选择最大池化算子实现对特征矢量的降维，以提高非线性特征的鲁棒性。

可选地，每一所述卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型如下:

式中，M

可选地，每一所述池化层包括最大池化和平均池化，其中最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，最大池化的变换函数如下所示：

式中：q

可选地，所述步骤S2还包括：利用训练数据集对神经网络模型进行训练时，通过反向传播算法不断调整神经网络模型的权重和偏置项，以使所述神经网络模型的分类准确率达到最高。

可选地，所述步骤S2还包括：将所述神经网络模型的优化器的学习率设置为0.001；在第三个池化层与全连接层之间添加Flatten层，在全连接层内添加Dropout功能防止过拟合，Dropout功能的大小设置为0.5。

另一方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。

本发明至少具有以下技术效果之一：

首先，通过收集油动机在正常运行和多种(例如7种)故障工况下的多项运行参数作为训练数据集，可以更加全面地反映油动机的各种运行状态；其次，通过训练神经网络模型，可以实现多种故障类型的自动识别，大大提高了故障检测的准确率和效率；最后，该方法可以实时监控油动机的运行状态，及时发现和处理故障，有效预防事故的发生。

通过本发明的方法，可以实现油动机故障的高效、准确分类，有助于提高设备的运行效率和安全性，降低事故发生的概率。同时，该方法还可以广泛应用于其他类似设备的故障检测中。

附图说明

图1为本发明一实施例提供的油动机故障分类模型的结构示意图；

图2为本发明一实施例提供的一种油动机故障在线检测方法的流程示意图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种油动机故障在线检测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

如图2所示，本实施例提供一种油动机故障在线检测方法，包括：

步骤S1、获取油动机运行数据，作为训练数据集。

步骤S2、将所述训练数据集输入至神经网络模型中，以训练所述神经网络模型，得到油动机故障分类模型。

步骤S3、再次获取油动机运行数据，作为测试数据集；利用所述油动机故障分类模型对所述测试数据集进行分类，得到故障分类结果。

本实施例通过收集油动机在正常运行和多种(例如7种)故障工况下的多项运行参数作为训练数据集，可以更加全面地反映油动机的各种运行状态；其次，通过训练神经网络模型，可以实现多种故障类型的自动识别，大大提高了故障检测的准确率和效率；最后，该方法可以实时监控油动机的运行状态，及时发现和处理故障，有效预防事故的发生。

本实施例可以实现油动机故障的高效、准确分类，有助于提高设备的运行效率和安全性，降低事故发生的概率。同时，该方法还可以广泛应用于其他类似设备的故障检测中。

在本实施例中，所述油动机的故障工况包括：节流孔堵塞、电磁阀内泄露、油动机弹簧断裂、油动机内泄露、油动机外泄露、伺服阀内泄露和电磁阀节流孔堵塞。所述油动机运行数据包括油动机在正常运行以及各种故障工况下的各项运行参数。

在本实施例中，所述运行参数包括油动机的温度参数、压力参数和振动参数。

在本实施例中，所述步骤S2包括：首先，将训练数据集分为训练集和验证集两部分。然后，设置神经网络模型的隐藏层(特征提取层)的神经元数量和层级，以及学习率等超参数。最后，利用训练集对神经网络模型进行训练。利用验证集对神经网络模型进行验证，并通过反向传播算法不断调整神经网络的权重和偏置项，以使得对验证集的分类准确率达到最高。

如图1所示，在本实施例中，所述油动机故障分类模型(或神经网络模型)包括：输入层、特征提取层和分类层。

所述输入层为对所述测试数据集中的数据分段处理后的直接输入。

所述特征提取层接受来自所述输入层的数据，对来自所述输入层的数据进行特征提取，得到特征矢量。

所述分类层由两个全连接层(full connection)组成，第1个全连接层将所有特征矢量连接组成一维向量。

第2个全连接层中的神经元个数与标签故障数目(可以理解为七类故障类型)一致，利用Softmax回归分类器(Softmax Regression)实现分类输出。

请继续参考图1所示，在本实施例中，所述特征提取层包括3个卷积层(如图1中的Conv1D_1～Conv1D_3所示)和3个池化层(MaxPool1D_1～MaxPool1D_3)，每一所述卷积层的下游连接一个池化层，最后一个池化层与所述第1个全连接层连接；利用卷积层中的多个卷积核实现对来自所述输入层的数据的特征提取，池化层选择最大池化算子实现对特征矢量的降维，以提高非线性特征的鲁棒性。

隐藏层(特征提取层)由多个神经元组成，每个神经元都与输入层的多个神经元相连，通过复杂计算将输入信息进行处理；输出层根据隐藏层的输出结果，对油动机的运行状态进行分类。

在第一个池化层和第三个池化层后使用激活函数Relu。Relu的优势在于使一部分神经元的输出为0，提高网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

在本实施例中，每一所述卷积核对前一层输出的特征矢量进行卷积操作，利用非线性激活函数构建输出特征矢量，每一层的输出均为对多输入特征的卷积结果，其数学模型如下:

式中，M

在本实施例中，池化是非线性下采样的一种形式，主要作用是通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合。通常在卷积层的后面会加上一个池化层。每一所述池化层包括最大池化和平均池化，其中最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，最大池化的变换函数如下所示：

式中：q

在本实施例中，所述步骤S2还包括：将所述神经网络模型的优化器的学习率设置为0.001。常见优化器有SGD((Stochastic Gradient Descent，随机梯度下降算法)、BGD(batch gradient descent，批量梯度下降)、Momentum算法(SGD的动量算法)、NAG(Nesterov Accelerated Gradient)算法、AdaGrad算法(深度学习优化函数)、RMSProp(root mean square propagation)算法)、Adam算法(adaptive momentum)。经过训练结果对比发现优化器选择RMSprop算法效果为最佳。

在第三个池化层与全连接层之间添加Flatten层，在全连接层内添加Dropout功能(Dropout算法即丢弃法)防止过拟合，Dropout功能的大小设置为0.5，具体神经网络模型的各个参数设置可以参见如下的表1所示。

表1中给出了神经网络模型的参数设置

另一方面，在一些其他实施例中提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。

综上，本实施例提供的训练好的神经网络模型可以同时处理7种故障工况和1种正常工况，具有较高的分类准确率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。