一种基于CNN-BILSTM的汽轮机健康预测方法

一种基于cnn-bilstm的汽轮机健康预测方法
技术领域
1.本发明涉及一种基于cnn-bilstm的汽轮机健康预测方法技术，属于汽轮机预测技术领域。


背景技术：

2.汽轮机也称蒸汽透平发动机，是一种旋转式蒸汽动力装置，高温高压蒸汽穿过固定喷嘴成为加速的气流后喷射到叶片上，使装有叶片排的转子旋转，同时对外做功，汽轮机是现代火力发电厂的主要设备，也用于冶金工业、化学工业、舰船动力装置中。
3.cnn是一种模仿生物神经网络结构和功能的数学模型或计算模型，由大量的人工神经元组成，按不同的连接方式构建不同的网络，它能够类似人一样具有简单的决定能力和简单的判断能力，在图像和语音识别方面能够给出更好的结果，而bilstm为一种建模代码，主要能够将cnn网络所提取特征进行建模。
4.目前针对于汽轮机组，如果定期实现检修则需要待汽轮机停止运行后，无形中降低了经济效益，如汽轮机发生故障后再修，容易导致更大的故障产生，然而神经网络等人工智能技术的发展及其向工程领域的迅速渗透给故障状态预测技术带来了新的活力，不需要用户具有很丰富的先验知识，可以从数据中直接挖掘故障特征，进而进行故障分类和状态预测。
5.然而，目前针对于汽轮机的健康预测还存在不足点，如：
6.1、需要人工定期监测，效率不高且增加人工成本；
7.2、采用人工监测主要依据工作人员的工龄以及工作经验，具有一定的主观性，缺乏标准化的故障对比指标；
8.3、仅仅只能够监测实时监测高压加热器进汽参数、出入口给水参数以及疏水参数、高加水位等，不方便预测汽轮机内部的具体健康状况，如汽轮机内部叶轮转动的故障情况，汽轮机内部转轴的故障情况和汽轮机内部蒸汽输入和输出的故障情况等。


技术实现要素：

9.本发明所要解决的技术问题在于，提供解决上述问题的基于cnn-bilstm的汽轮机健康预测方法。
10.为解决上述技术问题，本发明提供一种基于cnn-bilstm的汽轮机健康预测方法，包括以下步骤：
11.步骤一、对汽轮机组数据信息进行模拟实验，利用多种传感器对汽轮机组的各项信息进行采集，将采集的信息分为正常数据信息和故障数据信息，所述正常数据信息为运行集，所述故障数据信息为训练集和验证集；
12.步骤二、将所采集的信息经过数据化处理后，并初始化cnn网络结构和bilst网络结构以及具体参数；
13.步骤三、将步骤一中的验证集提前导入bilst神经网络模型中进行运行训练并等
待验证；将训练集数据导入卷积神经网络cnn中进行汽轮机数据信息提取，将运行集数据储存于历史健康数据库中；
14.步骤四、将步骤三训练集中提取的汽轮机数据信息导入bilst神经网络模型中进行训练，同时系统提取历史健康数据库中的运行集，将正常数据信息的运行集与汽轮机数据训练集各项网络模型数据信息进行比对，利用bilst神经网络模型中初始状态的验证集，对两则数据进行比对验证；
15.步骤五、根据步骤四中的数据验证，检测数据是否达标，并输出预测结果，从而获得汽轮机组健康状态。
16.进一步的，在所述步骤一中，汽轮机的各项信息具体为汽轮机内部叶轮转动的故障情况，如扭动力和激振的任意一种或多种，汽轮机内部转轴的故障情况，如裂痕和碰撞的任意一种或多种，汽轮机内部蒸汽输入和输出的故障情况，如进气和出气压力和蒸汽进气和出气温度任意一种或多种。
17.进一步的，在所述步骤一中，正常数据的运行集为原始无障碍汽轮机运行时的各项参数以及数据；故障数据信息的训练集为待预测的汽轮机组的各项参数以及数据；
18.验证集用于对运行集和训练集进行数据验证；
19.其中运行集和训练集中所检测的各项参数以及数据均为一致，包括汽轮机内部部件的震荡、温度以及压力情况。
20.进一步的，在所述步骤一中，数据采集的频率为15s-3min/次。
21.进一步的，在所述步骤二中，初始化cnn卷积神经网络的参数包括卷积层、池化层、卷积激活函数，初始化bilstm网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子。
22.进一步的，在所述步骤三中，验证集经过cnn网络提取后，将所获取的序列输入至bilstm网络中，通过bilstm网络对输入的特征数据进行处理；
23.在对训练集特征进行提取时，cnn通过卷积层对数据信息进行卷积计算后，使用卷积激活函数输入提取汽轮机的局部特征信息，最后通过池化层对卷积层提取的函数进行采样处理。
24.有益效果：
25.1、通过cnn网络结构bilstm网络结构的特点，利用cnn网络结构分别对正常汽轮机和故障汽轮机各项数据进行特征提取，而且，采用bilstm网络结构对所提取的各项数据进行预测，并最后结合验证比对，能够更快且精准预测汽轮机的健康状况，方便工作人员对故障汽轮机组进行排查和检修，保证汽轮机的正常运转；
26.2、通过将提取后的运行集和训练集进行对比，以正常数值的运行集为标准数值，采用验证集对运行集和训练集进行对比验证，能够更快的预测出故障汽轮机的具体情况，且检验标准克服了依据人工经验进行预测的弊端，提高汽轮机组的运行标准，减少大量的人工的投入，进而降低的人工成本，适合多组汽轮机组的同时健康预测。
附图说明
27.图1为本发明的整体结构具体流程图；
28.图2为本发明的汽轮机组预测系统图；
29.图3为本发明的运行集和训练集验证状态图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.一种基于cnn-bilstm的汽轮机健康预测方法，包括以下步骤：
32.步骤一、对汽轮机组数据信息进行模拟实验，利用多种传感器对汽轮机组的各项信息进行采集，将采集的信息分为正常数据信息和故障数据信息，正常数据信息为运行集，故障数据信息为训练集和验证集；
33.验证集它是用来确定网络结构或者控制模型复杂程度的参数，是cnn-bilstm神经网络模型中的固有参数，通常用于调整超参数，根据几组模型验证集上的表现决定哪组超参数拥有最好的性能，因此不需要进行得到，仅仅只需要将训练集和运行集进行验证即可，起到数据的验证效果。
34.步骤二、将所采集的信息经过数据化处理后，并初始化cnn网络结构和bilst网络结构以及具体参数；
35.步骤三、将步骤一中的验证集提前导入bilst神经网络模型中进行运行训练并等待验证，将训练集数据导入卷积神经网络cnn中进行数据提取，将运行集数据储存于历史健康数据库中；
36.步骤四、将步骤三训练集中提取的汽轮机数据信息导入bilst神经网络模型中进行训练，同时系统提取历史健康数据库中的运行集，将正常数据信息的运行集与汽轮机数据训练集各项网络模型数据信息进行比对，利用bilst神经网络模型中初始状态的验证集，对两则数据进行比对验证；
37.步骤五、根据步骤四中的数据验证，检测数据是否达标，并输出预测结果，从而获得汽轮机组健康状态。
38.上述步骤具体为：
39.首先将无障碍的汽轮机组运行，并通过cnn网络和bilstm网络进行提取并运行训练，得到无障碍汽轮机组的各项健康信息，将所得到的信息标为正常数据信息，作为运行集，储存于系统中的历史健康数据库中；将故障数据信息为训练集和验证集；
40.将验证集经过cnn网络特种提取后，提前输送bilst神经网络模型中等待验证；
41.将故障汽轮机组运行，通过内部的传感器检测汽轮机内部部件的健康情况，如叶轮转动的故障情况、汽轮机内部转轴的故障情况和汽轮机内部蒸汽输入和输出的故障情况；
42.将汽轮机组内部传感器检测的数据导入bilst神经网络模型中进行训练，得到训练集；同时系统提取历史健康数据库中的运行集，将正常数据信息的运行集与bilst神经网络模型中的训练集的各项网络模型数据信息进行比对，利用bilst神经网络模型中初始状态的验证集，对两则数据进行比对验证；
43.最后，通过计算验证得到汽轮机的健康情况以及使用寿命，并针对各项情况及时
作出排查和维修。
44.以上仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：包括以下步骤：步骤一、对汽轮机组数据信息进行模拟实验，利用多种传感器对汽轮机组的各项信息进行采集，将采集的信息分为正常数据信息和故障数据信息，所述正常数据信息为运行集，所述故障数据信息为训练集和验证集；步骤二、将所采集的信息经过数据化处理后，并初始化cnn网络结构和bilst网络结构以及具体参数；步骤三、将步骤一中的验证集提前导入bilst神经网络模型中进行运行训练并等待验证；将训练集数据导入卷积神经网络cnn中进行汽轮机数据信息提取，将运行集数据储存于历史健康数据库中；步骤四、将步骤三训练集中提取的汽轮机数据信息导入bilst神经网络模型中进行训练，同时系统提取历史健康数据库中的运行集，将正常数据信息的运行集与汽轮机数据训练集各项网络模型数据信息进行比对，利用bilst神经网络模型中初始状态的验证集，对两则数据进行比对验证；步骤五、根据步骤四中的数据验证，检测数据是否达标，并输出预测结果，从而获得汽轮机组健康状态。2.根据权利要求1所述的一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：在所述步骤一中，汽轮机的各项信息具体为汽轮机内部叶轮转动的故障情况，如扭动力和激振的任意一种或多种，汽轮机内部转轴的故障情况，如裂痕和碰撞的任意一种或多种，汽轮机内部蒸汽输入和输出的故障情况，如进气和出气压力和蒸汽进气和出气温度任意一种或多种。3.根据权利要求1所述的一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：在所述步骤一中，正常数据的运行集为原始无障碍汽轮机运行时的各项参数以及数据；故障数据信息的训练集为待预测的汽轮机组的各项参数以及数据；验证集用于对运行集和训练集进行数据验证；其中运行集和训练集中所检测的各项参数以及数据均为一致，包括汽轮机内部部件的震荡、温度以及压力情况。4.根据权利要求1所述的一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：在所述步骤一中，数据采集的频率为15s-3min/次。5.根据权利要求1所述的一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：在所述步骤二中，初始化cnn卷积神经网络的参数包括卷积层、池化层、卷积激活函数，初始化bilstm网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子。6.根据权利要求1所述的一种基于cnn-bilstm的汽轮机健康预测方法，其特征在于：在所述步骤三中，验证集经过cnn网络提取后，将所获取的序列输入至bilstm网络中，通过bilstm网络对输入的特征数据进行处理；在对训练集特征进行提取时，cnn通过卷积层对数据信息进行卷积计算后，使用卷积激活函数输入提取汽轮机的局部特征信息，最后通过池化层对卷积层提取的函数进行采样处理。

技术总结
本发明公开了一种基于CNN-BILSTM的汽轮机健康预测方法，具体涉及汽轮机预测技术领域，包括步骤一、汽轮机数据采集并划分，步骤二、初始化CNN-BILSTM网络结构，步骤三、数据导入并储存，步骤四、数据预测并验证，步骤五、得出健康预测数据。本发明通过CNN网络结构BILSTM网络结构的特点，利用CNN网络结构分别对正常汽轮机和故障汽轮机各项数据进行特征提取，而且，采用BILSTM网络结构对所提取的各项数据进行预测，并最后结合验证比对，能够更快且精准预测汽轮机的健康状况，不需要工作人员具有专业的相关经验，具有标准的健康预测标准，方便工作人员对故障汽轮机组进行排查和检修，保证汽轮机的正常运转。保证汽轮机的正常运转。保证汽轮机的正常运转。


技术研发人员：向文国 项博超 陈时熠 曹启威 张冬冬
受保护的技术使用者：东南大学
技术研发日：2023.03.16
技术公布日：2023/7/19