申请/专利权人：大连理工大学

申请日：2021-10-12

公开（公告）日：2024-05-10

公开（公告）号：CN113869266B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/213;G06F18/24;G06F18/214;G06N3/0455;G06N3/084;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.05.10#授权;2022.01.21#实质审查的生效;2021.12.31#公开

摘要：本发明提供一种基于大数据分析的离心压缩机旋转失速早期预警方法，通过采集离心压缩机实时运行参数信息并进行信号预处理，采用堆栈稀疏降噪自编码神经网络，同时通过添加不同强度的高斯白噪声，提取信号深层特征信息，并在神经网络的最末层添加Softmax分类器，对不同转速下的流量进行识别，确定发生旋转失速的临界流量值，实现离心压缩机不同转速下旋转失速早期状态预警。根据状态识别与预测结果，实现对工程中海量离心压缩机数据的处理，为工程应用奠定基础。本发明可实时监控离心压缩机的运行状态，为企业提供离心压缩机智能运维管理决策，提高设备的运行效率，实现企业利益最大化。

主权项：1.基于大数据分析的离心压缩机旋转失速早期预警方法，其特征在于，通过采集离心压缩机实时运行参数信息并进行信号预处理，采用堆栈稀疏降噪自编码神经网络SSDAE，同时通过添加不同强度的高斯白噪声，提取信号深层特征信息，并在神经网络的最末层添加Softmax分类器，对不同转速下的流量进行识别，确定发生旋转失速的临界流量值；具体步骤如下：步骤1：海量工程数据处理：通过压力脉动传感器，采集离心压缩机不同流速下的压力脉动信号；将采集到的压力脉动信号划分成等时间间隔的信号段，一个信号段作为一个样本，从而完整描述离心压缩机发生旋转失速的临界速度；步骤2：搭建深度堆栈稀疏降噪自编码神经网络：稀疏自动编码器神经网络SAE作为一种学习原始数据的特征表示方法，由输入层、隐含层和输出层三层组成；输入层神经元是采集的离心压缩机压力脉动信号，输出层神经元是神经网络重构的离心压缩机信号，中间隐含层神经元数量少于输入层和输出层神经元数量；在网络训练期间，每个训练样本经过网络都会在输出层产生一个新的信号，网络学习的目的是使输出层重构的离心压缩机信号和输入的原始离心压缩机信号差值最小；在自编码器神经网络中，选用均方误差函数来表示输出信号与输入信号间的差值；均方误差函数表示为： 其中，x为输入信号，z为神经网络输出信号，m为样本个数；为防止过拟合问题，在SAE网络的基础上对输入层的输入数据添加噪声，行成稀疏降噪自编码神经网络SDAE，使神经网络的特征学习能力进一步增强；对于原始输入数据，以一定的概率将输入层节点的值设置为0，即可得到含有噪声的信号；为得到更高级的特征表达，SDAE以深层网络结构的形式逐层堆叠，形成由上下连接的两个或两个以上的SDAE组成的模型结构，即形成堆叠降噪自动编码器神经网络SSDAE，更加完整的提取信号的特征；为满足稀疏性限制，将SSDAE神经网络平均激活度取为接近零的值；稀疏限制有多种形式，隐含层神经元的惩罚因子选用KL稀疏惩罚项，惩罚项为： 其中，β是稀疏惩罚，s是第二层神经元，是神经元平均激活量，aj表示神经元的激活量，稀疏项的目标是使随着和ρ之间的差值增大，惩罚因子的值将急剧上升；采用重量衰减函数，避免过度拟合，如下式所示， 其中，λ是权重调节因子，W是神经网络权重参数，s是当前神经网络层数；因此，离心压缩机压力脉动信号的堆栈稀疏降噪自编码神经网络SSDAE的损失函数写为：L＝E+Jweight+Jsparse步骤3：神经网络的训练：堆栈稀疏降噪自编码神经网络的参数更新采用拟牛顿法L-BFGS，通过L-BFGS反向传播算法，使得神经网络的参数不断迭代更新，深度学习并提取离心压缩机压力脉动信号的特征，保证离心压缩机发生旋转失速的临界流量识别的准确性；步骤4：用训练好的神经网络进行离心压缩机旋转失速临界流量状态识别：将步骤1采集得到的含有多种不同流量工况的离心压缩机压力脉动信号作为输入样本，输入到步骤2获得的堆栈稀疏降噪自编码神经网络中，通过添加不同强度的高斯白噪声信号，进一步提高神经网络对信号的特征学习能力；初始化神经网络参数，通过拟牛顿法反向迭代寻优，确定每一层网络的最佳参数；堆栈稀疏降噪自编码神经网络以输入样本和输出样本的差值最小为目标函数；最后在神经网络的最后一层添加softmax分类层，智能识别离心压缩机不同流量下的压力脉动信号；根据分类结果，对离心压缩机不同流量下的压力脉动信号进行智能识别，判断发生旋转失速的临界流量值。

全文数据：

权利要求：

百度查询： 大连理工大学 基于大数据分析的离心压缩机旋转失速早期预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD