基于时间序列的燃机涡轮叶片健康监测方法研究.pdf

基于时间序列的燃机涡轮叶片健康监测方法研究

摘要

在工业4.0与智能制造等战略的带动下，工业数字化正在蓬勃发展，工业设备的运

转数据的获取也变得越来越容易。工业设备运转数据中蕴含着设备的状态信息，对其进

行分析和挖掘可以得到工业设备运转时的健康状态，对设备健康状态进行监测从而提高

工业生产的效率，并保证工业设备运转的可靠性与安全性。早期的健康监测方法往往以

传统数据特征提取为基础，通用性较差，且监测效果不理想。目前，基于时间序列和深

度学习的算法已经在多种健康监测场景中取得了较大进展，有着更强的鲁棒性和通用

性。但在实际工业环境中，工业设备产生的数据样本不存在标签的问题十分普遍，在没

有样本标签的情况下，一般深度学习模型难以直接应用。本文以燃气轮机涡轮叶片的健

康监测为应用背景，对燃气轮机涡轮叶片的温度数据展开研究，从时间序列的角度对其

进行特征提取及分析，结合机器学习及深度学习理论，提出了一种无监督的涡轮叶片健

康监测方法。论文主要研究内容如下:

（1）针对本文背景中涡轮叶片温度信号难以表征的问题，研究了三种涡轮叶片温

度数据的特征提取方法，分别是基于时域的特征提取方法、基于VMD的特征提取方法

和基于GWO-VMD的特征提取方法，并用这三种方法对涡轮叶片温度数据进行特征提

取，分析对比各方法特征提取效果，验证了GWO-VMD特征提取方法的优越性。

（2）针对因燃机涡轮叶片温度数据样本不存在标签而造成一般监测模型难以训练

的问题，本文在Transformer模型的基础上进行改进，设计了一种基于关联差异和重建

误差的无监督涡轮叶片健康监测模型，命名为Association-Transformer。将Transformer

编码器部分的注意力矩阵转化为全局关联，将可学习尺度参数的高斯核函数转化为局部

关联，全局关联和局部关联之间的对称KL距离定义为关联差异。结合关联差异和重建

误差定义健康偏离度，用以衡量涡轮叶片的健康状态，并提出了基于最大最小关联差异

的训练策略。

（3）针对难以确保涡轮叶片健康监测模型评价准则具有较高精度的问题，本文基

于模糊C均值聚类算法及专家评分法构建了涡轮叶片健康监测模型的评价准则，并将

Association-Transformer模型与构建好的评价准则结合，建立完整的涡轮叶片健康监测模

型。首先，通过PCA对GWO-VMD方法提取到的各IMF分量的熵特征做特征降维操作，

用FCM聚类算法对将降维后的特征做聚类处理，把专家评分法与聚类评价指标相结合，

将FCM聚类算法与Kmeans、K-medoid、Kmeans++聚类算法进行实验对比，证明FCM

哈尔滨工程大学专业学位硕士学位论文

聚类算法对涡轮叶片温度特征的适用性，并保证了涡轮叶片健康监测模型评价准则具有

很高的精度。随后，通过聚类内部评价指标确定FCM的最佳聚类数为5，因此把涡轮

叶片健康状态等级分为五个类别，凭借专家经验将样本划分为优秀、良好、一般、较差、

极差五个健康状态等级。最后，将健康状态等级与Association-Transformer输出的健康

偏离度范围通过实验观察完成对应，建立健康监测模型的评价准则，构成完整的健康监

测模型，与现有其他模型做实验对比，实验结果表明，基于Association-Transformer的

涡轮叶片健康监测模型具有更好的监测效果。

关键词：时间序列；健康监测；涡轮叶片；变分模态分解；灰狼优化算法

基于时间序列的燃机涡轮叶片健康监测方法研究

ABSTRACT

DrivenbystrategiessuchasIndustry4.0andintelligentmanufacturing,industrial

digitizationisthriving,andtheacquisitionofoperationaldataforindustrialequipmentis

becomingincreasinglyeasy.Theope