Способ диагностики состояния турбогенераторов при помощи расширенной взвешенной нейронной сети
Группа исследователей из Китая разработала способ диагностики состояния турбогенераторов, в котором используется модифицированный алгоритм расширенной нейронной сети. Способ ориентирован на работу с данными вибрации в условиях коротких зашумлённых выборок данных. Статья авторов была опубликована в издании Chinese Journal of Aeronautics в октябре 2020 года.
Разработанный алгоритм получил название расширенной взвешенной нейронной сети (W-ENN). Схема W-ENN показана ниже.
Сеть имеет три слоя, на первый (входной) из которых подаётся набор свойств, полученных из данных вибрации. В выходном слое формируется результат диагностики. Между каждым нейроном входного и скрытого слоя существуют две связи, которые характеризуют верхнюю и нижнюю границы диапазона значений связи, которые устанавливаются при обучении.
Данные на вход нейронной сети подаются с учётом весовых коэффициентов, для определения которых исследователи использовали метод экстремальной энтропии (EEM). В методе массив входных данных преобразуется в одномерный вектор, по характеристикам вариантивности элементов которого затем рассчитываются входные веса.
Схема предложенного метода диагностики показана ниже.
В методе выделяют этапы обучения и эксплуатации модели. При обучении записывают сигналы вибрации на работающем оборудовании. Из спектра записанного сигнала затем выделяются 9 относительных амплитуд гармоник с характерными частотами. Эти 9 относительных амплитуд затем подаются на входы нейронной сети. Для них затем определяются относительные веса методом EEM. Затем выполняется классификация дефекта при помощи W-ENN. После обучения модели начинают её эксплуатацию.
Работа метода была проверена на данных, собранных на лабораторном стенде, имитирующем работу генератора. В данные дополнительно был введён шум уровнем до 30% от средней амплитуды вибрации. Вместе с разработанным методом также были проверены результаты традиционных методов машинного обучения: расширенной нейронной сети (ENN), метода опорных векторов (SVM), метода релевантных векторов (RVM), машины экстремального обучения (ELM). График изменения точности разных моделей в зависимости от числа обработанных выборок данных, показан ниже.
В заключении исследования указывается, что разработанный метод диагностики показал более высокую точность по сравнению с методами, построенными на традиционных методах машинного обучения.
Больше новостей и аналитики из мира онлайн-диагностики электрооборудования читайте на нашем Телеграм-канале "ЗВЕЗДА"