一种基于CEEMDAN和深度学习算法的超超临界机组故障诊断方法

一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法
技术领域
1.本发明属于超超临界机组故障诊断技术领域，具体涉及一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法。


背景技术：

2.随着我国工业技术的快速发展，电力消费结构发生了较大变化，近年来，超超临界机组逐渐成为了火力发电的主要机组，在整个发电行业中占据的地位越来越重要。由于超超临界机组发电系统结构复杂，在实际运行中机组的各种设备容易出现故障问题，对机组进行快速、准确的故障诊断，能够降低故障的不良影响，最大程度避免设备的损坏，提高火力发电的经济效益。
3.由于超超临界机组长期运行在高温环境下，机组数据具有非线性的特点，并且往往伴随着现场噪声，如果直接进行故障诊断难以获得满意的诊断精度，于是需要先对数据进行降噪处理，使得故障特征信息被进一步提取。经验模态分解(ensemble empirical mode decomposition，emd)有较强的处理非线性数据的能力，能够实现数据的降噪。但经验模态分解在分解过程中存在虚假分量的问题，并且分解产生的本征模态函数(intrinsic mode function，imf)分量中含有大量无法消除的残余噪声。完全噪声集合经验模态分解(complete ensemble empirical mode decomposition withadaptive noise analysis，ceemdan)通过添加自适应的白噪声，大大减少了imf分量中的残余噪声，使重构误差几乎为0。
4.随着工业大数据的发展，传统的故障诊断方法已经不能满足工业大数据背景下的电力生产过程中设备故障诊断的要求。而数据驱动的深度学习方法以其强大的特征提取能力和海量数据处理能力被广泛应用于故障诊断领域。近年来，基于一维卷积神经网络建立的故障诊断模型效果显著，但基于一维卷积神经网络的输入都是一维序列数据，在特征提取的过程中容易出现特征丢失现象，且存在模型过拟合、参数量多等问题。


技术实现要素：

5.本发明的目的在于提供一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，利用ceemdan算法对故障样本数据集进行分解、降噪处理，将降噪处理后的故障样本数据集通过信号堆叠的方法转换成二维灰度图的集合，将二维灰度图作为故障诊断模型的输入，利用故障诊断模型强大的图像处理能力对故障灰度图进行特征提取和识别。本发明将降噪后的数据转换成二维灰度图，将一维序列问题转换成图像识别问题，同时构建的故障诊断模型具有较强的特征提取能力，解决了传统故障诊断方法特征提取困难的问题，有较高的诊断准确率。
6.为实现以上目的，本发明采用以下技术方案：
7.一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，包括以下步骤：
8.s1、获取超超临界机组各种故障类型的数据，采用完全噪声集合经验模态分解分别对各种故障类型的数据进行分解，以得到降噪处理后的各种故障类型的数据；
9.s2、将降噪处理后的各种故障类型的数据通过信号堆叠的方法转换成二维灰度图，按照一定比例将各种故障类型的数据对应的二维灰度图的集合划分为训练集、验证集和测试集；
10.s3、基于卷积神经网络构建故障诊断模型，用训练集和验证集训练模型，以得到训练完成的故障诊断模型，并用测试集来测试训练完成的故障诊断模型的故障诊断准确率；
11.s4、采用完全噪声集合经验模态分解对超超临界机组的原始故障数据进行分解，得到降噪处理后的数据，并通过信号堆叠的方法将降噪处理后的数据转换成二维灰度图，将二维灰度图输入至训练完成的故障诊断模型中，最后得到超超临界机组的原始故障数据对应的诊断结果。
12.作为优选方案，步骤s1中，采用完全噪声集合经验模态分解对各种故障类型的数据进行分解包括步骤：
13.s1.1、向该种故障类型的数据中添加高斯白噪声形成新序列，对新序列进行第一阶经验模态分解，并计算得到第一阶imf分量均值、第一阶残差；
14.s1.2、向第一阶残差中继续添加高斯白噪声形成新序列，并基于新序列进行多阶经验模态分解，直到第k阶分解后计算得到的第k阶残差不能被分解，停止对该种故障类型的数据的分解，最终该种故障类型的数据被分解为k个各阶imf分量均值以及第k阶残差；
15.s1.3、将第k阶残差从该种故障类型的数据中剔除，将k个各阶imf分量均值进行相加重构，得到处理后的该种故障类型的数据。
16.作为优选方案，步骤s1.2包括：
17.向第一阶残差中继续添加高斯白噪声形成新序列，对新序列进行第二阶经验模态分解，并计算得到第二阶分解后的第二阶imf分量均值以及第二阶残差；
18.判断第二阶残差是否可以继续分解，若否，则停止分解；若是，则在第二阶残差中继续添加高斯白噪声形成新序列，对新序列进行第三阶经验模态分解，并计算得到第三阶分解后的第三阶imf分量均值以及第三阶残差；
19.重复上述步骤，直到第k阶分解后计算得到的第k阶残差不能被分解，k为大于1的自然数。
20.作为优选方案，步骤s2包括：
21.s2.1、分别对经降噪处理后的各种故障类型的数据进行归一化处理，经归一化处理后的各种故障类型的数据中均包含多个数据点，各数据点均对应一个灰度值；
22.s2.2、在各种故障类型的数据中均按顺序截取多个数据点作为各种故障类型的数据对应的数据样本，并通过信号堆叠的方式将各种数据样本均转换成二维灰度图矩阵，矩阵中的各数值为各数据点对应的灰度值，每个二维灰度图矩阵均对应一个二维灰度图，最终将降噪处理后的各种故障类型的数据均转换成对应的二维灰度图；
23.s2.3、按照一定比例，将得到的各种故障类型的数据对应的二维灰度图的集合划分成训练集、验证集和测试集。
24.作为优选方案，步骤s2.1中对各种故障类型的数据进行归一化处理的计算公式为：
[0025][0026]
其中，xi表示归一化处理前的某一种故障类型的数据，表示归一化处理后的某一种故障类型的数据，x
max
表示xi中的最大值，x
min
表示xi中的最小值；
[0027]
对经归一化处理后的数据中的各数据点对应的灰度值进行舍入取整操作，舍入取整的计算公式为：
[0028][0029]
其中，round{}表示取整函数，pi表示取整后的灰度值。
[0030]
作为优选方案，步骤s2.2中，截取的数据点的个数均为4096个，转换后的二维灰度图的大小均为64*64。
[0031]
作为优选方案，步骤s3中构建的故障诊断模型包括依次连接的两层多尺度特征提取网络、inceptionv2网络、残差神经网络、1*1过渡卷积层、全局均值池化层、全连接层；
[0032]
每层多尺度特征提取网络均由三个不同尺度的卷积层组成，用于对输入的二维灰度图进行特征提取。
[0033]
作为优选方案，每层多尺度特征提取网络的三个卷积层前均连接有一个激活层，所述激活层的激活函数为指数线性单元；每层多尺度特征提取网络后还连接有特征融合层，用于对每层网络提取的特征进行融合。
[0034]
作为优选方案，在全连接层后添加用于防止模型过拟合的批归一化层和随机失活层。
[0035]
作为优选方案，基于训练集和验证集，使用自适应矩估计梯度下降法对故障诊断模型进行训练。
[0036]
本发明的有益效果是：
[0037]
1、本发明利用ceemdan算法对故障数据进行分解重构，通过剔除最后分解出的残差实现对数据的降噪。
[0038]
2、本发明无需复杂的机理模型和人工经验知识，也不需要复杂的人工提取特征操作，可以直接用机组的原始数据进行故障诊断，实现了端到端的故障诊断并且具有较高的故障诊断准确率。
[0039]
3、与传统的卷积神经网络方法相比，本发明将信号处理和深度学习方法结合，可以有效处理海量高维的数据，并且能够避免噪声干扰。
[0040]
4、本发明将降噪后的数据转换成二维灰度图，并将二维灰度图作为故障诊断模型的输入，将一维序列问题转换成图像识别问题。同时构建的故障诊断模型具有较强的特征提取能力，可以通过不断的自适应学习得到故障数据的深层次特征，解决了传统故障诊断方法特征提取困难的问题，在超超临界机组的故障诊断方面有较好的效果，本发明所述的方法即使应用在复杂的设备上，也能保持较高的诊断准确率。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发
明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法的流程图。
[0043]
图2是以故障a2为例，故障a2的数据经过ceemdan分解后得到的imf分量示意图。
[0044]
图3是故障样本数据转换为二维灰度图的结果示意图。
[0045]
图4是改进的卷积神经网络的结构图。
[0046]
图5是训练集、验证集的损失函数曲线图。
[0047]
图6是训练集、验证集的故障诊断准确率曲线图。
[0048]
图7是测试集诊断结果的混淆矩阵示意图。
具体实施方式
[0049]
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0050]
参照图1，一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，包括以下步骤：
[0051]
s1、获取超超临界机组各种故障类型的数据，采用完全噪声集合经验模态分解分别对各种故障类型的数据进行分解，以得到降噪处理后的各种故障类型的数据；
[0052]
s2、将降噪处理后的各种故障类型的数据通过信号堆叠的方法转换成二维灰度图，按照一定比例将各种故障类型的数据对应的二维灰度图的集合划分为训练集、验证集和测试集；
[0053]
s3、基于卷积神经网络构建故障诊断模型，用训练集和验证集训练模型，以得到训练完成的故障诊断模型，并用测试集来测试训练完成的故障诊断模型的故障诊断准确率；
[0054]
s4、采用完全噪声集合经验模态分解对超超临界机组的原始故障数据进行分解，得到降噪处理后的数据，并通过信号堆叠的方法将降噪处理后的数据转换成二维灰度图，将二维灰度图输入至训练完成的故障诊断模型中，最后得到超超临界机组的原始故障数据对应的诊断结果。
[0055]
经验模态分解(ensemble empirical mode decomposition，emd)有较强的处理非线性数据的能力，能够实现数据的降噪。但经验模态分解在分解过程中存在虚假分量的问题，并且分解产生的本征模态函数(intrinsic mode function，imf)分量中含有大量无法消除的残余噪声。完全噪声集合经验模态分解(complete ensemble empirical mode decomposition withadaptive noise analysis，ceemdan)通过添加自适应的白噪声，大大减少了imf分量中的残余噪声，使重构误差几乎为0。
[0056]
本发明利用ceemdan算法对故障数据进行分解重构，通过剔除最后分解出的残差实现对数据的降噪。无需复杂的机理模型和人工经验知识，也不需要复杂的人工提取特征操作，可以直接用原始数据进行故障诊断，实现了端到端的故障诊断并且具有较高的故障诊断准确率。
[0057]
本发明将降噪后的数据转换成二维灰度图，并将二维灰度图作为故障诊断模型的输入，将一维序列问题转换成图像识别问题。同时构建的故障诊断模型具有较强的特征提取能力，可以通过不断的自适应学习得到故障数据的深层次特征，解决了传统故障诊断方法特征提取困难的问题，在超超临界机组的故障诊断方面有较好的效果。
[0058]
进一步，步骤s1中，采用完全噪声集合经验模态分解对各种故障类型的数据进行分解包括步骤：
[0059]
s1.1、向该种故障类型的数据h(t)中添加高斯白噪声ni形成新的序列h1(t)，对新序列进行第一阶经验模态分解，并计算第一阶imf分量均值第一阶残差r1(t)，计算公式为：
[0060]
h1(t)＝h(t)+αni,
[0061][0062][0063][0064]
其中，α表示噪声系数，e()表示经验模态(emd)分解，imfi表示第一阶分解得到的m个imf分量中的第i个imf分量，r1(t)表示第一阶分解得到的残差分量；
[0065]
s1.2、向第一阶残差r1(t)中继续添加高斯白噪声ni形成新序列r1(t)+αni，并基于新序列进行多阶经验模态分解，直到第k阶分解后计算得到的第k阶残差不能被分解，停止对该种故障类型的数据的分解，最终该种故障类型的数据被分解为k个各阶imf分量均值以及第k阶残差rk(t)；
[0066]
此时，该种故障类型的数据h(t)表示为：
[0067][0068]
s1.3、将第k阶残差rk(t)从该种故障类型的数据中剔除，将k个各阶imf分量均值进行相加重构，得到处理后的该种故障类型的数据x(t)，处理后的该种故障类型的数据表示为：
[0069][0070]
进一步，步骤s1.2包括：
[0071]
向第一阶残差r1(t)中继续添加高斯白噪声ni形成新序列r1(t)+αni，对新序列进行第二阶经验模态分解，并计算得到第二阶分解后的第二阶imf分量均值以及第二阶残差r2(t)；
[0072]
判断第二阶残差r2(t)是否可以继续分解，若否，则停止分解；若是，则在第二阶残差r2(t)中继续添加高斯白噪声ni形成新序列r2(t)+αni，对新序列进行第三阶经验模态分解，并计算得到第三阶分解后的第三阶imf分量均值以及第三阶残差r3(t)；
[0073]
重复上述步骤，直到第k阶分解后计算得到的第k阶残差rk(t)不能被分解，k为大于1的自然数。
[0074]
具体的，以故障a2为例，故障a2的数据经过ceemdan分解后得到的imf分量参照图2所示。
[0075]
进一步，步骤s2包括：
[0076]
s2.1、分别对经降噪处理后的各种故障类型的数据进行归一化处理，经归一化处理后的各种故障类型的数据中均包含多个数据点，各数据点均对应一个灰度值；
[0077]
s2.2、在各种故障类型的数据中均按顺序截取4096个数据点作为各种故障类型的数据对应的数据样本，并通过信号堆叠的方式将各种数据样本均转换成64*64的二维灰度图矩阵，矩阵中的各数值为各数据点对应的灰度值，每个64*64的二维灰度图矩阵均对应一个64*64大小的二维灰度图，最终将降噪处理后的各种故障类型的数据均转换成64*64大小的二维灰度图；
[0078]
s2.3、按照6：2：2的比例，将得到的各种故障类型的数据对应的二维灰度图的集合划分成训练集、验证集和测试集。
[0079]
各种故障类型的数据为一维数据，
[0080]
具体的：
[0081]
步骤s2.1中对各种故障类型的数据进行归一化处理的计算公式为：
[0082][0083]
其中，xi表示归一化处理前的某一种故障类型的数据，表示归一化处理后的某一种故障类型的数据，x
max
表示xi中的最大值，x
min
表示xi中的最小值；
[0084]
对经归一化处理后的数据中的各数据点对应的灰度值进行舍入取整操作，舍入取整的计算公式为：
[0085][0086]
其中，round{}表示取整函数，pi表示取整后的灰度值。
[0087]
进一步，参照图4，步骤s3中构建的故障诊断模型包括依次连接的两层多尺度特征提取网络、inceptionv2网络、残差神经网络、1*1过渡卷积层、全局均值池化层、全连接层；
[0088]
每层多尺度特征提取网络均由三个不同尺度的1*1，3*3，5*5卷积层组成，用于对输入的二维灰度图进行特征提取；每层多尺度特征提取网络的三个卷积层前均连接有一个激活层，所述激活层的激活函数为指数线性单元；每层多尺度特征提取网络后还连接有特征融合层，用于对每层网络提取的特征进行融合；
[0089]
在全连接层后添加用于防止模型过拟合的批归一化层和随机失活层。
[0090]
进一步，基于训练集和验证集，使用自适应矩估计梯度下降法对故障诊断模型进行训练，训练轮数为100，批量大小为128，学习率为0.01，正则化参数为0.001。使用训练集和验证集对构建的故障诊断模型进行训练和验证的结果参照图5、图6所示，
[0091]
与传统的卷积神经网络方法相比，本发明将信号处理和深度学习方法结合，可以有效处理海量高维的数据，并且能够避免噪声干扰。
[0092]
本发明将降噪后的数据转换成二维灰度图，并将二维灰度图作为故障诊断模型的输入，将一维序列问题转换成图像识别问题。同时构建的故障诊断模型具有较强的特征提取能力，可以通过不断的自适应学习得到故障数据的深层次特征，解决了传统故障诊断方
法特征提取困难的问题。
[0093]
进一步，用测试集对训练完成的诊断模型进行测试，得到测试集数据的故障诊断结果及故障诊断准确率，故障诊断准确率计算公式为：
[0094][0095]
其中，acc表示故障诊断准确率，t
p
表示故障诊断类别与故障真实类别相同的样本个数，test
number
表示测试集中样本的数量。
[0096]
具体的：
[0097]
测试集的诊断结果参照图7所示。
[0098]
图7中，a1-a10表示故障类型，a11表示机组处于正常状态。其中，a1表示中压过热蒸汽流量下显示为0，a2表示高压给水泵bv绕组温度1偏高，a3表示中压给水泵b出口压显示错误，a4表示高压给水泵a电机非驱动段温度偏高，a5表示燃气排气扩压段膨胀节有漏气，a6表示rsv2开启过慢，a7表示高压给水泵b驱动端轴承体水平方向振动大，a8表示再热减温水流量异常，a9表示高压给水泵av绕组温度1偏高，a10表示高压给水泵b非驱动端轴承体水平方向振动大，a11表示正常状态。
[0099]
在图7中，每一行数据代表测试集中的所有样本被诊断为该种故障类型所对应的诊断结果；每一列数据代表测试集中所有实际为某种故障的样本对应的诊断结果。具体的，第一行数据代表测试集中的所有样本被诊断为故障a1所对应的诊断结果；第一列数据代表测试集中所有实际为故障a1的样本对应的诊断结果。
[0100]
图中，对角线上的每格数据中上方数据代表各种故障类型中诊断正确的样本数，下方数据代表各种故障类型中诊断正确的样本数占整个测试集样本的比重；非对角线上的每个数据中上方数据代表被错误分类到该类别的样本数量，下方数据代表被错误分类到该类别的样本数占整个测试集的比重。
[0101]
图中最右边一列数据代表被诊断为各种故障类型的样本中，实际为该种故障类型的样本所占的比例，以及实际为其他故障类型的样本所占的比列；图中底部的一行数据代表实际为该种故障类型的样本中，被正确诊断为该种故障类型的样本所占的比例，以及未被正确诊断的样本所占的比例。图中右下角显示的是对测试集中所有数据进行诊断得到的总体诊断正确率和总体诊断错误率。
[0102]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

技术特征：
1.一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，包括以下步骤：s1、获取超超临界机组各种故障类型的数据，采用完全噪声集合经验模态分解算法分别对各种故障类型的数据进行分解，以得到降噪处理后的各种故障类型的数据；s2、将降噪处理后的各种故障类型的数据通过信号堆叠的方法转换成二维灰度图，按照一定比例将各种故障类型的数据对应的二维灰度图的集合划分为训练集、验证集和测试集；s3、基于卷积神经网络构建故障诊断模型，用训练集和验证集训练模型，以得到训练完成的故障诊断模型，并用测试集来测试训练完成的故障诊断模型的故障诊断准确率；s4、采用完全噪声集合经验模态分解对超超临界机组的原始故障数据进行分解，得到降噪处理后的数据，并通过信号堆叠的方法将降噪处理后的数据转换成二维灰度图，将二维灰度图输入至训练完成的故障诊断模型中，最后得到超超临界机组的原始故障数据对应的诊断结果。2.根据权利要求1所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s1中，采用完全噪声集合经验模态分解对各种故障类型的数据进行分解包括步骤：s1.1、向该种故障类型的数据中添加高斯白噪声形成新序列，对新序列进行第一阶经验模态分解，并计算得到第一阶imf分量均值、第一阶残差；s1.2、向第一阶残差中继续添加高斯白噪声形成新序列，并基于新序列进行多阶经验模态分解，直到第k阶分解后计算得到的第k阶残差不能被分解，停止对该种故障类型的数据的分解，最终该种故障类型的数据被分解为k个各阶imf分量均值以及第k阶残差；s1.3、将第k阶残差从该种故障类型的数据中剔除，将k个各阶imf分量均值进行相加重构，得到处理后的该种故障类型的数据。3.根据权利要求2所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s1.2包括：向第一阶残差中继续添加高斯白噪声形成新序列，对新序列进行第二阶经验模态分解，并计算得到第二阶分解后的第二阶imf分量均值以及第二阶残差；判断第二阶残差是否可以继续分解，若否，则停止分解；若是，则在第二阶残差中继续添加高斯白噪声形成新序列，对新序列进行第三阶经验模态分解，并计算得到第三阶分解后的第三阶imf分量均值以及第三阶残差；重复上述步骤，直到第k阶分解后计算得到的第k阶残差不能被分解，k为大于1的自然数。4.根据权利要求1所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s2包括：s2.1、分别对经降噪处理后的各种故障类型的数据进行归一化处理，经归一化处理后的各种故障类型的数据中均包含多个数据点，各数据点均对应一个灰度值；s2.2、在各种故障类型的数据中均按顺序截取多个数据点作为各种故障类型的数据对应的数据样本，并通过信号堆叠的方式将各种数据样本均转换成二维灰度图矩阵，矩阵中的各数值为各数据点对应的灰度值，每个二维灰度图矩阵均对应一个二维灰度图，最终将
降噪处理后的各种故障类型的数据均转换成对应的二维灰度图；s2.3、按照一定比例，将得到的各种故障类型的数据对应的二维灰度图的集合划分成训练集、验证集和测试集。5.根据权利要求4所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s2.1中对各种故障类型的数据进行归一化处理的计算公式为：其中，x
i
表示归一化处理前的某一种故障类型的数据，表示归一化处理后的某一种故障类型的数据，x
max
表示x
i
中的最大值，x
min
表示x
i
中的最小值；对经归一化处理后的数据中的各数据点对应的灰度值进行舍入取整操作，舍入取整的计算公式为：其中，round{}表示取整函数，p
i
表示取整后的灰度值。6.根据权利要求4所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s2.2中，截取的数据点的个数均为4096个，转换后的二维灰度图的大小均为64*64。7.根据权利要求1所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，步骤s3中构建的故障诊断模型包括依次连接的两层多尺度特征提取网络、inceptionv2网络、残差神经网络、1*1过渡卷积层、全局均值池化层、全连接层；每层多尺度特征提取网络均由三个不同尺度的卷积层组成，用于对输入的二维灰度图进行特征提取。8.根据权利要求7所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，每层多尺度特征提取网络的三个卷积层前均连接有一个激活层，所述激活层的激活函数为指数线性单元；每层多尺度特征提取网络后还连接有特征融合层，用于对每层网络提取的特征进行融合。9.根据权利要求7所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，在全连接层后添加用于防止模型过拟合的批归一化层和随机失活层。10.根据权利要求7所述的一种基于ceemdan和深度学习算法的超超临界机组故障诊断方法，其特征在于，基于训练集和验证集，使用自适应矩估计梯度下降法对故障诊断模型进行训练。

技术总结
本发明属于超超临界机组故障诊断技术领域，具体涉及一种基于CEEMDAN和深度学习算法的超超临界机组故障诊断方法，利用CEEMDAN算法对故障样本数据进行分解、降噪处理，将降噪处理后的故障样本数据通过信号堆叠的方法转换成二维灰度图，基于卷积神经网络构建故障诊断模型，并将二维灰度图作为训练完成的故障诊断模型的输入，利用故障诊断模型强大的图像处理能力对故障灰度图进行特征提取和识别。本发明可以直接用原始数据进行故障诊断，实现了端到端的故障诊断。同时，构建的故障诊断模型具有较强的特征提取能力，可以通过不断的自适应学习得到故障数据的深层次特征，解决了传统故障诊断方法特征提取困难的问题，并且具有较高的故障诊断准确率。的故障诊断准确率。的故障诊断准确率。


技术研发人员：魏春 张兴凡 蔡程翔 章成 王代栋
受保护的技术使用者：浙江工业大学
技术研发日：2023.07.07
技术公布日：2023/9/20