基于深度特征学习的汽轮机转子状态识别方法

杨利霞

基于深度特征学习的汽轮机转子状态识别方法

* a' e) m4 C% U$ s9 e
8 Q1 N2 K4 f' U
9 K8 x$ ]% a! z4 |: j
: \# A+ N9 B- C: `2 P$ n% c1 f复杂汽轮机转子振动信号的非平稳性和非线性等问题，会严重影响到汽轮机转子的状态识别。为了保证汽轮
# f. B; F! U+ v, ]8 j+ k/ \机转子的安全运行，本文研究提出了一种基于对称点模式(Symmetrized Dot Pattern，SDP)特征融合的卷积神经网络
(Convolution Neural Network，CNN)状态识别方法。该方法通过基于 SDP 分析方法对汽轮机转子各方向、各位置的信号进
' }' q5 `# n& S& v2 |$ z' T行特征融合，获取融合特征的 SDP 图，最终基于 CNN 进行融合特征 SDP 图像识别，实现转子故障状态识别。与其他状
; ]4 c) x% R8 K2 Z, j( ]态识别方法相比，该方法提高了不同状态特征的表征差异，进而提高了学习效果和识别精度。同时，对比实验结果表明，
相较于其他状态识别方法，本文方法对转子振动状态识别精度最高，达到了 96%。
' T* ~* v7 ]& j4 n( B3 J$ J  _
" B+ P* B: n" Z, s) f. Z  d6 w/ Q; j
5 H/ @" E+ m9 S. K9 X- B% s2 l/ w