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

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
% q: o  b! c, q8 q& h5 \9 f+ H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
, L: M+ x/ x8 b+ q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
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，
3 Z0 O) q" |6 E* x; t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%。
. E' C4 F6 Y# f. w) E
0 n4 e1 s, |3 i4 f4 c
# |% V/ f7 _4 i) v* s