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

) A3 [( }! t. l0 T& r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
0 f8 ?0 r; y3 T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
% d! `, t. V) J4 j) V( Q; j(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
9 S4 b8 h: R" h& a- t, ^5 \5 E' Q: 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
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，
! G: ~. [" _- ]% H, F4 q( v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%。
  `/ ?( F7 m& }1 m0 R: f0 t