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

6 H( @3 y! g1 j% y" j. J
4 |7 |0 o7 e9 b2 m$ e: K- e3 v
6 O/ s4 l( D; E) t  f# k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
* I* {/ _" v# E$ h& M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
; p! V5 T  T0 {! \1 S. l3 D, P. D(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
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
5 r1 g7 e* x6 ^. E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，
) `% O1 r  A0 w' f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%。
! |3 j1 R7 |3 J6 N2 j- n
$ q5 ^! \6 _0 }$ |% }+ B( w