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

  x4 a; N( F* `
: B0 O( r; j2 J) L% l& c' Z! g8 c
% Q2 ]* n$ U& |1 i9 r; X4 S- ^+ B1 @; h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
1 {! H+ I2 A# D2 ^  ]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
& r8 x( m7 R% z! H6 I( L* \5 ~/ q(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
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，
) K: y! {# a8 ^7 a& l' t5 n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%。


7 e" T) O; A! }4 s+ I4 |5 k3 D