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

8 W) S! z# M* ^: E$ |- o
5 G* s5 v$ T$ o7 J4 T
2 S. N" D6 |% U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
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
( X" f2 z1 K# C3 K6 ?2 j2 N(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
7 G3 `5 I8 W' m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 l5 c7 n+ q- L/ O7 B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，
1 z( N9 v" e7 C0 N. c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%。