[发明专利]一种转子系统深度迁移故障诊断方法、系统及介质

说明书

本发明涉及一种转子系统深度迁移故障诊断方法、系统及介质，其包括：对WDCNN模型进行预训练，获得预先设定的分类效果后，保存整个WDCNN模型，并给予该模型初始权值；将预训练得到的WDCNN模型迁移至源域，对WDCNN模型进行微调，在预先设置标签的燃气轮机正常数据集上进行训练，更新WDCNN模型权重；在目标域中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征；利用SVM对目标域数据集所有的映射特征进行分类，实现燃气轮机的故障识别。本发明能有效提高故障诊断的精度，有利于解决燃气轮机转子系统正常运行数据多、故障数据少而难以形成均衡类别训练模型的问题。

技术领域

本发明涉及一种机械故障诊断技术领域，特别是关于一种宽卷积神经网络深度迁移向量机转子系统故障诊断方法、系统及介质。

背景技术

燃气轮机作为一种高价值的动力设备，稳定的运行状态、较高的可靠性和安全性、较低的运行和维护成本是用户最关心的问题。转子系统作为整机的核心部分，因其高速、高温、高压、高应力的工作条件，不可避免地会产生一些故障，而一旦产生故障会对机组安全运行造成严重影响。因此，对燃气轮机转子系统进行故障诊断具有重要意义。

随着算法和用于算法验证的开源数据集的发展，迁移学习在解决小样本问题方面展现出了更大的优势。但对于燃气轮机转子系统，因其整机封闭式的设计准则，使得难以直接获取转轴上的振动信息。工程上，一般通过燃气轮机的整机振幅超限预警来提示机器发生故障，进而停机检修。另外，不同型号的燃气轮机往往其故障振动特征的表现形式不同，同型号机组之间也存在获取的正常运行数据多、故障数据少且故障模式较为单一的问题，加之涉及行业保密，难以形成一个通用的完备故障数据库。

因此，卷积神经网络(Convolutional Neural Networks,CNN)虽然已在旋转机械故障诊断中得到了应用，但由于需要大样本训练的特性，面对燃气轮机正常工况数据海量而故障数据缺乏和故障模式不完备等问题，并没有充分发挥自身强大的自主学习能力。另一方面，传统神经网络算法的样本处理对人工专业信号处理和提取特征依赖较大，因此算法能力受限。

发明内容

针对在使用深度学习对燃气轮机转子故障诊断过程中，因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题，本发明的目的是提供一种宽卷积神经网络深度迁移向量机转子系统故障诊断方法、系统及介质，其有效提高了故障诊断的精度，有利于解决燃气轮机转子系统正常运行数据多、故障数据少而难以形成均衡类别训练模型的问题。

为实现上述目的，本发明采取以下技术方案：一种转子系统深度迁移故障诊断方法，其包括：步骤1、对WDCNN模型进行预训练，获得预先设定的分类效果后，保存整个WDCNN模型，并给予该模型初始权值；步骤2、将预训练得到的WDCNN模型迁移至源域，对WDCNN模型进行微调，在预先设置标签的燃气轮机正常数据集上进行训练，更新WDCNN模型权重；步骤3、在目标域中，利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征；步骤4、利用SVM对目标域数据集所有的映射特征进行分类，实现燃气轮机的故障识别。

进一步，所述步骤1中，采用标准轴承的原始振动加速度数据作为输入，预训练WDCNN模型；训练方法包括以下步骤：

步骤1.1、将标准轴承的原始振动加速度数据作为样本，将样本按7:3的比例随机划分为训练集和测试集；

步骤1.2、初始化WDCNN模型的权重，采用训练集数据训练该模型，经过网络的不断迭代训练，误差不断被计算更新；

步骤1.3、采用测试集数据测试模型，当迭代完成后，如果获得了95％以上的分类精度，则保存整个模型；反之，若不满足分类精度要求或没有达到最高迭代次数，则利用反向传播更新权值、阈值和卷积核参数，重新判断是否满足分类精度要求。

进一步，所述步骤2中，将预训练得到的WDCNN模型迁移至源域，并更新权重的方法包括以下步骤：