[发明专利]一种基于卷积神经网络的转子不平衡故障诊断方法

说明书

本发明公开了一种基于卷积神经网络的转子不平衡故障诊断方法，包括以下步骤：步骤一、采集轴心轨迹数据，并与标准轴心轨迹数据进行对比，对轴心轨迹数据出现的故障类型进行分析；步骤二、建立卷积神经网络模型，卷积神经网络模型依次包括三层卷积层、池化层、全连接层与Softmax层；步骤三、将轴心轨迹数据按比例划分为训练集与测试集，在训练集上对卷积神经网络模型进行训练，并利用测试集进行测试，进行多轮训练，寻找最优的模型超参数。本发明基于轴心轨迹的形态特征，通过卷积神经网络模型强大的特征提取能力，自动提取转子轨迹图像数据的特征并实现对不同故障类型的轴心轨迹的识别，提升转子不平衡故障的诊断效率。

发明领域

本发明涉及一种转子检测技术领域，具体涉及一种基于卷积神经网络的转子不平衡故障诊断方法。

背景技术

汽轮发电机组、风机等典型旋转设备在化工企业中通常被作为特护机组进行监控和维护，其最常见的故障是不平衡振动超标，振动监测值超过了机组允许运行值，机组无法运行，或振动值长期处于高限，降低了设备易损件寿命。振动也是评估旋转设备运行状况的重要指标，是生产运行人员日常监测维护的关键参数。随着企业的大型化、规模化，汽轮发电机组等旋转设备显现出高功率、高效节能的特点，同时轴系结构也越发复杂，更容易产生轴系振动。因此，加强汽轮机组等旋转设备的状态监测，采用故障诊断技术，分析故障现象，找出故障原因并提出具体的解决方案显得尤为重要。

机器学习类故障诊断方法的基本思路是利用系统在正常和各种故障情况下的历史数据训练神经网络(Neural network)或者支持向量机(Support vector machine)等机器学习算法用于故障诊断。在故障诊断中神经网络主要用来对提取出来的故障特征进行分类。基于机器学习的故障诊断方法以故障诊断正确率为学习目标，并且适用范围广。但是机器学习算法需要过程故障情况下的样本数据，且精度与样本的完备性和代表性有很大关系，因此难以用于那些无法获得大量故障数据的工业过程。在机械设备的转子长期运行过程中，会采集到大量的数据。如前文所述，传统的机器学习方法进行故障诊断往往是基于人工提取的特征，而人工提取特征一方面针对不同类型故障诊断的适应性差；另一方面其效率较低，很难满足在大数据背景下，对于转子故障诊断效率的需求。

发明内容

为解决现有技术的上述问题，本发明提供一种基于卷积神经网络的转子不平衡故障诊断方法，通过卷积神经网络模型自动提取转子轨迹图像数据的特征并实现对不同故障类型的轴心轨迹的识别，提升对转子不平衡故障的诊断效率。

为实现上述目的，本发明采用如下方案：

一种基于卷积神经网络的转子不平衡故障诊断方法，包括以下步骤：

步骤一、采集轴心轨迹数据，并与标准轴心轨迹数据进行对比，对所述轴心轨迹数据出现的故障类型进行分析；

步骤二、建立卷积神经网络模型，所述卷积神经网络模型依次包括三层卷积层、池化层、全连接层与Softmax层；

步骤三、将所述轴心轨迹数据按比例划分为训练集与测试集，在所述训练集上对所述卷积神经网络模型进行训练，并利用所述测试集进行测试，进行多轮训练，寻找最优的模型超参数。

其中，所述卷积层的作用是提取所述轴心轨迹数据的某一种特征；所述池化层是为了压缩数据，降低数据维度，减少数据处理量同时保留有用信息；通过所述全连接层将特征图转化为类别输出；所述Softmax层所有的输出相加为1，因此其输出可以看作在各个类上的预测概率，按照这个概率的大小确定输入的所述轴心轨迹数据属于哪一种故障类型。