[發明專利]一種基于深度學習的旋轉機械軸心軌跡識別方法

有效

• 申請號: 202110056799.6
• 申請日: 2021-01-15
• 公開（公告）號: CN112816200B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 楊嘉偉;武利斌;楊兵;唐健;田軍
• 申請（專利權）人: 東方電氣集團科學技術研究院有限公司;中國東方電氣集團有限公司
• 主分類號: G01M13/00
• 分類號: G01M13/00;G06N3/04
• 代理公司: 成都天嘉專利事務所(普通合伙) 51211
• 代理人: 蔣斯琪

1.一種基于深度學習的旋轉機械軸心軌跡識別方法，其特征在于，包括如下步驟：

（1）采集旋轉機械在故障下的軸心軌跡數據，軸心軌跡數據至少包括軸心軌跡圖和對應的形狀標簽，得到所述軸心軌跡圖與形狀標簽后，形成故障樣本庫；所述軸心軌跡數據包括來自于安裝在軸承水平方向的傳感器和/或安裝在軸承垂直方向的傳感器；

（2）對故障樣本庫中的軸心軌跡圖進行數據增強，然后基于深度神經網絡構建軸心軌跡識別模型；所述數據增強的操作至少包括旋轉、縮放、裁剪、翻轉、仿射變換和/或加噪聲；

（3）實時采集旋轉機械運行時的軸心軌跡數據，形成實時的軸心軌跡圖，基于構建得到的軸心軌跡識別模型進行對比診斷，在線確定軸心軌跡形狀，進而確定故障類型。

2.根據權利要求1所述旋轉機械軸心軌跡識別方法，其特征在于，步驟（2）中，基于深度神經網絡構建軸心軌跡識別模型的步驟至少包括：將數據增強后的軸心軌跡圖和形狀標簽作為深度神經網絡計算模型的訓練集，然后不斷迭代計算并動態調整神經元之間的權值以及神經元的閾值，得到最優的神經網絡權值與閾值，以構建軸心軌跡識別模型。

3.根據權利要求2所述旋轉機械軸心軌跡識別方法，其特征在于：所述深度神經網絡包括多路卷積子網絡與分類識別網絡。

4.根據權利要求3所述旋轉機械軸心軌跡識別方法，其特征在于：所述多路卷積子網絡，對輸入軸心軌跡圖采用不同大小的卷積核進行特征提取，以利于抽取軸心軌跡圖像的局部特征和全局特征，最后將各路卷積得到的特征進行通道拼接，形成更厚的特征圖。

5.根據權利要求3所述旋轉機械軸心軌跡識別方法，其特征在于：所述分類識別網絡基于LeNet網絡，由卷積層、池化層、卷積層、池化層、全連接網絡以及分類函數SoftMax組成。

6.根據權利要求1所述旋轉機械軸心軌跡識別方法，其特征在于：步驟（3）中，所述在線確定軸心軌跡形狀的步驟為：根據實時采集旋轉機械運行時的軸心軌跡數據，生成當前運行狀態下的軸心軌跡圖，然后輸入至軸心軌跡識別模型進行計算，即可得到對應的軸心軌跡形狀。

7.根據權利要求1所述旋轉機械軸心軌跡識別方法，其特征在于：所述軸心軌跡識別方法還包括：對軸心軌跡識別模型進行優化，即將實時得到的軸心軌跡圖和人工判別結果加入到故障樣本庫，重新訓練軸心軌跡識別模型，從而持續優化神經網絡權值與閾值。

8.根據權利要求1所述旋轉機械軸心軌跡識別方法，其特征在于：所述軸心軌跡識別方法適用于軸心軌跡識別的轉子、聯軸器及其它旋轉機械的故障診斷。