[發(fā)明專利]一種基于深度卷積神經網絡的非對稱轉子位移場重構方法

在審

• 申請?zhí)枺?/td>: 202111094165.6
• 申請日: 2021-09-17
• 公開（公告）號: CN113656919A
• 公開（公告）日: 2021-11-16
• 發(fā)明（設計）人: 張荻;鄭召利;謝永慧;孟玥
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/23;G06F30/27;G06N3/04;G06N3/08;G06F111/10;G06F119/14
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 崔方方

1.一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，包括以下步驟：

1)基于有限元方法，建立非對稱轉子系統的動力學方程，通過數值積分方法獲得轉子全部節(jié)點處的初始振動位移信號；

2)對初始振動位移信號進行等長度裁剪，將全部節(jié)點的信號和少量測點的信號分別處理為標簽和輸入信號，建立非對稱轉子位移場重構數據庫；

3)對非對稱轉子位移場重構數據庫進行歸一化處理，形成樣本集，并按照設定比例將樣本集分為訓練集和驗證集；

4)基于卷積神經網絡、雙三次插值上采樣和全連接神經網絡，建立適用于任意輸入信號尺寸的，用于非對稱轉子位移場重構的，特征提取器和信號生成器，令輸入信號先后通過特征提取和信號生成器，獲得輸出信號，并基于輸出信號定義網絡的殘差；

5)通過訓練完成梯度的反向傳遞，獲得最終的特征提取器和信號生成器，形成非對稱轉子位移場實時重構模型。

2.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟1)中，采用拉丁超立方采樣對非對稱轉子系統的故障參數進行采樣，獲得多種不同故障參數下的振動位移信號。

3.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，采用重疊采樣方法，對數據進行擴容，擴容過程中保證重疊采樣后的樣本長度是相等的。

4.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟3)中，采用最大值最小值歸一化方法將所有樣本映射到0到1之間，處理的公式為X＝(X-min(X))/(max(X)-min(X))，其中X表示全部節(jié)點或少量測點的輸入信號；將80％的樣本處理為訓練集(X_less,t,X_all,t)，將另外20％的樣本處理為驗證集和驗證集(X_less,v,X_all,v)。

5.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟4)中，考慮到測點個數遠遠小于時間步數，特征提取器由一個雙三次插值上采樣層、多個一維卷積神經網絡和一個全連接神經網絡構成；為了增加網絡的深度，每隔兩個一維卷積神經網絡才進行一次最大池化；經過多個一維卷積后，當時間維度的長度變?yōu)?時，停止一維卷積操作，通過全連接神經網絡將一維卷積神經網絡的輸出映射為特征向量，為防止特征提取器丟失特征，特征向量的維度不小于位移場重構問題的獨立變量個數。

6.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟4)中，信號生成器由一個全連接神經網絡、多個二維卷積神經網絡和多個雙三次插值上采樣層構成；特征提取器輸出的特征向量經過一個全連接神經網絡，變?yōu)橐痪S的長向量，經過維度變換，變?yōu)槎S矩陣；二維矩陣經過尺寸不變的二維卷積神經網絡和放大系數為二的雙三次插值上采樣層變?yōu)槌叽鐢U大兩倍的二維矩陣；經過多個二維卷積神經網絡和雙三次插值上采樣層后，最后通過一個二維卷積神經網絡和定尺寸的雙三次插值上采樣層，使得最終輸出的二維矩陣大小等于全部節(jié)點的信號的矩陣尺寸。

7.根據權利要求6所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟4)中，為了防止網絡退化問題，在信號生成器中，每次完成二維卷積神經網絡和雙三次插值上采樣層后，采用殘差連接。

8.根據權利要求1所述的一種基于深度卷積神經網絡的非對稱轉子位移場重構方法，其特征在于，步驟5)中，選擇誤差為均方誤差，選擇優(yōu)化算法為Adam算法，初始學習率為0.001，網絡的學習率會在訓練過程中進行階梯下降，當誤差連續(xù)多次沒有更新時，停止迭代，計算收斂。