[發明專利]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

• 申請號: 202111094165.6
• 申請日: 2021-09-17
• 公開（公告）號: CN113656919A
• 公開（公告）日: 2021-11-16
• 發明（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

本發明公開了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，包括：基于有限元方法和數值積分方法采集所有測點處的振動信號；基于等長度重疊采樣建立非對稱轉子位移場重構數據庫；基于數據歸一化劃分訓練集和驗證集；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特征提取器和信號生成器；基于均方誤差、Adam算法和學習率階梯下降法訓練模型，獲得最終的重構模型。本發明的重構方法能夠克服傳統方法難以在具有非線性的非對稱轉子系統上進行應用的缺點，適用于任意輸入信號尺寸，且預測速度快，還能克服傳統方法重構誤差隨測點數減小而顯著增加的缺點，是一種非常適合難以布置較多測點的工業現場的方法。

技術領域

本發明屬于旋轉機械運行監測技術領域，具體涉及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。

背景技術

在實際的工業生產中，存在著一類具有非對稱結構的轉子系統，如發電機、電動機、曲軸、風機以及裂紋轉子等。非對稱轉子結構復雜、工作環境惡劣，在長時運行的條件下比對稱轉子更容易發生故障。如果不能及時檢測到故障，輕則會因振動量超過限值引起非計劃停機，重則會造成機組損壞和人員傷亡。健康監測技術對于非對稱轉子振動的檢測和抑制具有重大推進作用，而位移場實時重構技術是健康監測和振動智能控制的關鍵技術。因此，研究非對稱轉子位移場實時重構方法，對于保障非對稱轉子的安全運行、減少重大的經濟損失和避免災難性事故的發生具有十分重要的意義。

非對稱轉子系統的動力學方程具有周期時變參數，是非線性的，因此傳統的位移場重構方法，例如模態拓展法等方法難以在非對稱轉子系統上進行應用。此外，模態拓展法還存在著重構誤差隨著測點數減少而顯著增加的缺點，不符合工業現場難以布置較多測點的實際情況。綜上，亟需開發一種新的非對稱轉子位移場實時重構方法。

發明內容

本發明的目的在于提供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。本發明基于深度學習方法，建立了特征提取器和信號生成器，針對非對稱轉子，以少量測點的位移信號為輸入，以全部節點的位移信號為輸出，以完成非對稱轉子系統的位移場實時重構。

為達到上述目的，本發明采用以下技術方案：

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，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。

本發明進一步的改進在于，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。

本發明進一步的改進在于，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。