CN107066759A - 一种汽轮机转子振动故障诊断方法及装置 - Google Patents

一种汽轮机转子振动故障诊断方法及装置 Download PDF

Info

Publication number
CN107066759A
CN107066759A CN201710333774.XA CN201710333774A CN107066759A CN 107066759 A CN107066759 A CN 107066759A CN 201710333774 A CN201710333774 A CN 201710333774A CN 107066759 A CN107066759 A CN 107066759A
Authority
CN
China
Prior art keywords
fault diagnosis
convolutional neural
neural networks
layer
diagnosis model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710333774.XA
Other languages
English (en)
Other versions
CN107066759B (zh
Inventor
朱霄珣
周沛
苑鸣
苑一鸣
韩中合
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201710333774.XA priority Critical patent/CN107066759B/zh
Publication of CN107066759A publication Critical patent/CN107066759A/zh
Application granted granted Critical
Publication of CN107066759B publication Critical patent/CN107066759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供了一种汽轮机转子振动故障诊断方法及装置，汽轮机转子振动故障诊断方法包括：获取汽轮机转子振动信号；利用卷积神经网络故障诊断模型，对汽轮机转子振动信号进行分类识别，得到故障诊断结果。在本申请中，通过以上方式实现了对汽轮机转子的故障诊断。

Description

一种汽轮机转子振动故障诊断方法及装置
技术领域
本申请涉及汽轮机故障诊断领域，特别涉及一种汽轮机转子振动故障诊断方法及装置。
背景技术
汽轮机是火电厂的核心设备之一。在长期连续高速旋转过程中，汽轮机转子在某些情况下可能出现故障，而汽轮机转子故障程度不同将引起机组振动。异常振动对安全生产构成了重大隐患，并已经造成了一些严重的设备事故。由此可见，汽轮机转子故障诊断是关系到发电厂安全运行的重要课题之一。
其中，由于汽轮机转子振动信号是设备状态信息的载体，蕴含了丰富的设备异常或故障的信息，因此可以通过对汽轮机转子振动信号进行处理来实现汽轮机转子故障诊断。而如何对汽轮机转子振动信号进行处理，来实现汽轮机转子故障诊断成为问题。
发明内容
为解决上述技术问题，本申请实施例提供一种汽轮机转子振动故障诊断方法及装置，以达到实现对汽轮机转子的故障诊断的目的，技术方案如下：
一种汽轮机转子振动故障诊断方法，包括：
获取汽轮机转子振动信号；
利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
优选的，所述卷积神经网络故障诊断模型包括：输入层、n个卷积层、n个下采样层、全连接层和输出层，n为不小于1的整数；
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数；
所述输入层用于将原始的数据信号输入到由二维平面构成的网格中；
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
所述全连接层的输出为：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
优选的，利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果，包括：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数；
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵；
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6；
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2；
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量；
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
优选的，所述卷积神经网络故障诊断模型的训练过程，包括：
实时采集故障汽轮机转子振动信号；
将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数；
确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的期望输出值，表示为
确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为
利用关系式七计算各个所述二维矩阵形式的训练样本的均方差，EN为各个所述二维矩阵形式的训练样本的均方差，∑为求和函数；
利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差，表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数；
利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数；
利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值；
利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值；
对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值；
将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
优选的，所述激活函数为Relu函数。
一种汽轮机转子振动故障诊断装置，包括：
获取模块，用于获取汽轮机转子振动信号；
诊断模块，用于利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
优选的，所述卷积神经网络故障诊断模型包括：输入层、n个卷积层、n个下采样层、全连接层和输出层，n为不小于1的整数；
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数；
所述输入层用于将原始的数据信号输入到由二维平面构成的网格中；
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
所述全连接层的输出为：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
优选的，所述诊断模块具体用于执行以下步骤：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数；
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵；
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6；
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2；
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量；
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
优选的，所述汽轮机转子振动故障诊断装置还包括：训练模块，用于实时采集故障汽轮机转子振动信号；
及，将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数；
及，确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的期望输出值，表示为
及，确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为
及，利用关系式七计算各个所述二维矩阵形式的训练样本的均方差，EN为各个所述二维矩阵形式的训练样本的均方差，Σ为求和函数；
及，利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差，表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数；
及，利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数；
及，利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值；
及，利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值；
及，对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值；
及，将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
优选的，所述激活函数为Relu函数。
与现有技术相比，本申请的有益效果为：
在本申请中，通过获取汽轮机转子振动信号，并利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果，实现汽轮机转子的故障诊断。
进一步的，本申请并未对汽轮机转子振动信号进行特征提取，而是利用卷积神经网络故障诊断模型直接对原始的汽轮机转子振动信号进行分类识别，避免了汽轮机转子振动信号中故障信息的丢失，提高了诊断精度，并且不存在人工特征提取过程，避免造成故障诊断的不确定性，增强了故障诊断的智能性。
以及，由于卷积神经网络作为一种特殊的深层的网路模型，它具有局部感受野和权值共享两大网络特性，能够降低网络模型的复杂度和减少权值的数量，因此利用卷积神经网络故障诊断模型对汽轮机转子振动信号进行分类识别，能够降低故障诊断的计算复杂度，能够满足当前故障大数据分析、诊断的要求。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的汽轮机转子振动故障诊断方法的一种流程图；
图2(a)是不对中故障振动波形；
图2(b)是动静碰摩故障振动波形；
图2(c)是油膜涡动故障振动波形；
图2(d)是不平衡故障振动波形；
图3是本申请提供的卷积神经网络模型的一种结构示意图；
图4是本申请提供的卷积神经网络模型的C层卷积过程示意图；
图5是本申请提供的卷积神经网络模型中下采样层进行下采样的过程示意图；
图6是本申请提供的汽轮机转子振动信号转化为二维矩阵的过程示意图；
图7是本申请提供的汽轮机转子振动故障诊断装置的一种逻辑结构示意图；
图8是本申请提供的汽轮机转子振动故障诊断装置的另一种逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
请参见图1，其示出了本申请提供的汽轮机转子振动故障诊断方法的一种流程图，可以包括以下步骤：
步骤S11：获取汽轮机转子振动信号。
在本实施例中，获取汽轮机转子振动信号即实时监测并采集汽轮机转子的振动信号。
步骤S12：利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
在本申请中，通过获取汽轮机转子振动信号，并利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果，实现汽轮机转子的故障诊断。
进一步的，本申请并未对汽轮机转子振动信号进行特征提取，而是利用卷积神经网络故障诊断模型直接对原始的汽轮机转子振动信号进行分类识别，避免了汽轮机转子振动信号中故障信息的丢失，提高了诊断精度，并且不存在人工特征提取过程，避免造成故障诊断的不确定性，增强了故障诊断的智能性。
以及，由于卷积神经网络作为一种特殊的深层的网路模型，它具有局部感受野和权值共享两大网络特性，能够降低网络模型的复杂度和减少权值的数量，因此利用卷积神经网络故障诊断模型对汽轮机转子振动信号进行分类识别，能够降低故障诊断的计算复杂度，能够满足当前故障大数据分析、诊断的要求。
汽轮机转子振动信号，包含了最为原始且全面的故障信息，这些故障信息会以图像形式蕴含在振动波形中。不同类别的故障就会表现为不同的振动波形，如图2(a)、图2(b)、图2(c)和图2(d)。
如果通过人脑对这些故障波形进行识别，不同故障类别的振动波形有的可以明显得到区分，如油膜涡动、不平衡故障等；有的却可能差别不大，如不对中、碰摩等。由卷积神经网络原理及相关应用分析可以看出，卷积神经网络是目前最接近人脑的智能学习方法，将传统的机器学习转向人脑学习，从而实现了人工智能。它通过模拟具有丰富层次结构的脑神经系统，建立了类似于人脑的分层模型结构，通过局部感知技术，实现了对图像准确识别。从这个思路出发，也可以利用卷积神经网络对振动故障波形进行识别，进而诊断故障。不同的是，振动信号本身就是“数字化图像”，其时间序列信号可以直接作为卷积神经网络的输入。所以，本申请提出了基于卷积神经网络的振动信号故障诊断方法，此方法无需人工特征提取过程，可直接对汽轮机转子振动信号进行识别、诊断。
在本实施例中，首先构建卷积神经网络故障诊断模型，然后利用构建号的卷积神经网络故障诊断模型，对汽轮机转子振动信号进行分类识别，得到故障诊断结果。其中，故障诊断结果至少包括故障的类别和故障信息。
在本实施例中，构建得到的卷积神经网络故障诊断模型包括输入层、n个卷积层、n个下采样层、全连接层和输出层。n为不小于1的整数，其中n的具体数值可以根据需要进行设定。
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数。
(1)输入层用于将原始的数据信号输入到由二维平面构成的网格中。输入层在将原始的数据信号输入到由二维平面构成的网络中后，为之后的特征学习准备。
(2)卷积层(C层，又称为特征提取层)，每个神经元的输入与上一层的局部邻近区域的神经元(局部感受野)相连，提取出该局部区域的数据特征，同时一个二维数据平面网络使用相同的卷积核(权值共享)，降低了网络模型的复杂度，大大提高了网络学习的效率。
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值。
卷积神经网络故障诊断模型的C层卷积过程如图4所示，前一层的输入特征矩阵(n×n)与可学习的卷积核(k×k)进行二维卷积，卷积后的数据经激活函数后得到本层的输出特征矩阵(m×m)，步长为t，前三者矩阵之间的维度满足输出矩阵的个数根据卷积核的个数决定。
(3)下采样层(S层，又称为特征映射层)，它将经过卷积层提取的数据特征进行下采样，使其数据特征有缩放不变性。
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值。
如图5所示。下采样层一般使用池化(pooling)技术将小邻域内进行下采样得到新的特征。通过对上层池化。特征效果可以使得参数减少(降低了特征维数)，且增强特征使得最后的特征表达保持了某些不变性(旋转、平移、伸缩等)，常用的有均值采样(Mean-pooling)、最大采样(Max-pooling)和随机采样(Stochastic-pooling)等。
均值采样(Mean-pooling)即对领域内特征点求平均值，最大采样(Max-pooling)即对领域内特征点取最大值，随机采样(Stochastic-pooling)只需对特征矩阵中得到元素按照其概率值大小随机选择，即元素值大的被选中的概率也大。
(4)全连接层，将所有经过卷积、下采样过程的二维数据特征拼接成一维的数据特征作为全连接层的输入。
所述全连接层的输出为：u1＝ω1x1+b1，其中，x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数。
(5)输出层，对卷积神经网络故障诊断模型提取出的特征向量进行分类识别，输出模型的分类结果。需根据问题选择合适的分类方法，常用的分类方法有多项式逻辑回归、Softmax分类器、支持向量机等。
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
例如，图3示出的卷积神经网络故障诊断模型包括两个卷积层和两个下采样层。
在本实施例中，可以采用反向传播算法对上述卷积神经网络故障诊断模型进行训练，得到训练后的卷积神经网络故障诊断模型。反向传播算法是神经网络有监督学习中的一种常用方法，其目标是根据训练样本的输出来估计网络参数。主要的优化参数有：卷基层中卷积核参数k、下采样层中权重系数β、全连接层中的权重系数ω以及各层的偏置值b等。通过计算实际输出Ol与理想输出Yl的差异El，推导出一个网络参数的学习规则，使得网络中的实际输出值更加接近理想输出值。
对上述卷积神经网络故障诊断模型进行训练的过程具体为：
步骤A11：实时采集故障汽轮机转子振动信号。
步骤A12：将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数.
步骤A13：确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的期望输出值，表示为
步骤A14：确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为
确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的实际输出值采用的是前向传播算法。前向传播算法即输入信号通过前一节中一个或多个网络层之间传递信号，然后在输出层得到输出的过程。
步骤A15：利用关系式七计算各个所述二维矩阵形式的训练样本的均方差，EN为各个所述二维矩阵形式的训练样本的均方差，∑为求和函数。
步骤A16：利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差，表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数。
步骤A17：利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数。
步骤A18：利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值。
步骤A19：利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值。
步骤A110：对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值。
对所述关系式七至所述关系式十五进行迭代，重复更新卷积神经网络故障诊断模型中的权重系数和偏置值，直到得到卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值。。
步骤A111：将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
在经过上述训练过程，得到卷积神经网络故障诊断模型后，可以利用得到的卷积神经网络故障诊断模型，对汽轮机转子振动信号进行分类识别，得到故障诊断结果，具体过程为：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数。
所述汽轮机转子振动信号为一维的振动信号，因此需要将汽轮机转子振动信号转化为二维矩阵。如，将长度为n的一维的振动信号xi(t)(i∈[1,N])转化为m×m的二维矩阵Xi(t)，转化过程及结果可以参见图6。
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值。
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵。
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值。
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6。
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2。
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量。
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数。
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
在本实施例中，上述卷积神经网络故障诊断模型中的激活函数具体可以但不局限于为：Relu函数。
其中，上述卷积神经网络故障诊断模型中的激活函数优选为Relu函数的原因在于：
样本在卷积神经网络中经过卷积之后，得到的特征需按照一定的原则进行筛选，筛选原则通常采用饱和非线性激活函数进行非线性变换，以避免线性模型表达能力不够的问题。
对于一个数据样本集(x(i)，y(i))，通过神经网络算法建立一个拟合样本数据模型hW,b(x)，其中W，b为参数。假设有一个神经元，有n个输入样本为x1，x2，…，xn，其中b为偏置项，这个单个神经元的输出结果为：
其中f就是这个神经元的激活函数，常见的激活函数有Sigmoid函数，Tanh函数，Relu函数。
Sigmoid：
Tanh：
Relu：
R＝max(0,y)(9)
从网络训练速度来分析，Relu函数相对于其他函数具有如下特点：
(1)Relu函数得到的SGD的收敛速度比Sigmoid或Tanh函数快很多，而且梯度不会饱和，因此在进行网络训练时，训练速度也比传统的方法快很多。
(2)Sigmoid或Tanh函数需要计算指数等，计算复杂度高，Relu函数只需要一个阈值就可以得到激活值。
从网络精度来看，Dayan等通过拟合函数，发现生物神经元输入电信号与激活频率之间的函数图像具有的不对称与对称性，不对称区域出现了一段很突兀的“0”，这与主流的Sigmoid函数有很大区别，而与Relu函数比较相似。
从上述分析可以发现，Relu函数在网络训练时间、训练精度上相对于另外两种主流具有一定的优势。为了验证上述结论的同时进一步优化卷积神经网络模型，本文通过采用非线性函数Relu的卷积神经网络模型与其他激活函数进行了对比实验，如表1所示，表1示出了不同激活函数下诊断精度与训练时间。
表1
通过实验可知：卷积神经网络模型采用非线性函数Relu作为激活函数在维持原诊断模型诊断精度的同时缩短了样本的训练时间，提高了模型的诊断效率。
在本实施例中，汽轮机转子振动故障诊断方法的优势在于：
(1)将汽轮机转子振动信号作为卷积神经网络故障诊断模型的输入，无需人工特征选择，避免了特征提取的主观性，相对于传统特征提取的故障诊断，诊断精度得到了提高；
(2)激活函数对汽轮机转子振动故障诊断方法的精度及训练时间具有影响，通过分析比较，Relu函数相对于Sigmoid函数、Tanh函数等激活函数，降低了网络的复杂度，减少了卷积神经网络模型的训练时间，同时提高了卷积神经网络故障诊断模型的诊断精度，更适合作为卷积神经网络故障诊断模型的激活函数；
(3)卷积神经网络由于能够自动提取出隐式数据特征，同时其网络内部采用权值共享技术，降低了整个网络的计算复杂度，因而，卷积神经网络相对于SVM、DBN、RBM等机器学习方法，具有更高的诊断精度和更少的计算复杂度。
在本实施例中，可以通过实验研究的方式来验证汽轮机转子振动故障诊断方法的优势，实验研究如下：
实验基于Bently-RK4转子振动实验台，获取汽轮机转子动静碰磨(rubbing)、不平衡(imbalance)、不对中(misalignment)、油膜涡动(whirl)四种故障各400组(1024个振动数据为一组)振动数据，将每组数据重构为32×32的矩阵样本。其中300组为训练样本，100组为测试样本。
在卷积神经网络结构方面，对于卷积神经网络结构主要区别在于网络层数、节点数、卷积核大小等。本文选用的卷积神经网络包含2个卷积层(C1、C3)和2个下采样层(S2、S4)。C1层含有6个卷积核，卷积核的大小是5×5，实验证明这样的网络结构设置能够更好的提取出振动信号的特征。C3包含有12个5×5的卷积核。S2、S4采用均值采样，大小为2×2。网络中的传递函数采用Relu函数。
在卷积神经网络参数方面，为了提高卷积神经网络的诊断精度，本文采用GA对卷积神经网络中的学习率、训练次数、训练尺寸进行了优化计算。通过计算得到最优参数，见表2示出的卷积神经网络超参数。
表2
基于该模型，对四种故障分别取100组测试样本进行诊断，诊断精度见表3。
表3
根据实验研究该模型的诊断精度可达到95.3％，表明本文提出的诊断系统具有较高的可靠性。
同时，为了对比研究本文方法相对于其他方法的性能优势，本文选取另外三种方法作为对比方法：对比方法1，基于SVM的传统诊断方法，并将振动信号的频谱特征作为模型输入；对比方法2，基于DBN(深度置信神经网络)的深度学习诊断方法；对比方法3，基于RBN(递归神经网络)的深度学习诊断方法。对本文方法与对比方法的诊断结果在训练时间与诊断精度两方面进行了对比研究，见表4。
表4
通过本实验验证了本文提出的基于卷积神经网络的汽轮机转子振动信号故障诊断的可行性，同时通过对比可以看出卷积神经网络故障诊断模型相对于传统诊断方法以及其他的深度学习方法在诊断精度提高的同时训练时间得到了改善。
实施例二
与上述方法实施例相对应，本实施例提供了一种汽轮机转子振动故障诊断装置，请参见图7，汽轮机转子振动故障诊断装置包括：获取模块11和诊断模块12。
获取模块11，用于获取汽轮机转子振动信号。
诊断模块12，用于利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
所述卷积神经网络故障诊断模型包括：输入层、n个卷积层、n个下采样层、全连接层和输出层，n为不小于1的整数；
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数；
所述输入层用于将原始的数据信号输入到由二维平面构成的网格中；
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
所述全连接层的输出为：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
在本实施例中，诊断模块12具体用于执行以下步骤：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数；
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵；
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6；
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2；
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量；
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
在本实施例中，图7示出的汽轮机转子振动故障诊断装置还包括：训练模块13，如图8所示。
训练模块13，用于实时采集故障汽轮机转子振动信号；
及，将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数；
及，确定各个所述二维矩阵形式的训练样本输入至卷积神经网络故障诊断模型后对应的期望输出值，表示为
及，确定各个所述二维矩阵形式的训练样本输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为
及，利用关系式七计算各个所述二维矩阵形式的训练样本的均方差，EN为各个所述二维矩阵形式的训练样本的均方差，∑为求和函数；
及，利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数；
及，利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数；
及，利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值；
及，利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值；
及，对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值；
及，将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
在本实施例中，上述激活函数为Relu函数。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种汽轮机转子振动故障诊断方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种汽轮机转子振动故障诊断方法，其特征在于，包括：
获取汽轮机转子振动信号；
利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络故障诊断模型包括：输入层、n个卷积层、n个下采样层、全连接层和输出层，n为不小于1的整数；
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数；
所述输入层用于将原始的数据信号输入到由二维平面构成的网格中；
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；xi l-1是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；Wij l是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；bj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；uj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
所述全连接层的输出为：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
3.根据权利要求2所述的方法，其特征在于，利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果，包括：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数；
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；xi l-1是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；Wij l是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；bj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；uj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵；
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6；
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2；
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量；
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
4.根据权利要求2所述的方法，其特征在于，所述卷积神经网络故障诊断模型的训练过程，包括：
实时采集故障汽轮机转子振动信号；
将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为xj l，xj l为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数；
确定各个所述二维矩阵形式的训练样本xj l输入至所述卷积神经网络故障诊断模型后对应的期望输出值，表示为oj l；
确定各个所述二维矩阵形式的训练样本xj l输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为yj l；
利用关系式七计算各个所述二维矩阵形式的训练样本xj l的均方差，EN为各个所述二维矩阵形式的训练样本xj l的均方差，∑为求和函数；
利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差，表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数；
利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数；
利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值；
利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值；
对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值；
将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
5.根据权利要求2至4任意一项所述的方法，其特征在于，所述激活函数为Relu函数。
6.一种汽轮机转子振动故障诊断装置，其特征在于，包括：
获取模块，用于获取汽轮机转子振动信号；
诊断模块，用于利用卷积神经网络故障诊断模型，对所述汽轮机转子振动信号进行分类识别，得到故障诊断结果。
7.根据权利要求6所述的装置，其特征在于，所述卷积神经网络故障诊断模型包括：输入层、n个卷积层、n个下采样层、全连接层和输出层，n为不小于1的整数；
第1个卷积层分别与所述输入层和第1个下采样层相连，第i个卷积层分别与第i-1个下采样层和第i个下采样层相连，第n个下采样层与所述全连接层相连，所述全连接层与所述输出层相连，i为大于1且不大于n的整数；
所述输入层用于将原始的数据信号输入到由二维平面构成的网格中；
各个所述卷积层的输入为：各个所述卷积层的输出为：
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；xi l-1是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；Wij l是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；bj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；uj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
各个所述下采样层的输入为：各个所述下采样层的输出为：
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
所述全连接层的输出为：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述全连接层的前一层输出的特征矩阵转换为一维数据，得到的一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
所述输出层用于对所述全连接层输出的特征向量进行分类识别，得到故障诊断结果。
8.根据权利要求7所述的装置，其特征在于，所述诊断模块具体用于执行以下步骤：
步骤1：将所述汽轮机转子振动信号转化为m×m大小的二维矩阵，并将转化得到的m×m大小的二维矩阵输入至所述卷积神经网络故障诊断模型的输入层，得到输入层的输出特征矩阵，m为大于1的整数；
步骤2：利用关系式一对所述卷积神经网络故障诊断模型的第l层的上一层的输出特征矩阵进行二维卷积运算，得到卷积后的数据，并利用关系式二对所述卷积后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l层的输出特征矩阵；
其中，l为不小于1的整数，所述卷积神经网络故障诊断模型的第l层为卷积层，Ri表示输入数据信号的集合；xi l-1是所述卷积神经网络故障诊断模型的第l-1层的第i个特征平面的激活值；Wij l是所述卷积神经网络故障诊断模型的第l层第j个特征平面与第(l-1)层第i个特征平面的卷积核；bj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的偏置值；uj l是所述卷积神经网络故障诊断模型的第l层的第j个特征平面的加权和，f()表示激活函数，“*”是卷积符号，是所述卷积神经网络故障诊断模型的第l层第j个特征平面的激活值；
步骤3：利用关系式三对第l+1层的上一层的输出特征矩阵进行下采样，得到下采样后的数据，并利用关系式四对所述下采样后的数据进行激活，得到所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵；
其中，第l+1层为下采样层，所述卷积神经网络故障诊断模型的第l+1层的第j通道的净激活，是所述卷积神经网络故障诊断模型的第l+1层的权重系数，是所述卷积神经网络故障诊断模型的第l+1层的偏置项，down()是下采样函数，f()表示激活函数，是所述卷积神经网络故障诊断模型的第l+1层第j个特征平面的激活值；
步骤4：判断所述l+1是否等于预设值，若所述l+1不等于预设值，则执行步骤5，若所述l+1等于预设值，则执行步骤6；
步骤5：将所述l+1加1，得到l+2，并将l+2赋值给l，返回执行步骤2；
步骤6：将所述卷积神经网络故障诊断模型的第l+1层的输出特征矩阵转换成一维数据特征作为所述卷积神经网络故障诊断模型的全连接层的输入，并利用关系式五u1＝ω1x1+b1计算所述卷积神经网络故障诊断模型的全连接层的净激活值，并利用关系式x'＝f(u1)计算所述卷积神经网络故障诊断模型的全连接层的激活值，将计算得到的卷积神经网络故障诊断模型的全连接层的激活值作为输出特征向量；
其中，ω1是所述卷积神经网络故障诊断模型的全连接层的权重系数，b1是所述卷积神经网络故障诊断模型的全连接层的偏置值，x1是所述一维数据特征，u1是所述卷积神经网络故障诊断模型的全连接层的净激活值，x'是所述卷积神经网络故障诊断模型的全连接层的激活值，f()表示激活函数；
步骤7：所述卷积神经网络故障诊断模型的输出层对所述输出特征向量进行分类识别，得到故障诊断结果。
9.根据权利要求7所述的装置，其特征在于，所述汽轮机转子振动故障诊断装置还包括：训练模块，用于实时采集故障汽轮机转子振动信号；
及，将实时采集到的各个故障汽轮机转子振动信号分别转化为二维矩阵形式的训练样本，表示为xj l，xj l为第j个二维矩阵形式的训练样本，j∈{1,2,3,...,N}，N为大于1的整数；
及，确定各个所述二维矩阵形式的训练样本xj l输入至所述卷积神经网络故障诊断模型后对应的期望输出值，表示为oj l；
及，确定各个所述二维矩阵形式的训练样本xj l输入至所述卷积神经网络故障诊断模型后对应的实际输出值，表示为yj l；
及，利用关系式七计算各个所述二维矩阵形式的训练样本xj l的均方差，EN为各个所述二维矩阵形式的训练样本xj l的均方差，∑为求和函数；
及，利用关系式八计算所述卷积神经网络故障诊断模型的输出层的反馈传递误差，并利用关系式九计算所述卷积神经网络故障诊断模型的各个卷积层的反馈传递误差，并利用关系式十计算所述卷积神经网络故障诊断模型的各个下采样层的反馈传递误差；
其中，1n×n是一个元素为1的矩阵，代表克罗内克积，表示矩阵或向量对应的元素相乘，是第j层的权重系数，是第j层的反馈传递误差，表示为卷基层l的第j个特征平面的净激活值，f'()是激活函数；
及，利用关系式十一计算所述卷积神经网络故障诊断模型中各层的权重系数的偏导数，并利用关系式十二计算所述卷积神经网络故障诊断模型中各层的偏置值的偏导数，Wl为第l层的权重系数；
及，利用关系式十三计算所述卷积神经网络故障诊断模型中各层的权重系数的更新值，并利用关系式十四Wl＝Wl+ΔW对所述卷积神经网络故障诊断模型中各层的权重系数进行更新，-η为负的学习率，ΔWl为所述卷积神经网络故障诊断模型中各层的权重系数的更新值；
及，利用关系式十五计算所述卷积神经网络故障诊断模型中各层的偏置值的更新值，并利用关系式十六bl＝bl+Δb对所述卷积神经网络故障诊断模型中各层的偏置值进行更新，Δbl为所述卷积神经网络故障诊断模型中各层的偏置值的更新值；
及，对所述关系式七至所述关系式十五进行迭代，得到所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值；
及，将得到的所述卷积神经网络故障诊断模型中各层的最优权重系数和最优偏置值对应的卷积神经网络故障诊断模型作为所述卷积神经网络故障诊断模型。
10.根据权利要求7-9任意一项所述的装置，其特征在于，所述激活函数为Relu函数。
CN201710333774.XA 2017-05-12 2017-05-12 一种汽轮机转子振动故障诊断方法及装置 Active CN107066759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710333774.XA CN107066759B (zh) 2017-05-12 2017-05-12 一种汽轮机转子振动故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710333774.XA CN107066759B (zh) 2017-05-12 2017-05-12 一种汽轮机转子振动故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN107066759A true CN107066759A (zh) 2017-08-18
CN107066759B CN107066759B (zh) 2020-12-01

Family

ID=59596747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710333774.XA Active CN107066759B (zh) 2017-05-12 2017-05-12 一种汽轮机转子振动故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN107066759B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334948A (zh) * 2018-02-09 2018-07-27 武汉理工大学 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN109001557A (zh) * 2018-06-11 2018-12-14 西北工业大学 一种基于随机卷积神经网络的飞机机电系统故障识别方法
CN109141847A (zh) * 2018-07-20 2019-01-04 上海工程技术大学 一种基于mscnn深度学习的飞机系统故障诊断方法
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109949264A (zh) * 2017-12-20 2019-06-28 深圳先进技术研究院 一种图像质量评价方法、设备及存储设备
CN110139315A (zh) * 2019-04-26 2019-08-16 东南大学 一种基于自我学习的无线网络故障检测方法
WO2019166397A1 (en) * 2018-02-28 2019-09-06 Robert Bosch Gmbh Intelligent audio analytic apparatus (iaaa) and method for space system
CN110579354A (zh) * 2019-10-16 2019-12-17 西安交通大学 一种基于卷积神经网络的轴承检测方法
CN111323228A (zh) * 2020-03-20 2020-06-23 广东技术师范大学 一种基于时间序列映射与卷积神经网络的故障诊断方法
CN111461298A (zh) * 2020-03-26 2020-07-28 广西电网有限责任公司电力科学研究院 一种用于断路器故障识别的卷积神经网络及方法
CN111678679A (zh) * 2020-05-06 2020-09-18 内蒙古电力(集团)有限责任公司电力调度控制分公司 一种基于pca-bpnn的断路器故障诊断方法
CN111707458A (zh) * 2020-05-18 2020-09-25 西安交通大学 一种基于深度学习信号重构的转子监测方法
CN112197968A (zh) * 2020-09-29 2021-01-08 上海电力大学 基于置信规则库的汽轮机转子动静碰摩故障智能诊断方法
CN113011558A (zh) * 2021-02-25 2021-06-22 山东大学 基于多异构传感器信息融合的机器人故障诊断方法及系统
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113624466A (zh) * 2021-07-08 2021-11-09 中南民族大学 汽轮机转子故障诊断方法、装置、设备及存储介质
CN113685235A (zh) * 2021-08-23 2021-11-23 华能威海发电有限责任公司 一种汽轮发电机组的故障确定方法及系统
CN115013298A (zh) * 2022-06-22 2022-09-06 浙江石水泵业科技有限公司 污水泵的实时性能在线监测系统及其监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN106570467A (zh) * 2016-10-25 2017-04-19 南京南瑞集团公司 一种基于卷积神经网络的人员离岗检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056595A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN106570467A (zh) * 2016-10-25 2017-04-19 南京南瑞集团公司 一种基于卷积神经网络的人员离岗检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁平 等: "基于ARMA 及神经网络的汽轮机振动故障诊断研究", 《热能动力工程》 *
袁建虎 等: "基于小波时频图和 CNN 的滚动轴承智能故障诊断方法", 《机械设计与研究》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949264A (zh) * 2017-12-20 2019-06-28 深圳先进技术研究院 一种图像质量评价方法、设备及存储设备
CN108334948A (zh) * 2018-02-09 2018-07-27 武汉理工大学 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN111742274B (zh) * 2018-02-28 2024-04-30 罗伯特·博世有限公司 用于空间系统的智能音频分析装置（iaaa）和方法
WO2019166397A1 (en) * 2018-02-28 2019-09-06 Robert Bosch Gmbh Intelligent audio analytic apparatus (iaaa) and method for space system
US11947863B2 (en) 2018-02-28 2024-04-02 Robert Bosch Gmbh Intelligent audio analytic apparatus (IAAA) and method for space system
CN111742274A (zh) * 2018-02-28 2020-10-02 罗伯特·博世有限公司 用于空间系统的智能音频分析装置（iaaa）和方法
CN109001557A (zh) * 2018-06-11 2018-12-14 西北工业大学 一种基于随机卷积神经网络的飞机机电系统故障识别方法
CN109141847B (zh) * 2018-07-20 2020-06-05 上海工程技术大学 一种基于mscnn深度学习的飞机系统故障诊断方法
CN109141847A (zh) * 2018-07-20 2019-01-04 上海工程技术大学 一种基于mscnn深度学习的飞机系统故障诊断方法
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109446187B (zh) * 2018-10-16 2021-01-15 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN110139315A (zh) * 2019-04-26 2019-08-16 东南大学 一种基于自我学习的无线网络故障检测方法
CN110139315B (zh) * 2019-04-26 2021-09-28 东南大学 一种基于自我学习的无线网络故障检测方法
CN110579354A (zh) * 2019-10-16 2019-12-17 西安交通大学 一种基于卷积神经网络的轴承检测方法
CN111323228A (zh) * 2020-03-20 2020-06-23 广东技术师范大学 一种基于时间序列映射与卷积神经网络的故障诊断方法
CN111461298A (zh) * 2020-03-26 2020-07-28 广西电网有限责任公司电力科学研究院 一种用于断路器故障识别的卷积神经网络及方法
CN111678679A (zh) * 2020-05-06 2020-09-18 内蒙古电力(集团)有限责任公司电力调度控制分公司 一种基于pca-bpnn的断路器故障诊断方法
CN111707458A (zh) * 2020-05-18 2020-09-25 西安交通大学 一种基于深度学习信号重构的转子监测方法
CN112197968A (zh) * 2020-09-29 2021-01-08 上海电力大学 基于置信规则库的汽轮机转子动静碰摩故障智能诊断方法
CN113011558A (zh) * 2021-02-25 2021-06-22 山东大学 基于多异构传感器信息融合的机器人故障诊断方法及系统
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113624466A (zh) * 2021-07-08 2021-11-09 中南民族大学 汽轮机转子故障诊断方法、装置、设备及存储介质
CN113624466B (zh) * 2021-07-08 2023-10-03 中南民族大学 汽轮机转子故障诊断方法、装置、设备及存储介质
CN113685235A (zh) * 2021-08-23 2021-11-23 华能威海发电有限责任公司 一种汽轮发电机组的故障确定方法及系统
CN115013298A (zh) * 2022-06-22 2022-09-06 浙江石水泵业科技有限公司 污水泵的实时性能在线监测系统及其监测方法

Also Published As

Publication number Publication date
CN107066759B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN107066759A (zh) 一种汽轮机转子振动故障诊断方法及装置
He et al. Improved deep transfer auto-encoder for fault diagnosis of gearbox under variable working conditions with small training samples
Shao et al. A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance
CN106555788B (zh) 基于模糊处理的深度学习在液压装备故障诊断中的应用
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
He et al. Deep transfer multi-wavelet auto-encoder for intelligent fault diagnosis of gearbox with few target training samples
Gao et al. Semi-supervised graph convolutional network and its application in intelligent fault diagnosis of rotating machinery
Zhao et al. Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
CN105910827B (zh) 基于判别性卷积特征学习的感应电机故障诊断方法
Li et al. A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery
CN104155596B (zh) 一种基于随机森林的模拟电路故障诊断系统
CN105095963B (zh) 一种精确诊断与预测风洞设备故障的方法
CN109918752A (zh) 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN108830127A (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN106447039A (zh) 基于自编码神经网络的无监督特征提取方法
CN112859822B (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN110414383A (zh) 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用
CN108510153A (zh) 一种多工况旋转机械故障诊断方法
CN109035488A (zh) 基于cnn特征提取的航空发动机时间序列异常检测方法
CN106779069A (zh) 一种基于神经网络的异常用电检测方法
CN111678696A (zh) 基于联邦学习的机械智能故障诊断方法
CN110334764A (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
CN108537259A (zh) 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法
CN108152059A (zh) 基于多传感器数据融合的高速列车转向架故障检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant