[发明专利]一种汽轮机转子振动故障诊断方法及装置

权利要求书

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；

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，R_i表示输入数据信号的集合；x_i^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；W_ij^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；b_j^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；u_j^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；

所述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，R_i表示输入数据信号的集合；x_i^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；W_ij^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；b_j^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；u_j^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。