[发明专利]基于递归图和深度卷积网络的压气机振动故障检测法

权利要求书

1.基于递归图和深度卷积网络的压气机振动故障检测法，其特征在于，包含如下步骤：

步骤1，建立数据库：收集压气机气动失稳数据，通过添加不同信噪比的高斯白噪声和滑动窗口方法截取足够的气动失稳不同模式的失稳数据：包括失稳前的正常数据和失稳发生时的故障数据；

步骤2、一维振动故障数据转化二维递归图：

针对数据库中的每组数据，运用相空间重构及可视化方法将一维振动故障数据转换成二维递归图，构造二维递归图数据库；

步骤3、图像数据预处理：

对二维递归图数据库中的二维递归图进行尺寸缩放、归一化处理和标准化处理；并将所有处理后的二维递归图划分正常信号和故障信号两类，每类按4：1划分训练集和测试集；

步骤4、基于深度卷积神经网络的故障特征提取；

选取深度卷积神经网络Inception V3模型，采用迁移学习保持模型特征提取环节不变，直接对数据库中二维递归图训练集进行学习来提取故障特征；一维化的故障特征向量可表示为：X＝[X₁,X₂,···,X_i]，其中i是特征向量个数，X是全局特征向量，并作为全连接层的输入；

步骤5、构造三层全连接神经网络进行故障检测；

将提取的故障特征，输入神经网络结构对故障特征进行分类，然后通过数据库中的测试集数据进行测试，获取分类准确度较高的神经网络模型并保存；最后利用保存的神经网络模型，对新的试验数据进行故障检测；

步骤2所述的相空间重构及其可视化方法实现包括：

(1)相空间重构：通过使用关联积分同时估计延迟时间和嵌入维数的C-C方法，重构一个与时序序列u_k,k＝1,2,…,N所表示的动态系统在拓扑意义下一样的相空间：

x_i＝(u_i,u_i+τ,···,u_i+(m-1)τ)，i＝1,2,···,N-(m-1)τ

其中，m是嵌入维数，τ是延迟时间；

(2)可视化：构造以i为横坐标和j为纵坐标的直角坐标系，分别计算两组向量之间和的距离R(i,j)＝||x_i-x_j||,i＝1,2,···,N-(m-1)τ，j＝1,2,···,N-(m-1)τ；并在直角坐标系上以对应的能量显示来获取递归图；

由R(i,j)＝R(j,i)和R(i,j)＝1,i＝j可知，该递归图是关于主对角线对称的；且直接采用两个向量的距离进行可视化。

2.根据权利要求1所述的基于递归图和深度卷积网络的压气机振动故障检测法，其特征在于步骤4所述的迁移学习具体是指：将Inception V3模型全连接网络层之前的网络层视作为瓶颈层，冻结其在大规模源域训练过的全部权重参数，迁移到小规模目标域中，利用冻结的模型提取故障特征。

3.根据权利要求1所述的基于递归图和深度卷积网络的压气机振动故障检测法，其特征在于步骤5所述的构造三层全连接神经网络，具体步骤如下：

(1)构建输入层，并采用relu激活，以设定的概率Dropout丢弃部分网络节点，防止过拟合；

(2)构建隐含层，并采用relu激活；

(3)构建输出层，并采用softmax分类；

(4)选取适当的学习参数和优化算法进行全连接神经网络模型训练。

4.根据权利要求3所述的基于递归图和深度卷积网络的压气机振动故障检测法，其特征在于步骤5所述的故障检测策略为：将一组时序失稳数据通过滑动窗口不断进行截取并分别生成相应的按照时间序列排列的二维递归图，通过已训练好的深度卷积神经网络模型进行特征提取和故障分类；具体为：当随时间排列的某一个二维递归图分类为故障类别时，则认为此阶段故障发生；通过该二维递归图与之前的二维递归图的平均间隔时间作为故障发生时刻。