[发明专利]一种基于深度学习的旋转机械轴心轨迹识别方法

权利要求书

1.一种基于深度学习的旋转机械轴心轨迹识别方法，其特征在于，包括如下步骤：

（1）采集旋转机械在故障下的轴心轨迹数据，轴心轨迹数据至少包括轴心轨迹图和对应的形状标签，得到所述轴心轨迹图与形状标签后，形成故障样本库；所述轴心轨迹数据包括来自于安装在轴承水平方向的传感器和/或安装在轴承垂直方向的传感器；

（2）对故障样本库中的轴心轨迹图进行数据增强，然后基于深度神经网络构建轴心轨迹识别模型；所述数据增强的操作至少包括旋转、缩放、裁剪、翻转、仿射变换和/或加噪声；

（3）实时采集旋转机械运行时的轴心轨迹数据，形成实时的轴心轨迹图，基于构建得到的轴心轨迹识别模型进行对比诊断，在线确定轴心轨迹形状，进而确定故障类型。

2.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于，步骤（2）中，基于深度神经网络构建轴心轨迹识别模型的步骤至少包括：将数据增强后的轴心轨迹图和形状标签作为深度神经网络计算模型的训练集，然后不断迭代计算并动态调整神经元之间的权值以及神经元的阈值，得到最优的神经网络权值与阈值，以构建轴心轨迹识别模型。

3.根据权利要求2所述旋转机械轴心轨迹识别方法，其特征在于：所述深度神经网络包括多路卷积子网络与分类识别网络。

4.根据权利要求3所述旋转机械轴心轨迹识别方法，其特征在于：所述多路卷积子网络，对输入轴心轨迹图采用不同大小的卷积核进行特征提取，以利于抽取轴心轨迹图像的局部特征和全局特征，最后将各路卷积得到的特征进行通道拼接，形成更厚的特征图。

5.根据权利要求3所述旋转机械轴心轨迹识别方法，其特征在于：所述分类识别网络基于LeNet网络，由卷积层、池化层、卷积层、池化层、全连接网络以及分类函数SoftMax组成。

6.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：步骤（3）中，所述在线确定轴心轨迹形状的步骤为：根据实时采集旋转机械运行时的轴心轨迹数据，生成当前运行状态下的轴心轨迹图，然后输入至轴心轨迹识别模型进行计算，即可得到对应的轴心轨迹形状。

7.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：所述轴心轨迹识别方法还包括：对轴心轨迹识别模型进行优化，即将实时得到的轴心轨迹图和人工判别结果加入到故障样本库，重新训练轴心轨迹识别模型，从而持续优化神经网络权值与阈值。

8.根据权利要求1所述旋转机械轴心轨迹识别方法，其特征在于：所述轴心轨迹识别方法适用于轴心轨迹识别的转子、联轴器及其它旋转机械的故障诊断。