[发明专利]一种基于深度卷积神经网络的非对称转子位移场重构方法

权利要求书

1.一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，包括以下步骤：

1)基于有限元方法，建立非对称转子系统的动力学方程，通过数值积分方法获得转子全部节点处的初始振动位移信号；

2)对初始振动位移信号进行等长度裁剪，将全部节点的信号和少量测点的信号分别处理为标签和输入信号，建立非对称转子位移场重构数据库；

3)对非对称转子位移场重构数据库进行归一化处理，形成样本集，并按照设定比例将样本集分为训练集和验证集；

4)基于卷积神经网络、双三次插值上采样和全连接神经网络，建立适用于任意输入信号尺寸的，用于非对称转子位移场重构的，特征提取器和信号生成器，令输入信号先后通过特征提取和信号生成器，获得输出信号，并基于输出信号定义网络的残差；

5)通过训练完成梯度的反向传递，获得最终的特征提取器和信号生成器，形成非对称转子位移场实时重构模型。

2.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤1)中，采用拉丁超立方采样对非对称转子系统的故障参数进行采样，获得多种不同故障参数下的振动位移信号。

3.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，采用重叠采样方法，对数据进行扩容，扩容过程中保证重叠采样后的样本长度是相等的。

4.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤3)中，采用最大值最小值归一化方法将所有样本映射到0到1之间，处理的公式为X＝(X-min(X))/(max(X)-min(X))，其中X表示全部节点或少量测点的输入信号；将80％的样本处理为训练集(X_less,t,X_all,t)，将另外20％的样本处理为验证集和验证集(X_less,v,X_all,v)。

5.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤4)中，考虑到测点个数远远小于时间步数，特征提取器由一个双三次插值上采样层、多个一维卷积神经网络和一个全连接神经网络构成；为了增加网络的深度，每隔两个一维卷积神经网络才进行一次最大池化；经过多个一维卷积后，当时间维度的长度变为1时，停止一维卷积操作，通过全连接神经网络将一维卷积神经网络的输出映射为特征向量，为防止特征提取器丢失特征，特征向量的维度不小于位移场重构问题的独立变量个数。

6.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤4)中，信号生成器由一个全连接神经网络、多个二维卷积神经网络和多个双三次插值上采样层构成；特征提取器输出的特征向量经过一个全连接神经网络，变为一维的长向量，经过维度变换，变为二维矩阵；二维矩阵经过尺寸不变的二维卷积神经网络和放大系数为二的双三次插值上采样层变为尺寸扩大两倍的二维矩阵；经过多个二维卷积神经网络和双三次插值上采样层后，最后通过一个二维卷积神经网络和定尺寸的双三次插值上采样层，使得最终输出的二维矩阵大小等于全部节点的信号的矩阵尺寸。

7.根据权利要求6所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤4)中，为了防止网络退化问题，在信号生成器中，每次完成二维卷积神经网络和双三次插值上采样层后，采用残差连接。

8.根据权利要求1所述的一种基于深度卷积神经网络的非对称转子位移场重构方法，其特征在于，步骤5)中，选择误差为均方误差，选择优化算法为Adam算法，初始学习率为0.001，网络的学习率会在训练过程中进行阶梯下降，当误差连续多次没有更新时，停止迭代，计算收敛。