科研之友
微信
新浪微博
Facebook
分享链接
摘要
燃气轮机结构复杂，工况严苛，实际针对运行过程中转子系统故障样本难以获取，样本量少导致故障诊断精度低的问题，提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入，将数据重新排列组合模拟转换二维图像，有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断，取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域，燃气轮机转子故障数据集为目标域，利用迁移学习将从源域训练得到的模型参数保留，输入目标域数据集进行训练，并对燃气轮机故障数据进行分类，分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要，可以在转子系统故障样本量少的情况下解决问题。
-
单位机电工程学院; 北京信息科技大学
