基于CNN的旋转叶片缺陷诊断方法

作者：张继旺; 王雪莉; 谢海博; 丁克勤

来源：油气储运, 2020, 39(12): 1367-1372.

• 旋转叶片
• 卷积神经网络
• 欠采样
• 缺陷诊断

为解决叶尖定时技术中因信号严重欠采样导致的旋转叶片缺陷诊断困难的问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的旋转叶片缺陷诊断方法。将欠采样的叶尖定时信号直接进行快速傅里叶变换,得到叶片实际振动频率的差频信号,再将该差频信号直接作为一维CNN模型的输入信号,通过优化网络结构及参数,自动挖掘能够表征旋转叶片状态的敏感特征并用于模型训练,进而得到适用于旋转叶片缺陷判别的诊断模型。最后通过旋转叶片振动试验验证了该方法的可行性。结果表明:基于CNN的旋转叶片缺陷诊断方法能够突破叶尖定时信号因欠采样带来的分析难题,平均诊断准确率达到89%,为旋转叶片的缺陷诊断提供了新思路。(图6,表3,参23)

• 单位
  中国特种设备检测研究院