本申請(qǐng)涉及汽輪機(jī)故障診斷領(lǐng)域，特別涉及一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法及裝置。

背景技術(shù)：

汽輪機(jī)是火電廠的核心設(shè)備之一。在長(zhǎng)期連續(xù)高速旋轉(zhuǎn)過程中，汽輪機(jī)轉(zhuǎn)子在某些情況下可能出現(xiàn)故障，而汽輪機(jī)轉(zhuǎn)子故障程度不同將引起機(jī)組振動(dòng)。異常振動(dòng)對(duì)安全生產(chǎn)構(gòu)成了重大隱患，并已經(jīng)造成了一些嚴(yán)重的設(shè)備事故。由此可見，汽輪機(jī)轉(zhuǎn)子故障診斷是關(guān)系到發(fā)電廠安全運(yùn)行的重要課題之一。

其中，由于汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)是設(shè)備狀態(tài)信息的載體，蘊(yùn)含了豐富的設(shè)備異?；蚬收系男畔?，因此可以通過對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行處理來實(shí)現(xiàn)汽輪機(jī)轉(zhuǎn)子故障診斷。而如何對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行處理，來實(shí)現(xiàn)汽輪機(jī)轉(zhuǎn)子故障診斷成為問題。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本申請(qǐng)實(shí)施例提供一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法及裝置，以達(dá)到實(shí)現(xiàn)對(duì)汽輪機(jī)轉(zhuǎn)子的故障診斷的目的，技術(shù)方案如下：

一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法，包括：

獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括：輸入層、n個(gè)卷積層、n個(gè)下采樣層、全連接層和輸出層，n為不小于1的整數(shù)；

第1個(gè)卷積層分別與所述輸入層和第1個(gè)下采樣層相連，第i個(gè)卷積層分別與第i-1個(gè)下采樣層和第i個(gè)下采樣層相連，第n個(gè)下采樣層與所述全連接層相連，所述全連接層與所述輸出層相連，i為大于1且不大于n的整數(shù)；

所述輸入層用于將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)格中；

各個(gè)所述卷積層的輸入為：各個(gè)所述卷積層的輸出為：

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

各個(gè)所述下采樣層的輸入為：各個(gè)所述下采樣層的輸出為：

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

所述全連接層的輸出為：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述全連接層的前一層輸出的特征矩陣轉(zhuǎn)換為一維數(shù)據(jù)，得到的一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

所述輸出層用于對(duì)所述全連接層輸出的特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果，包括：

步驟1：將所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為m×m大小的二維矩陣，并將轉(zhuǎn)化得到的m×m大小的二維矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入層，得到輸入層的輸出特征矩陣，m為大于1的整數(shù)；

步驟2：利用關(guān)系式一對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的上一層的輸出特征矩陣進(jìn)行二維卷積運(yùn)算，得到卷積后的數(shù)據(jù)，并利用關(guān)系式二對(duì)所述卷積后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的輸出特征矩陣；

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

步驟3：利用關(guān)系式三對(duì)第l+1層的上一層的輸出特征矩陣進(jìn)行下采樣，得到下采樣后的數(shù)據(jù)，并利用關(guān)系式四對(duì)所述下采樣后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣；

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

步驟4：判斷所述l+1是否等于預(yù)設(shè)值，若所述l+1不等于預(yù)設(shè)值，則執(zhí)行步驟5，若所述l+1等于預(yù)設(shè)值，則執(zhí)行步驟6；

步驟5：將所述l+1加1，得到l+2，并將l+2賦值給l，返回執(zhí)行步驟2；

步驟6：將所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣轉(zhuǎn)換成一維數(shù)據(jù)特征作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的輸入，并利用關(guān)系式五u1＝ω1x1+b1計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，并利用關(guān)系式x'＝f(u1)計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，將計(jì)算得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值作為輸出特征向量；

其中，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

步驟7：所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層對(duì)所述輸出特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的訓(xùn)練過程，包括：

實(shí)時(shí)采集故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

將實(shí)時(shí)采集到的各個(gè)故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)分別轉(zhuǎn)化為二維矩陣形式的訓(xùn)練樣本，表示為為第j個(gè)二維矩陣形式的訓(xùn)練樣本，j∈{1,2,3,...,n}，n為大于1的整數(shù)；

確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的期望輸出值，表示為

確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的實(shí)際輸出值，表示為

利用關(guān)系式七計(jì)算各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，en為各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，∑為求和函數(shù)；

利用關(guān)系式八計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層的反饋傳遞誤差，并利用關(guān)系式九計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)卷積層的反饋傳遞誤差，并利用關(guān)系式十計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)下采樣層的反饋傳遞誤差；

其中，1n×n是一個(gè)元素為1的矩陣，代表克羅內(nèi)克積，表示矩陣或向量對(duì)應(yīng)的元素相乘，是第j層的權(quán)重系數(shù)，是第j層的反饋傳遞誤差，表示為卷基層l的第j個(gè)特征平面的凈激活值，f'()是激活函數(shù)；

利用關(guān)系式十一計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的偏導(dǎo)數(shù)，并利用關(guān)系式十二計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的偏導(dǎo)數(shù)，w^l為第l層的權(quán)重系數(shù)；

利用關(guān)系式十三計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值，并利用關(guān)系式十四w^l＝w^l+δw對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)進(jìn)行更新，-η為負(fù)的學(xué)習(xí)率，δw^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值；

利用關(guān)系式十五計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值，并利用關(guān)系式十六b^l＝b^l+δb對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值進(jìn)行更新，δb^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值；

對(duì)所述關(guān)系式七至所述關(guān)系式十五進(jìn)行迭代，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值；

將得到的所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。

優(yōu)選的，所述激活函數(shù)為relu函數(shù)。

一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置，包括：

獲取模塊，用于獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

診斷模塊，用于利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括：輸入層、n個(gè)卷積層、n個(gè)下采樣層、全連接層和輸出層，n為不小于1的整數(shù)；

第1個(gè)卷積層分別與所述輸入層和第1個(gè)下采樣層相連，第i個(gè)卷積層分別與第i-1個(gè)下采樣層和第i個(gè)下采樣層相連，第n個(gè)下采樣層與所述全連接層相連，所述全連接層與所述輸出層相連，i為大于1且不大于n的整數(shù)；

所述輸入層用于將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)格中；

各個(gè)所述卷積層的輸入為：各個(gè)所述卷積層的輸出為：

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

各個(gè)所述下采樣層的輸入為：各個(gè)所述下采樣層的輸出為：

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

所述全連接層的輸出為：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述全連接層的前一層輸出的特征矩陣轉(zhuǎn)換為一維數(shù)據(jù)，得到的一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

所述輸出層用于對(duì)所述全連接層輸出的特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，所述診斷模塊具體用于執(zhí)行以下步驟：

步驟1：將所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為m×m大小的二維矩陣，并將轉(zhuǎn)化得到的m×m大小的二維矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入層，得到輸入層的輸出特征矩陣，m為大于1的整數(shù)；

步驟2：利用關(guān)系式一對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的上一層的輸出特征矩陣進(jìn)行二維卷積運(yùn)算，得到卷積后的數(shù)據(jù)，并利用關(guān)系式二對(duì)所述卷積后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的輸出特征矩陣；

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

步驟3：利用關(guān)系式三對(duì)第l+1層的上一層的輸出特征矩陣進(jìn)行下采樣，得到下采樣后的數(shù)據(jù)，并利用關(guān)系式四對(duì)所述下采樣后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣；

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

步驟4：判斷所述l+1是否等于預(yù)設(shè)值，若所述l+1不等于預(yù)設(shè)值，則執(zhí)行步驟5，若所述l+1等于預(yù)設(shè)值，則執(zhí)行步驟6；

步驟5：將所述l+1加1，得到l+2，并將l+2賦值給l，返回執(zhí)行步驟2；

步驟6：將所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣轉(zhuǎn)換成一維數(shù)據(jù)特征作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的輸入，并利用關(guān)系式五u1＝ω1x1+b1計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，并利用關(guān)系式x'＝f(u1)計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，將計(jì)算得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值作為輸出特征向量；

其中，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

步驟7：所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層對(duì)所述輸出特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

優(yōu)選的，所述汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置還包括：訓(xùn)練模塊，用于實(shí)時(shí)采集故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

及，將實(shí)時(shí)采集到的各個(gè)故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)分別轉(zhuǎn)化為二維矩陣形式的訓(xùn)練樣本，表示為為第j個(gè)二維矩陣形式的訓(xùn)練樣本，j∈{1,2,3,...,n}，n為大于1的整數(shù)；

及，確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的期望輸出值，表示為

及，確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的實(shí)際輸出值，表示為

及，利用關(guān)系式七計(jì)算各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，en為各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，σ為求和函數(shù)；

及，利用關(guān)系式八計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層的反饋傳遞誤差，并利用關(guān)系式九計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)卷積層的反饋傳遞誤差，并利用關(guān)系式十計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)下采樣層的反饋傳遞誤差；

其中，1n×n是一個(gè)元素為1的矩陣，代表克羅內(nèi)克積，表示矩陣或向量對(duì)應(yīng)的元素相乘，是第j層的權(quán)重系數(shù)，是第j層的反饋傳遞誤差，表示為卷基層l的第j個(gè)特征平面的凈激活值，f'()是激活函數(shù)；

及，利用關(guān)系式十一計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的偏導(dǎo)數(shù)，并利用關(guān)系式十二計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的偏導(dǎo)數(shù)，w^l為第l層的權(quán)重系數(shù)；

及，利用關(guān)系式十三計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值，并利用關(guān)系式十四w^l＝w^l+δw對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)進(jìn)行更新，-η為負(fù)的學(xué)習(xí)率，δw^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值；

及，利用關(guān)系式十五計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值，并利用關(guān)系式十六b^l＝b^l+δb對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值進(jìn)行更新，δb^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值；

及，對(duì)所述關(guān)系式七至所述關(guān)系式十五進(jìn)行迭代，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值；

及，將得到的所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。

優(yōu)選的，所述激活函數(shù)為relu函數(shù)。

與現(xiàn)有技術(shù)相比，本申請(qǐng)的有益效果為：

在本申請(qǐng)中，通過獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)，并利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果，實(shí)現(xiàn)汽輪機(jī)轉(zhuǎn)子的故障診斷。

進(jìn)一步的，本申請(qǐng)并未對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行特征提取，而是利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型直接對(duì)原始的汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，避免了汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)中故障信息的丟失，提高了診斷精度，并且不存在人工特征提取過程，避免造成故障診斷的不確定性，增強(qiáng)了故障診斷的智能性。

以及，由于卷積神經(jīng)網(wǎng)絡(luò)作為一種特殊的深層的網(wǎng)路模型，它具有局部感受野和權(quán)值共享兩大網(wǎng)絡(luò)特性，能夠降低網(wǎng)絡(luò)模型的復(fù)雜度和減少權(quán)值的數(shù)量，因此利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，能夠降低故障診斷的計(jì)算復(fù)雜度，能夠滿足當(dāng)前故障大數(shù)據(jù)分析、診斷的要求。

附圖說明

為了更清楚地說明本申請(qǐng)實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本申請(qǐng)?zhí)峁┑钠啓C(jī)轉(zhuǎn)子振動(dòng)故障診斷方法的一種流程圖；

圖2(a)是不對(duì)中故障振動(dòng)波形；

圖2(b)是動(dòng)靜碰摩故障振動(dòng)波形；

圖2(c)是油膜渦動(dòng)故障振動(dòng)波形；

圖2(d)是不平衡故障振動(dòng)波形；

圖3是本申請(qǐng)?zhí)峁┑木矸e神經(jīng)網(wǎng)絡(luò)模型的一種結(jié)構(gòu)示意圖；

圖4是本申請(qǐng)?zhí)峁┑木矸e神經(jīng)網(wǎng)絡(luò)模型的c層卷積過程示意圖；

圖5是本申請(qǐng)?zhí)峁┑木矸e神經(jīng)網(wǎng)絡(luò)模型中下采樣層進(jìn)行下采樣的過程示意圖；

圖6是本申請(qǐng)?zhí)峁┑钠啓C(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為二維矩陣的過程示意圖；

圖7是本申請(qǐng)?zhí)峁┑钠啓C(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置的一種邏輯結(jié)構(gòu)示意圖；

圖8是本申請(qǐng)?zhí)峁┑钠啓C(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置的另一種邏輯結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。

實(shí)施例一

請(qǐng)參見圖1，其示出了本申請(qǐng)?zhí)峁┑钠啓C(jī)轉(zhuǎn)子振動(dòng)故障診斷方法的一種流程圖，可以包括以下步驟：

步驟s11：獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)。

在本實(shí)施例中，獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)即實(shí)時(shí)監(jiān)測(cè)并采集汽輪機(jī)轉(zhuǎn)子的振動(dòng)信號(hào)。

步驟s12：利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

在本申請(qǐng)中，通過獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)，并利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果，實(shí)現(xiàn)汽輪機(jī)轉(zhuǎn)子的故障診斷。

進(jìn)一步的，本申請(qǐng)并未對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行特征提取，而是利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型直接對(duì)原始的汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，避免了汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)中故障信息的丟失，提高了診斷精度，并且不存在人工特征提取過程，避免造成故障診斷的不確定性，增強(qiáng)了故障診斷的智能性。

以及，由于卷積神經(jīng)網(wǎng)絡(luò)作為一種特殊的深層的網(wǎng)路模型，它具有局部感受野和權(quán)值共享兩大網(wǎng)絡(luò)特性，能夠降低網(wǎng)絡(luò)模型的復(fù)雜度和減少權(quán)值的數(shù)量，因此利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，能夠降低故障診斷的計(jì)算復(fù)雜度，能夠滿足當(dāng)前故障大數(shù)據(jù)分析、診斷的要求。

汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)，包含了最為原始且全面的故障信息，這些故障信息會(huì)以圖像形式蘊(yùn)含在振動(dòng)波形中。不同類別的故障就會(huì)表現(xiàn)為不同的振動(dòng)波形，如圖2(a)、圖2(b)、圖2(c)和圖2(d)。

如果通過人腦對(duì)這些故障波形進(jìn)行識(shí)別，不同故障類別的振動(dòng)波形有的可以明顯得到區(qū)分，如油膜渦動(dòng)、不平衡故障等；有的卻可能差別不大，如不對(duì)中、碰摩等。由卷積神經(jīng)網(wǎng)絡(luò)原理及相關(guān)應(yīng)用分析可以看出，卷積神經(jīng)網(wǎng)絡(luò)是目前最接近人腦的智能學(xué)習(xí)方法，將傳統(tǒng)的機(jī)器學(xué)習(xí)轉(zhuǎn)向人腦學(xué)習(xí)，從而實(shí)現(xiàn)了人工智能。它通過模擬具有豐富層次結(jié)構(gòu)的腦神經(jīng)系統(tǒng)，建立了類似于人腦的分層模型結(jié)構(gòu)，通過局部感知技術(shù)，實(shí)現(xiàn)了對(duì)圖像準(zhǔn)確識(shí)別。從這個(gè)思路出發(fā)，也可以利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)振動(dòng)故障波形進(jìn)行識(shí)別，進(jìn)而診斷故障。不同的是，振動(dòng)信號(hào)本身就是“數(shù)字化圖像”，其時(shí)間序列信號(hào)可以直接作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。所以，本申請(qǐng)?zhí)岢隽嘶诰矸e神經(jīng)網(wǎng)絡(luò)的振動(dòng)信號(hào)故障診斷方法，此方法無需人工特征提取過程，可直接對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行識(shí)別、診斷。

在本實(shí)施例中，首先構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，然后利用構(gòu)建號(hào)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。其中，故障診斷結(jié)果至少包括故障的類別和故障信息。

在本實(shí)施例中，構(gòu)建得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括輸入層、n個(gè)卷積層、n個(gè)下采樣層、全連接層和輸出層。n為不小于1的整數(shù)，其中n的具體數(shù)值可以根據(jù)需要進(jìn)行設(shè)定。

第1個(gè)卷積層分別與所述輸入層和第1個(gè)下采樣層相連，第i個(gè)卷積層分別與第i-1個(gè)下采樣層和第i個(gè)下采樣層相連，第n個(gè)下采樣層與所述全連接層相連，所述全連接層與所述輸出層相連，i為大于1且不大于n的整數(shù)。

(1)輸入層用于將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)格中。輸入層在將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)絡(luò)中后，為之后的特征學(xué)習(xí)準(zhǔn)備。

(2)卷積層(c層，又稱為特征提取層)，每個(gè)神經(jīng)元的輸入與上一層的局部鄰近區(qū)域的神經(jīng)元(局部感受野)相連，提取出該局部區(qū)域的數(shù)據(jù)特征，同時(shí)一個(gè)二維數(shù)據(jù)平面網(wǎng)絡(luò)使用相同的卷積核(權(quán)值共享)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，大大提高了網(wǎng)絡(luò)學(xué)習(xí)的效率。

各個(gè)所述卷積層的輸入為：各個(gè)所述卷積層的輸出為：

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值。

卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的c層卷積過程如圖4所示，前一層的輸入特征矩陣(n×n)與可學(xué)習(xí)的卷積核(k×k)進(jìn)行二維卷積，卷積后的數(shù)據(jù)經(jīng)激活函數(shù)后得到本層的輸出特征矩陣(m×m)，步長(zhǎng)為t，前三者矩陣之間的維度滿足輸出矩陣的個(gè)數(shù)根據(jù)卷積核的個(gè)數(shù)決定。

(3)下采樣層(s層，又稱為特征映射層)，它將經(jīng)過卷積層提取的數(shù)據(jù)特征進(jìn)行下采樣，使其數(shù)據(jù)特征有縮放不變性。

各個(gè)所述下采樣層的輸入為：各個(gè)所述下采樣層的輸出為：

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值。

如圖5所示。下采樣層一般使用池化(pooling)技術(shù)將小鄰域內(nèi)進(jìn)行下采樣得到新的特征。通過對(duì)上層池化。特征效果可以使得參數(shù)減少(降低了特征維數(shù))，且增強(qiáng)特征使得最后的特征表達(dá)保持了某些不變性(旋轉(zhuǎn)、平移、伸縮等)，常用的有均值采樣(mean-pooling)、最大采樣(max-pooling)和隨機(jī)采樣(stochastic-pooling)等。

均值采樣(mean-pooling)即對(duì)領(lǐng)域內(nèi)特征點(diǎn)求平均值，最大采樣(max-pooling)即對(duì)領(lǐng)域內(nèi)特征點(diǎn)取最大值，隨機(jī)采樣(stochastic-pooling)只需對(duì)特征矩陣中得到元素按照其概率值大小隨機(jī)選擇，即元素值大的被選中的概率也大。

(4)全連接層，將所有經(jīng)過卷積、下采樣過程的二維數(shù)據(jù)特征拼接成一維的數(shù)據(jù)特征作為全連接層的輸入。

所述全連接層的輸出為：u1＝ω1x1+b1，其中，x'＝f(u1)，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述全連接層的前一層輸出的特征矩陣轉(zhuǎn)換為一維數(shù)據(jù)，得到的一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)。

(5)輸出層，對(duì)卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型提取出的特征向量進(jìn)行分類識(shí)別，輸出模型的分類結(jié)果。需根據(jù)問題選擇合適的分類方法，常用的分類方法有多項(xiàng)式邏輯回歸、softmax分類器、支持向量機(jī)等。

所述輸出層用于對(duì)所述全連接層輸出的特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

例如，圖3示出的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括兩個(gè)卷積層和兩個(gè)下采樣層。

在本實(shí)施例中，可以采用反向傳播算法對(duì)上述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。反向傳播算法是神經(jīng)網(wǎng)絡(luò)有監(jiān)督學(xué)習(xí)中的一種常用方法，其目標(biāo)是根據(jù)訓(xùn)練樣本的輸出來估計(jì)網(wǎng)絡(luò)參數(shù)。主要的優(yōu)化參數(shù)有：卷基層中卷積核參數(shù)k、下采樣層中權(quán)重系數(shù)β、全連接層中的權(quán)重系數(shù)ω以及各層的偏置值b等。通過計(jì)算實(shí)際輸出o^l與理想輸出y^l的差異e^l，推導(dǎo)出一個(gè)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)規(guī)則，使得網(wǎng)絡(luò)中的實(shí)際輸出值更加接近理想輸出值。

對(duì)上述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型進(jìn)行訓(xùn)練的過程具體為：

步驟a11：實(shí)時(shí)采集故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)。

步驟a12：將實(shí)時(shí)采集到的各個(gè)故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)分別轉(zhuǎn)化為二維矩陣形式的訓(xùn)練樣本，表示為為第j個(gè)二維矩陣形式的訓(xùn)練樣本，j∈{1,2,3,...,n}，n為大于1的整數(shù).

步驟a13：確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的期望輸出值，表示為

步驟a14：確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的實(shí)際輸出值，表示為

確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的實(shí)際輸出值采用的是前向傳播算法。前向傳播算法即輸入信號(hào)通過前一節(jié)中一個(gè)或多個(gè)網(wǎng)絡(luò)層之間傳遞信號(hào)，然后在輸出層得到輸出的過程。

步驟a15：利用關(guān)系式七計(jì)算各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，en為各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，∑為求和函數(shù)。

步驟a16：利用關(guān)系式八計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層的反饋傳遞誤差，并利用關(guān)系式九計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)卷積層的反饋傳遞誤差，并利用關(guān)系式十計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)下采樣層的反饋傳遞誤差；

其中，1n×n是一個(gè)元素為1的矩陣，代表克羅內(nèi)克積，表示矩陣或向量對(duì)應(yīng)的元素相乘，是第j層的權(quán)重系數(shù)，是第j層的反饋傳遞誤差，表示為卷基層l的第j個(gè)特征平面的凈激活值，f'()是激活函數(shù)。

步驟a17：利用關(guān)系式十一計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的偏導(dǎo)數(shù)，并利用關(guān)系式十二計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的偏導(dǎo)數(shù)，w^l為第l層的權(quán)重系數(shù)。

步驟a18：利用關(guān)系式十三計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值，并利用關(guān)系式十四w^l＝w^l+δw對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)進(jìn)行更新，-η為負(fù)的學(xué)習(xí)率，δw^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值。

步驟a19：利用關(guān)系式十五計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值，并利用關(guān)系式十六b^l＝b^l+δb對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值進(jìn)行更新，δb^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值。

步驟a110：對(duì)所述關(guān)系式七至所述關(guān)系式十五進(jìn)行迭代，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值。

對(duì)所述關(guān)系式七至所述關(guān)系式十五進(jìn)行迭代，重復(fù)更新卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中的權(quán)重系數(shù)和偏置值，直到得到卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值。。

步驟a111：將得到的所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。

在經(jīng)過上述訓(xùn)練過程，得到卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后，可以利用得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果，具體過程為：

步驟1：將所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為m×m大小的二維矩陣，并將轉(zhuǎn)化得到的m×m大小的二維矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入層，得到輸入層的輸出特征矩陣，m為大于1的整數(shù)。

所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)為一維的振動(dòng)信號(hào)，因此需要將汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為二維矩陣。如，將長(zhǎng)度為n的一維的振動(dòng)信號(hào)xi(t)(i∈[1,n])轉(zhuǎn)化為m×m的二維矩陣xi(t)，轉(zhuǎn)化過程及結(jié)果可以參見圖6。

步驟2：利用關(guān)系式一對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的上一層的輸出特征矩陣進(jìn)行二維卷積運(yùn)算，得到卷積后的數(shù)據(jù)，并利用關(guān)系式二對(duì)所述卷積后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的輸出特征矩陣；

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值。

步驟3：利用關(guān)系式三對(duì)第l+1層的上一層的輸出特征矩陣進(jìn)行下采樣，得到下采樣后的數(shù)據(jù)，并利用關(guān)系式四對(duì)所述下采樣后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣。

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值。

步驟4：判斷所述l+1是否等于預(yù)設(shè)值，若所述l+1不等于預(yù)設(shè)值，則執(zhí)行步驟5，若所述l+1等于預(yù)設(shè)值，則執(zhí)行步驟6。

步驟5：將所述l+1加1，得到l+2，并將l+2賦值給l，返回執(zhí)行步驟2。

步驟6：將所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣轉(zhuǎn)換成一維數(shù)據(jù)特征作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的輸入，并利用關(guān)系式五u1＝ω1x1+b1計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，并利用關(guān)系式x'＝f(u1)計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，將計(jì)算得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值作為輸出特征向量。

其中，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)。

步驟7：所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層對(duì)所述輸出特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

在本實(shí)施例中，上述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中的激活函數(shù)具體可以但不局限于為：relu函數(shù)。

其中，上述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中的激活函數(shù)優(yōu)選為relu函數(shù)的原因在于：

樣本在卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)過卷積之后，得到的特征需按照一定的原則進(jìn)行篩選，篩選原則通常采用飽和非線性激活函數(shù)進(jìn)行非線性變換，以避免線性模型表達(dá)能力不夠的問題。

對(duì)于一個(gè)數(shù)據(jù)樣本集(x(i)，y(i))，通過神經(jīng)網(wǎng)絡(luò)算法建立一個(gè)擬合樣本數(shù)據(jù)模型hw,b(x)，其中w，b為參數(shù)。假設(shè)有一個(gè)神經(jīng)元，有n個(gè)輸入樣本為x1，x2，…，xn，其中b為偏置項(xiàng)，這個(gè)單個(gè)神經(jīng)元的輸出結(jié)果為：

其中f就是這個(gè)神經(jīng)元的激活函數(shù)，常見的激活函數(shù)有sigmoid函數(shù)，tanh函數(shù)，relu函數(shù)。

sigmoid：

tanh：

relu：

r＝max(0,y)(9)

從網(wǎng)絡(luò)訓(xùn)練速度來分析，relu函數(shù)相對(duì)于其他函數(shù)具有如下特點(diǎn)：

(1)relu函數(shù)得到的sgd的收斂速度比sigmoid或tanh函數(shù)快很多，而且梯度不會(huì)飽和，因此在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，訓(xùn)練速度也比傳統(tǒng)的方法快很多。

(2)sigmoid或tanh函數(shù)需要計(jì)算指數(shù)等，計(jì)算復(fù)雜度高，relu函數(shù)只需要一個(gè)閾值就可以得到激活值。

從網(wǎng)絡(luò)精度來看，dayan等通過擬合函數(shù)，發(fā)現(xiàn)生物神經(jīng)元輸入電信號(hào)與激活頻率之間的函數(shù)圖像具有的不對(duì)稱與對(duì)稱性，不對(duì)稱區(qū)域出現(xiàn)了一段很突兀的“0”，這與主流的sigmoid函數(shù)有很大區(qū)別，而與relu函數(shù)比較相似。

從上述分析可以發(fā)現(xiàn)，relu函數(shù)在網(wǎng)絡(luò)訓(xùn)練時(shí)間、訓(xùn)練精度上相對(duì)于另外兩種主流具有一定的優(yōu)勢(shì)。為了驗(yàn)證上述結(jié)論的同時(shí)進(jìn)一步優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，本文通過采用非線性函數(shù)relu的卷積神經(jīng)網(wǎng)絡(luò)模型與其他激活函數(shù)進(jìn)行了對(duì)比實(shí)驗(yàn)，如表1所示，表1示出了不同激活函數(shù)下診斷精度與訓(xùn)練時(shí)間。

表1

通過實(shí)驗(yàn)可知：卷積神經(jīng)網(wǎng)絡(luò)模型采用非線性函數(shù)relu作為激活函數(shù)在維持原診斷模型診斷精度的同時(shí)縮短了樣本的訓(xùn)練時(shí)間，提高了模型的診斷效率。

在本實(shí)施例中，汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法的優(yōu)勢(shì)在于：

(1)將汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)作為卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入，無需人工特征選擇，避免了特征提取的主觀性，相對(duì)于傳統(tǒng)特征提取的故障診斷，診斷精度得到了提高；

(2)激活函數(shù)對(duì)汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法的精度及訓(xùn)練時(shí)間具有影響，通過分析比較，relu函數(shù)相對(duì)于sigmoid函數(shù)、tanh函數(shù)等激活函數(shù)，降低了網(wǎng)絡(luò)的復(fù)雜度，減少了卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，同時(shí)提高了卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的診斷精度，更適合作為卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的激活函數(shù)；

(3)卷積神經(jīng)網(wǎng)絡(luò)由于能夠自動(dòng)提取出隱式數(shù)據(jù)特征，同時(shí)其網(wǎng)絡(luò)內(nèi)部采用權(quán)值共享技術(shù)，降低了整個(gè)網(wǎng)絡(luò)的計(jì)算復(fù)雜度，因而，卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于svm、dbn、rbm等機(jī)器學(xué)習(xí)方法，具有更高的診斷精度和更少的計(jì)算復(fù)雜度。

在本實(shí)施例中，可以通過實(shí)驗(yàn)研究的方式來驗(yàn)證汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法的優(yōu)勢(shì)，實(shí)驗(yàn)研究如下：

實(shí)驗(yàn)基于bently-rk4轉(zhuǎn)子振動(dòng)實(shí)驗(yàn)臺(tái)，獲取汽輪機(jī)轉(zhuǎn)子動(dòng)靜碰磨(rubbing)、不平衡(imbalance)、不對(duì)中(misalignment)、油膜渦動(dòng)(whirl)四種故障各400組(1024個(gè)振動(dòng)數(shù)據(jù)為一組)振動(dòng)數(shù)據(jù)，將每組數(shù)據(jù)重構(gòu)為32×32的矩陣樣本。其中300組為訓(xùn)練樣本，100組為測(cè)試樣本。

在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)方面，對(duì)于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要區(qū)別在于網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)數(shù)、卷積核大小等。本文選用的卷積神經(jīng)網(wǎng)絡(luò)包含2個(gè)卷積層(c1、c3)和2個(gè)下采樣層(s2、s4)。c1層含有6個(gè)卷積核，卷積核的大小是5×5，實(shí)驗(yàn)證明這樣的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置能夠更好的提取出振動(dòng)信號(hào)的特征。c3包含有12個(gè)5×5的卷積核。s2、s4采用均值采樣，大小為2×2。網(wǎng)絡(luò)中的傳遞函數(shù)采用relu函數(shù)。

在卷積神經(jīng)網(wǎng)絡(luò)參數(shù)方面，為了提高卷積神經(jīng)網(wǎng)絡(luò)的診斷精度，本文采用ga對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)率、訓(xùn)練次數(shù)、訓(xùn)練尺寸進(jìn)行了優(yōu)化計(jì)算。通過計(jì)算得到最優(yōu)參數(shù)，見表2示出的卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)。

表2

基于該模型，對(duì)四種故障分別取100組測(cè)試樣本進(jìn)行診斷，診斷精度見表3。

表3

根據(jù)實(shí)驗(yàn)研究該模型的診斷精度可達(dá)到95.3％，表明本文提出的診斷系統(tǒng)具有較高的可靠性。

同時(shí)，為了對(duì)比研究本文方法相對(duì)于其他方法的性能優(yōu)勢(shì)，本文選取另外三種方法作為對(duì)比方法：對(duì)比方法1，基于svm的傳統(tǒng)診斷方法，并將振動(dòng)信號(hào)的頻譜特征作為模型輸入；對(duì)比方法2，基于dbn(深度置信神經(jīng)網(wǎng)絡(luò))的深度學(xué)習(xí)診斷方法；對(duì)比方法3，基于rbn(遞歸神經(jīng)網(wǎng)絡(luò))的深度學(xué)習(xí)診斷方法。對(duì)本文方法與對(duì)比方法的診斷結(jié)果在訓(xùn)練時(shí)間與診斷精度兩方面進(jìn)行了對(duì)比研究，見表4。

表4

通過本實(shí)驗(yàn)驗(yàn)證了本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)故障診斷的可行性，同時(shí)通過對(duì)比可以看出卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型相對(duì)于傳統(tǒng)診斷方法以及其他的深度學(xué)習(xí)方法在診斷精度提高的同時(shí)訓(xùn)練時(shí)間得到了改善。

實(shí)施例二

與上述方法實(shí)施例相對(duì)應(yīng)，本實(shí)施例提供了一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置，請(qǐng)參見圖7，汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置包括：獲取模塊11和診斷模塊12。

獲取模塊11，用于獲取汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)。

診斷模塊12，用于利用卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型包括：輸入層、n個(gè)卷積層、n個(gè)下采樣層、全連接層和輸出層，n為不小于1的整數(shù)；

第1個(gè)卷積層分別與所述輸入層和第1個(gè)下采樣層相連，第i個(gè)卷積層分別與第i-1個(gè)下采樣層和第i個(gè)下采樣層相連，第n個(gè)下采樣層與所述全連接層相連，所述全連接層與所述輸出層相連，i為大于1且不大于n的整數(shù)；

所述輸入層用于將原始的數(shù)據(jù)信號(hào)輸入到由二維平面構(gòu)成的網(wǎng)格中；

各個(gè)所述卷積層的輸入為：各個(gè)所述卷積層的輸出為：

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

各個(gè)所述下采樣層的輸入為：各個(gè)所述下采樣層的輸出為：

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

所述全連接層的輸出為：u1＝ω1x1+b1，其中x'＝f(u1)，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述全連接層的前一層輸出的特征矩陣轉(zhuǎn)換為一維數(shù)據(jù)，得到的一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

所述輸出層用于對(duì)所述全連接層輸出的特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

在本實(shí)施例中，診斷模塊12具體用于執(zhí)行以下步驟：

步驟1：將所述汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)轉(zhuǎn)化為m×m大小的二維矩陣，并將轉(zhuǎn)化得到的m×m大小的二維矩陣輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸入層，得到輸入層的輸出特征矩陣，m為大于1的整數(shù)；

步驟2：利用關(guān)系式一對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的上一層的輸出特征矩陣進(jìn)行二維卷積運(yùn)算，得到卷積后的數(shù)據(jù)，并利用關(guān)系式二對(duì)所述卷積后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的輸出特征矩陣；

其中，l為不小于1的整數(shù)，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層為卷積層，ri表示輸入數(shù)據(jù)信號(hào)的集合；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l-1層的第i個(gè)特征平面的激活值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面與第(l-1)層第i個(gè)特征平面的卷積核；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的偏置值；是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層的第j個(gè)特征平面的加權(quán)和，f()表示激活函數(shù)，“*”是卷積符號(hào)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l層第j個(gè)特征平面的激活值；

步驟3：利用關(guān)系式三對(duì)第l+1層的上一層的輸出特征矩陣進(jìn)行下采樣，得到下采樣后的數(shù)據(jù)，并利用關(guān)系式四對(duì)所述下采樣后的數(shù)據(jù)進(jìn)行激活，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣；

其中，第l+1層為下采樣層，所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的第j通道的凈激活，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的權(quán)重系數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的偏置項(xiàng)，down()是下采樣函數(shù)，f()表示激活函數(shù)，是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層第j個(gè)特征平面的激活值；

步驟4：判斷所述l+1是否等于預(yù)設(shè)值，若所述l+1不等于預(yù)設(shè)值，則執(zhí)行步驟5，若所述l+1等于預(yù)設(shè)值，則執(zhí)行步驟6；

步驟5：將所述l+1加1，得到l+2，并將l+2賦值給l，返回執(zhí)行步驟2；

步驟6：將所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的第l+1層的輸出特征矩陣轉(zhuǎn)換成一維數(shù)據(jù)特征作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的輸入，并利用關(guān)系式五u1＝ω1x1+b1計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，并利用關(guān)系式x'＝f(u1)計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，將計(jì)算得到的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值作為輸出特征向量；

其中，ω1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的權(quán)重系數(shù)，b1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的偏置值，x1是所述一維數(shù)據(jù)特征，u1是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的凈激活值，x'是所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的全連接層的激活值，f()表示激活函數(shù)；

步驟7：所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層對(duì)所述輸出特征向量進(jìn)行分類識(shí)別，得到故障診斷結(jié)果。

在本實(shí)施例中，圖7示出的汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷裝置還包括：訓(xùn)練模塊13，如圖8所示。

訓(xùn)練模塊13，用于實(shí)時(shí)采集故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)；

及，將實(shí)時(shí)采集到的各個(gè)故障汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)分別轉(zhuǎn)化為二維矩陣形式的訓(xùn)練樣本，表示為為第j個(gè)二維矩陣形式的訓(xùn)練樣本，j∈{1,2,3,...,n}，n為大于1的整數(shù)；

及，確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的期望輸出值，表示為

及，確定各個(gè)所述二維矩陣形式的訓(xùn)練樣本輸入至所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型后對(duì)應(yīng)的實(shí)際輸出值，表示為

及，利用關(guān)系式七計(jì)算各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，en為各個(gè)所述二維矩陣形式的訓(xùn)練樣本的均方差，∑為求和函數(shù)；

及，利用關(guān)系式八計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的輸出層的反饋傳遞誤差，并利用關(guān)系式九計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)卷積層的反饋傳遞誤差，并利用關(guān)系式十計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型的各個(gè)下采樣層的反饋傳遞誤差；

其中，1n×n是一個(gè)元素為1的矩陣，代表克羅內(nèi)克積，表示矩陣或向量對(duì)應(yīng)的元素相乘，是第j層的權(quán)重系數(shù)，是第j層的反饋傳遞誤差表示為卷基層l的第j個(gè)特征平面的凈激活值，f'()是激活函數(shù)；

及，利用關(guān)系式十一計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的偏導(dǎo)數(shù)，并利用關(guān)系式十二計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的偏導(dǎo)數(shù)，w^l為第l層的權(quán)重系數(shù)；

及，利用關(guān)系式十三計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值，并利用關(guān)系式十四w^l＝w^l+δw對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)進(jìn)行更新，-η為負(fù)的學(xué)習(xí)率，δw^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的權(quán)重系數(shù)的更新值；

及，利用關(guān)系式十五計(jì)算所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值，并利用關(guān)系式十六b^l＝b^l+δb對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值進(jìn)行更新，δb^l為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的偏置值的更新值；

及，對(duì)所述關(guān)系式七至所述關(guān)系式十五進(jìn)行迭代，得到所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值；

及，將得到的所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各層的最優(yōu)權(quán)重系數(shù)和最優(yōu)偏置值對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型作為所述卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型。

在本實(shí)施例中，上述激活函數(shù)為relu函數(shù)。

需要說明的是，本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見即可。對(duì)于裝置類實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上對(duì)本申請(qǐng)所提供的一種汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷方法及裝置進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本申請(qǐng)的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本申請(qǐng)的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本申請(qǐng)的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)本申請(qǐng)的限制。