文献类型：期刊文章

作　　者：苏静雷[1,2,3] 王红军[1,2,3] 王政博[1,2,3] 刘淑聪[1,2,3] 王楠[1,2,3] 张顺利[1,2,3]

Su Jinglei;Wang Hongjun;Wang Zhengbo;Liu Shucong;Wang Nan;Zhang Shunli(School of Mechanical and Electrical Engineering,Beijing Information Science&Technology University,Beijing 100192,China;High-End Equipment Intelligent Perception and Control Beijing International Scientific Cooperation Base,Beijing Information Science&Technology University,Beijing 100192,China;Beijing Key Laboratory of Measurement and Control of Mechanical and Electrical System,Beijing Information Science&Technology University,Beijing 100192,China)

机构地区：[1]北京信息科技大学机电工程学院,北京100192 [2]北京信息科技大学高端装备智能感知与控制北京市国际科技合作基地,北京100192 [3]北京信息科技大学机电系统测控北京市重点实验室,北京100192

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金(51975058)项目资助。

年　　份：2023

卷　　号：37

期　　号：3

起止页码：132-140

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、JST、RCCSE、ZGKJHX、核心刊

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。

关 键 词：燃气轮机 多通道卷积  故障诊断  迁移学习方法  

分 类 号：TN07] TK477]