錢白云，呂朝陽，張維寧，林 翔，朱霄珣，董利江，吳玉華，王魯東 ，李震濤

(1.國網(wǎng)新疆電力有限公司電力科學(xué)研究院，烏魯木齊 830000；2.華北電力大學(xué) 動力工程系，河北 保定 071003；3.國網(wǎng)新疆電力有限公司，烏魯木齊 830000；4.新疆新能集團有限責(zé)任公司烏魯木齊電力建設(shè)調(diào)試所，烏魯木齊 830000)

0 引言

如今風(fēng)電、光伏等新能源正在大量并網(wǎng)，特高壓直流輸電技術(shù)也在不斷發(fā)展，電網(wǎng)對無功調(diào)節(jié)的需求正在逐步提升。調(diào)相機作為大型無功調(diào)節(jié)設(shè)備，其無功增加能力與無功吸收能力均較強，可以在電網(wǎng)中增強電壓的動態(tài)調(diào)節(jié)能力[1-3]，憑借出色的動態(tài)無功補償能力，調(diào)相機能夠消除電力系統(tǒng)電壓突然提高帶來的不良影響，尤其在網(wǎng)側(cè)，調(diào)相機能夠快速、大量的吸收換相失敗產(chǎn)生的無功功率，同時對無功進行快速補償，保障系統(tǒng)無功的穩(wěn)定[4]。因此，調(diào)相機的安全穩(wěn)定運行尤其關(guān)鍵。

調(diào)相機作為一種典型的旋轉(zhuǎn)機械設(shè)備，轉(zhuǎn)子是其最主要的組成部分，若發(fā)生故障會導(dǎo)致機組停機，產(chǎn)生較大的經(jīng)濟損失，甚至威脅人身安全[5-6]。因此，針對調(diào)相機轉(zhuǎn)子進行準(zhǔn)確快速的智能故障診斷，對提升機組的安全性和經(jīng)濟性具有十分重要的意義。對于大型旋轉(zhuǎn)機械設(shè)備而言，振動傳感器布置測點豐富、經(jīng)濟性、準(zhǔn)確性較高，因此針對振動信號進行分析是一種普遍的狀態(tài)監(jiān)測方法。目前國內(nèi)外學(xué)者嘗試在轉(zhuǎn)子、軸承等旋轉(zhuǎn)機械的故障診斷中分析振動信號的特征。文獻(xiàn)[7]通過改進經(jīng)驗?zāi)B(tài)分解(EMD，empirical mode decomposition)對轉(zhuǎn)子振動信號進行分析，有效定位了轉(zhuǎn)子故障特征。文獻(xiàn)[8]通過聯(lián)合定子振動特性與磁密諧波的綜合特征，實現(xiàn)了大型調(diào)相機轉(zhuǎn)子偏心故障的識別。文獻(xiàn)[9]提出一種可調(diào)品質(zhì)因子小波變換方法，識別了早期軸承故障。然而轉(zhuǎn)子振動信號的故障特征相對更微弱，極易被現(xiàn)場噪聲或其他無關(guān)信號淹沒，進而影響到對轉(zhuǎn)子運行狀態(tài)的判斷。

隨著數(shù)據(jù)挖掘和人工智能技術(shù)的不斷發(fā)展，信號特征提取結(jié)合傳統(tǒng)機器學(xué)習(xí)模型實現(xiàn)故障診斷的方法被廣泛研究，如：人工神經(jīng)網(wǎng)絡(luò)(ANN，artificial neural network)、支持向量機 (support vector machines，SVM)、模糊識別[10-11]等。然而，實際工作時，設(shè)備工況經(jīng)常發(fā)生變化，且許多信號特征提取方法無法在現(xiàn)場強噪聲、多源干擾下分離并捕捉故障特征，同時淺層機器學(xué)習(xí)模型學(xué)習(xí)深度不足，在面臨如今海量的工業(yè)數(shù)據(jù)時，此類方法的應(yīng)用范圍和診斷效果將受到制約[12]。

深度學(xué)習(xí)(DL，deep learning)的出現(xiàn)解決了信號處理方法特征提取能力有限和淺層機器學(xué)習(xí)中學(xué)習(xí)深度的問題[13]。而卷積神經(jīng)網(wǎng)絡(luò)CNN作為DL的一種特殊結(jié)構(gòu)形式，是計算機視覺領(lǐng)域最強大的模型，因此最近受到了故障診斷領(lǐng)域研究人員的廣泛關(guān)注[14]。文獻(xiàn)[15]將原始信號轉(zhuǎn)化為AE聲譜圖特征，結(jié)合CNN實現(xiàn)了轉(zhuǎn)子碰摩故障的識別。文獻(xiàn)[16]采用短時傅里葉變換將振動信號轉(zhuǎn)化為時頻圖輸入CNN，實現(xiàn)了滾動軸承的故障診斷。文獻(xiàn)[17]通過希爾伯特變換 (HT，Hilbert transform)處理原始振動信號，并采用PSO算法對CNN參數(shù)進行優(yōu)化，識別了5種轉(zhuǎn)子故障。另外，多個傳感器捕獲的信號包含系統(tǒng)運行的更多信息。在過去幾年里，基于CNN的多傳感器數(shù)據(jù)信息的融合策略也被廣泛應(yīng)用于全面描述旋轉(zhuǎn)機械設(shè)備狀態(tài)，利用多傳感器數(shù)據(jù)所具有的同步關(guān)聯(lián)性，有助于提高模型診斷準(zhǔn)確率和抗噪聲干擾能力[18-19]，合理利用多傳感器信息且實現(xiàn)準(zhǔn)確、快速診斷是需要重點關(guān)注的。

調(diào)相機轉(zhuǎn)子和其它旋轉(zhuǎn)設(shè)備的轉(zhuǎn)子在基本機械結(jié)構(gòu)原理上相似，均是將轉(zhuǎn)子固定在轉(zhuǎn)軸上，兩端以軸承承托，但調(diào)相機設(shè)備的整體復(fù)雜程度決定了其轉(zhuǎn)子結(jié)構(gòu)相對復(fù)雜，其特點如下：大型調(diào)相機尺寸和重量大，工作轉(zhuǎn)速跨越二階臨界轉(zhuǎn)速，振型復(fù)雜，對運行工況和運行參數(shù)的變化敏感，因此調(diào)相機隨不同運行條件具有多種振動狀態(tài)。除此之外，其定轉(zhuǎn)子上均有勵磁繞組，振動并非單一的機械場，而是電磁-機械場相互耦合作用發(fā)生的結(jié)果，并且由于它的暫態(tài)反應(yīng)能力和暫態(tài)過載能力強，導(dǎo)致其轉(zhuǎn)子轉(zhuǎn)速高，急起急停，內(nèi)部溫度場復(fù)雜多變，也會影響轉(zhuǎn)子的振動狀態(tài)。固使用通常轉(zhuǎn)子故障診斷方法對調(diào)相機轉(zhuǎn)子進行診斷，無法取得理想效果。

目前基于傳統(tǒng)深度學(xué)習(xí)的轉(zhuǎn)子故障診斷方法的優(yōu)化主要以復(fù)雜化模型結(jié)構(gòu)加深學(xué)習(xí)深度，但卷積神經(jīng)網(wǎng)絡(luò)的卷積、池化層堆疊，缺乏對故障特征不同尺度方向提取的考慮，并且過于復(fù)雜的模型堆疊會降低訓(xùn)練速度、耗費大量算力。從提高訓(xùn)練速度、分類精度和模型適應(yīng)振動信號多尺度特性的角度，如何將數(shù)據(jù)可視化和分尺度特征提取與模型特征學(xué)習(xí)能力增強三者相結(jié)合是本文創(chuàng)新性研究的切入點。

基于以上研究，本文提出一種基于多傳感器信息融合SDP圖像聯(lián)合多尺度CNN的調(diào)相機轉(zhuǎn)子故障診斷方法。首先，基于使用對稱點模式(SDP，Symmetrized dot pattern，)對調(diào)相機多個傳感器的振動信息進行整體特征融合，以更全面的映射出識別對象的特征；在此基礎(chǔ)上，構(gòu)建混合感受野殘差卷積神經(jīng)網(wǎng)絡(luò)(MRFCNN，Multi receptive field CNN)，采用不同感受野的多尺度卷積核對SDP圖進行全局特征學(xué)習(xí)。

1 對稱點模式SDP

SDP算法可將復(fù)雜時間序列以散點的形式清晰映射在極坐標(biāo)圖中，可以使原始時域信號通過圖形化的方式提高可視化能力[20]。因為極坐標(biāo)圖像的特殊性，多源信息可通過SDP方法融合在有限區(qū)域中。

在極坐標(biāo)中xi與xi+1分別為時域信號中i時刻和i+1時刻的幅值，原信號通過SDP方法可變成極坐標(biāo)空間s[r(i)，θ(i)，φ(i)]中的點，上述變量的計算公式為：

(1)

(2)

(3)

其中：xmax和xmin分別為原始時域波形信號的最大振幅和最小振幅；θ(i)和φ(i)分別為點對于鏡像對稱面而言，沿逆時針和順時針方向偏轉(zhuǎn)的角度；r(i)為點的極徑；θ為規(guī)定的鏡像對稱面的偏轉(zhuǎn)角度(θ=360m/n，m=1，2，…，n)；ζ為增益系數(shù)(ζ<θ)，SDP算法基本原理如圖1所示。

一維信號經(jīng)SDP變化后，可得到“花瓣狀”的散點圖，避免了傳統(tǒng)信號處理方法導(dǎo)致的數(shù)據(jù)壓縮與特征丟失。而不同類別的信號間的差異主要表現(xiàn)在：1)散點花瓣的曲率；2)散點分布和形狀特征；3)幾何中心位置。在同一極坐標(biāo)系中，在不同象限可實現(xiàn)多個信號的信息融合，更加凸顯差異性。

2 混合感受野殘差卷積神經(jīng)網(wǎng)絡(luò)MRFRCNN

2.1 卷積神經(jīng)網(wǎng)絡(luò)CNN概述

卷積神經(jīng)網(wǎng)絡(luò)CNN可以從數(shù)據(jù)中自動學(xué)習(xí)并提取抽象的深度特征信息，在圖像識別領(lǐng)域具有巨大潛力。CNN 對輸入樣本數(shù)據(jù)進行逐層卷積與池化，具有一定的旋轉(zhuǎn)、平移不變性，被廣泛應(yīng)用于科研和工程領(lǐng)域。傳統(tǒng) CNN 包含卷積層、池化層、全連接層等，以下對CNN主要操作進行概述。

給定第l-1層的輸入，則下一層的特征圖為，對應(yīng)的卷積層操作如下：

(4)

傳統(tǒng)CNN中，池化層會對每一個卷積層提取到的數(shù)據(jù)進一步降維，加快計算速度且可以避免過擬合[21]。

經(jīng)過多層學(xué)習(xí)，原始數(shù)據(jù)信息初步被抽象成更高級的特征，在網(wǎng)絡(luò)的末尾(L層)由全連接層(FC)實現(xiàn)網(wǎng)絡(luò)的最終分類，全連接操作如下：

zL=σ(wLyL-1+bL)

(5)

其中，yL-1為L-1層的神經(jīng)元組，zL為L層的神經(jīng)元組，wL，bL分別為全連接層的權(quán)重和偏置。對于多分類問題，全連接輸出層激活函數(shù)為Softmax，通過有監(jiān)督學(xué)習(xí)方式和反向傳播算法進行訓(xùn)練，利用梯度下降法，經(jīng)歷多次迭代使損失函數(shù)Loss值達(dá)到小，從而完成訓(xùn)練。

不同的卷積核對圖像信息的捕捉不同，而通常情況下，卷積核越大，感受野(receptive field)越大，看到的整體信息越多，捕捉的全局特征越好，但會導(dǎo)致計算量的激增。反之，卷積核越小，感受野越小，獲得的局部信息會更加具體。

調(diào)相機各部件振動耦合會導(dǎo)致轉(zhuǎn)子振動信號表現(xiàn)多尺度特性，且SDP圖像包含多傳感器同步信息。為獲取更全面的特征并提升CNN模型的識別準(zhǔn)確率，本文構(gòu)建了包含殘差模塊的多感受野卷積神經(jīng)網(wǎng)絡(luò)，采用不同卷積核聯(lián)合提取調(diào)相機振動特征。

2.2 MRFRCNN架構(gòu)

針對傳統(tǒng)CNN的結(jié)構(gòu)中存在的缺點，并結(jié)合調(diào)相機故障信息存在的復(fù)雜特征，本文提出的混合感受野殘差卷積神經(jīng)網(wǎng)絡(luò)MRFRCNN，其結(jié)構(gòu)如圖2所示。

圖2 MRFRCNN網(wǎng)絡(luò)架構(gòu)

其中，本架構(gòu)中將傳統(tǒng)卷積核后添加激活函數(shù)的操作改為：卷積操作+BN層+Silu激活函數(shù)(簡稱CBS層)，實現(xiàn)在不同卷積特征提取后，將數(shù)據(jù)標(biāo)準(zhǔn)化并有效激活權(quán)重，CBS層的結(jié)構(gòu)如圖3所示。

圖3 CBS層結(jié)構(gòu)

傳統(tǒng)的池化層即下采樣層包括平均池(mean pooling)和最大池(max pooling)等等，一般直接連接在上一層卷積操作之后，可以對特征進行壓縮、減小計算復(fù)雜度。但連續(xù)的池化層的堆積，難免導(dǎo)致丟失信息，也即降低了圖像分辨率，某些蘊含故障信息的重要特征的丟失將給網(wǎng)絡(luò)帶來極大損失。因此在MRFRCNN網(wǎng)絡(luò)構(gòu)架中，用SPPF替代傳統(tǒng)池化層，可以從全局角度出發(fā)，有效避免了對圖像區(qū)域裁剪、縮放操作導(dǎo)致的圖像失真等問題，避免對特征多次重復(fù)提取，提高了分類的精度，節(jié)省計算成本[22]，SPPF的結(jié)構(gòu)原理如圖4所示。

圖4 SPPF模塊結(jié)構(gòu)

假設(shè)輸入層為128×128的原始圖像，在通過第一個3×3卷積核的CBS層后，數(shù)據(jù)分流為3個支路，分別為支路1：1×1卷積CBS支路；支路2：3×3的CBS支路；支路3：5×5的CBS支路，因為各支路感受野不同，可以從多個尺度提取振動特征，達(dá)到特征融合的效果。三條支路均采用兩個CBS層，核數(shù)量為16和32，步長均為2。其中支路2與支路3的輸出進行ADD操作，隨后通過1x1點卷積的CBS層，使數(shù)據(jù)流平穩(wěn)，再與支路1的輸出進行CONCAT操作，也即與支路1形成了殘差連接，降低模型復(fù)雜度以防止過擬合，同時防止梯度消失或梯度爆炸。三條支路CONCAT后通過SPPF模塊進行降維，使用多個窗口(pooling window)，提取不同尺寸的空間特征信息，提升模型對于空間布局和物體變性的魯棒性。最后為兩層全連接層，并通過Softmax實現(xiàn)多分類。

3 實驗驗證

本文提到的SDP-MRFRCNN模型整體診斷流程如圖5所示，實驗過程模型按照如下環(huán)節(jié)進行。

圖5 調(diào)相機多傳感器信息融合與混合感受野卷積神經(jīng)網(wǎng)絡(luò)故障診斷流程圖

3.1 數(shù)據(jù)來源

實驗數(shù)據(jù)來自新疆烏魯木齊天山站300 MVar大型同步調(diào)相機。該設(shè)備兩端一端為盤車端，通過電機帶動盤車齒輪進行盤車。另一端為勵磁端，定子接入三相電流生成的旋轉(zhuǎn)磁場以及轉(zhuǎn)子接入直流電形成的穩(wěn)定磁場共同維持轉(zhuǎn)子轉(zhuǎn)動，兩端均由滑動軸承支撐，大型調(diào)相機實驗機組實物及仿真結(jié)構(gòu)結(jié)構(gòu)示意圖如圖6所示。設(shè)備長期運行產(chǎn)生了碰摩，不平衡的轉(zhuǎn)子故障，現(xiàn)場振動傳感器布置于1號：盤車端x方向、2號：盤車端y方向、3號：勵磁端x方向、4號：勵磁端y方向，通過SKVMA振動監(jiān)測分析儀進行采集，采樣頻率為6 666 Hz。本文所采用故障模式包含正常、碰摩、不平衡3種狀態(tài)。

圖6 新疆烏魯木齊天山站300 MVar大型同步調(diào)相機

3.2 SDP多傳感器信息融合

由前文可知，SDP 方法可以通過圖像化的方式反映不同信號的特征，從而體現(xiàn)出調(diào)相機不同運行狀態(tài)間的區(qū)別。首先，設(shè)置鏡像對稱面θ=45°，參數(shù)ξ=45°將調(diào)相機3種狀態(tài)的4個單一傳感器原始信號分別進行SDP分解，各自占滿第一象限，形成一個清晰且對稱的花瓣，如圖7所示。

圖7 SDP圖像(單一傳感器信息)

從圖7可以看出，直接對單個采集通道進行SDP分析，調(diào)相機不同狀態(tài)間已經(jīng)可以體現(xiàn)出一定的區(qū)別，但由于4個傳感器位置不同，也即包含信息不同，所以不同傳感器采集的信號也是有差異的。因此，本文通過SDP 方法將4個傳感器振動特征進行融合，設(shè)置鏡像對稱面θ=45°、θ=135°、θ=225°、θ=315°，參數(shù)θ=45°，也即從第一象限開始旋轉(zhuǎn)，分別以1號、2號、3號、4號傳感器信號作為輸入，4個傳感器的信號在極坐標(biāo)每個象限各形成一對花瓣，形成最終的四花瓣圖。通過將各傳感器的振動信息融合起來，從整體突出狀態(tài)特征的完整度和區(qū)分度，從而彌補單一特征成分導(dǎo)致的信息缺失。每種運行狀態(tài)均隨機抽取3張SDP圖像作為展示，如圖8所示。

圖8 SDP圖像(融合1、2、3、4號傳感器信息)

由圖8可以看出，單張SDP圖像將調(diào)相機4個傳感器的時域振動信號在有限范圍內(nèi)充分融合了起來，在保證不丟失特征的前提下，極大程度對數(shù)據(jù)量進行了壓縮，而且更加體現(xiàn)不同出故障特征的可區(qū)分度。然而，通過人為識別圖像特征往往需要大量的預(yù)先學(xué)習(xí)記憶，并且難以識別圖像之間的小差異。另外，在工業(yè)大數(shù)據(jù)環(huán)境下，極高的采樣率導(dǎo)致數(shù)據(jù)量的暴增，故人工識別無法滿足快速、智能識別的需求。所以本文提出了基于MRFCNN的調(diào)相機故障SDP信息融合圖像識別方法，即通過SDP-MRFCNN診斷模型實現(xiàn)調(diào)相機轉(zhuǎn)子狀態(tài)快速識別。

3.3 診斷實驗

為驗證本文方法的有效性，將經(jīng)過信息融合的調(diào)相機振動SDP圖像生成數(shù)據(jù)集，正常、碰摩、不平衡3種狀態(tài)各250條數(shù)據(jù)，整體混合后設(shè)置隨機數(shù)打亂數(shù)據(jù)后，以4：1的比例劃分訓(xùn)練集和測試集，輸入網(wǎng)絡(luò)前3種狀態(tài)被順序編碼為0、1、2。數(shù)據(jù)集的構(gòu)成如表1所示。

表1 數(shù)據(jù)集構(gòu)成

基于以上數(shù)據(jù)集，在Pytorch環(huán)境下，搭建多感受野卷積神經(jīng)網(wǎng)絡(luò)進行診斷分類。設(shè)置網(wǎng)絡(luò)學(xué)習(xí)率為0.000 1，批樣本數(shù)為32，迭代50輪。模型訓(xùn)練后測試集上的結(jié)果表明，測試集最終識別精度達(dá)到了99.33%，模型在訓(xùn)練集和測試集上的效果曲線如圖9所示?？梢钥闯?，模型在第10個epoch左右就達(dá)到了較高的精度并開始收斂，整個訓(xùn)練過程穩(wěn)定，沒有過擬合、欠擬合的現(xiàn)象出現(xiàn)，初步說明了本文診斷方法的優(yōu)秀性。

圖9 模型準(zhǔn)確率曲線

為了更加清晰直觀地評估模型效果，將測試集3種狀態(tài)類別分類結(jié)果以熱圖形式繪制混淆矩陣，如圖10所示。

圖10 調(diào)相機故障樣本分類混淆矩陣

圖中坐標(biāo)值0、1、2分別為表1中的標(biāo)簽編號，代表調(diào)相機的不同狀態(tài)。陰影中的數(shù)字表示為實際樣本標(biāo)簽和預(yù)測樣本標(biāo)簽相符合的概率值，從混淆矩陣中可以看出測試的總樣本中，除了類別1中有0.01的概率被誤診為類別0，其他預(yù)測樣本的分類結(jié)果均正確。

同時，引入T-SNE方法對測試集數(shù)據(jù)分類后的全連接輸出層數(shù)據(jù)進行降維處理，生成聚類簇，使結(jié)果進一步可視化，如圖11所示。綜合圖10和圖11可以看出，混淆矩陣的分類錯誤標(biāo)簽與T-SNE圖中顏色簇的堆疊情況是相對應(yīng)的。調(diào)相機的3種運行狀態(tài)被錯誤分類的幾率非常小，雖然仍可以觀察到一定程度的錯誤診斷，但T-SNE聚類結(jié)果顯示，不同類別間特征邊界明顯，同類別間特征分布緊湊?？傮w而言，測試結(jié)果表明，本文診斷方法取得了令人十分滿意的分類結(jié)果。

圖11 調(diào)相機故障樣本分類T-SNE圖

3.4 對比試驗

3.4.1 SDP特征融合優(yōu)越性

對1號傳感器的振動數(shù)據(jù)，分別使用短時傅里葉變換STFT、小波變換WT、及非特征融合的SDP圖(SoleSDP)即圖7所示的未經(jīng)融合的單一傳感器SDP圖，分別輸入本文提出的MRFCNN網(wǎng)絡(luò)結(jié)構(gòu)中進行分類識別，同樣以正常、碰摩、不平衡3種狀態(tài)各250條數(shù)據(jù)整體混合后以4：1的比例劃分訓(xùn)練集和測試集，實驗結(jié)果如表2所示。

表2 對比實驗結(jié)果

實驗結(jié)果表明，同在本文提出的MRFCNN深度學(xué)習(xí)模型中，STFT和WT時頻圖作為特征輸入時故障分類精度偏低，證明這兩種傳統(tǒng)時頻分析圖在調(diào)相機故障特征提取過程中對細(xì)微特征的提取能力較差；而方法3無融合的單一傳感器SDP圖和融合特征的SDP圖實驗結(jié)果比對，說明單一SDP圖雖然較STFT和WT有更強的細(xì)微特征二維化表征能力，但是經(jīng)多傳感器融合后的SDP圖對分類精度的提升有了更大的提升。

3.4.2 SDP-MRFCNN與其他模型對比

為了進一步說明所提SDP-MRFCNN深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)有效性，選取了幾種經(jīng)典旋轉(zhuǎn)機械故障診斷方法在本文數(shù)據(jù)集上進行測試，進行對比研究：1)EMD-SVM方法[23]，使用EMD分解信號，構(gòu)造IMF特征矩陣輸入SVM進行狀態(tài)識別；2)DBN方法[24]，通過對多個傳感器振動數(shù)據(jù)提取時域特征并融合，然后輸入DBN網(wǎng)絡(luò)，能夠自適應(yīng)融合多傳感器數(shù)據(jù)完成分類任務(wù)；3)STFT-CNN方法[25]，利用短時傅里葉變換將信號轉(zhuǎn)化為時頻圖輸入CNN進行診斷；4)SDP-CNN方法[26]，將多傳感器融合信息的SDP圖像輸入一個傳統(tǒng)的CNN結(jié)構(gòu)進行診斷分類；5)SDP-VGG[27]，將單一傳感器信號(本文采用3號傳感器)進行SDP分析，得到相應(yīng)SDP圖像后，輸入VGG網(wǎng)絡(luò)結(jié)構(gòu)中進行分類。6)本文所提SDP-MRFCNN方法，將多傳感器融合信息的SDP圖像輸入一個包含多感受野和殘差塊以及SPPF池化的MRFCNN模型進行診斷分類。對比實驗結(jié)果如表3所示。

表3 對比實驗結(jié)果

由表2可知，本文方法識別準(zhǔn)確率最高，達(dá)到了99.33%。其他方法的最高準(zhǔn)確率僅達(dá)到了94.67%。雖然其他方法也在一定程度上實現(xiàn)了調(diào)相機轉(zhuǎn)子故障診斷，但是在原始信號特征過于復(fù)雜時，很難以更高精度完成狀態(tài)特征到識別結(jié)果的映射，極易造成誤診。特別地，方法4與本文方法十分類似，區(qū)別在于CNN結(jié)構(gòu)不同，方法4采用了傳統(tǒng)CNN，而本文針對傳統(tǒng)CNN進行了有效改進；方法5則沒有考慮多傳感器信息融合的作用，僅利用單一傳感器信息，單一傳感器造成的設(shè)備狀態(tài)運行特征不足，與傳統(tǒng)診斷模型的特征提取能力弱，均限制了診斷精度的進一步升高。而本文方法SDP-MRFCNN在數(shù)據(jù)處理階段通過SDP圖像最小尺度的融合了調(diào)相機多傳感器的振動信息，同時，MRFCNN模型結(jié)構(gòu)避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的單一感受野以及單支路卷積、池化的堆疊形式，具有更強大的特征提取能力，更利于調(diào)相機的故障診斷。

4 結(jié)束語

針對受現(xiàn)場強噪聲干擾、故障特征復(fù)雜的調(diào)相機轉(zhuǎn)子振動信號，本文提出了一種SDP-MRFCNN調(diào)相機轉(zhuǎn)子故障診斷方法。該方法主要步驟如下：首先將來自現(xiàn)場設(shè)備4個不同方位傳感器的振動信號通過SDP方法進行信息融合，獲取全面、立體的設(shè)備運行狀態(tài)特征；改進傳統(tǒng)分類的CNN結(jié)構(gòu)，構(gòu)建多尺度、多感受野、具備更強特征學(xué)習(xí)能力的MRFCNN網(wǎng)絡(luò)；最后，基于MRFCNN網(wǎng)絡(luò)對融合信息的SDP圖像進行識別，實現(xiàn)調(diào)相機轉(zhuǎn)子設(shè)備智能故障診斷。通過兩組對比實驗分別驗證了SDP多傳感器信息融合以及MRFCNN網(wǎng)絡(luò)的優(yōu)越性，證明了SDP-MRFCNN模型在準(zhǔn)確率上具有很大提升，達(dá)到了99.33%，大大提高了對于調(diào)相機振動信號特征學(xué)習(xí)效果與狀態(tài)識別精度。但是，由于該模型以圖形特征作為輸入，對圖片數(shù)量需求大，如何針對現(xiàn)場數(shù)據(jù)不平衡，克服故障樣本量對網(wǎng)絡(luò)的影響有待于進一步研究；同時如何在保證分類精度的前提下，對網(wǎng)絡(luò)的輕量化研究也是一個改進方向。