用于双转子不对中故障识别的DBN参数选取方法技术

本发明专利技术涉及一种用于双转子不对中故障识别的DBN参数选取方法，包括步骤获取双转子不对中故障的原始振动加速度数据；根据原始振动加速度数据获得输入数据集；利用DBN网络对训练集进行训练，以构建DBN网络的特征提取能力评估指标；根据DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数；根据DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM的振动信号特征提取能力获取最优隐含层节点数目；根据DBN网络的特征提取能力评估指标及不同学习率和动量项下RBM的振动信号特征提取能力获取最优的学习率和动量项。相对于现有技术中利用试错方式进行参数选取的方式相比，上述方法有效地提高了DBN参数的选取效率。方法有效地提高了DBN参数的选取效率。方法有效地提高了DBN参数的选取效率。

【技术实现步骤摘要】
用于双转子不对中故障识别的DBN参数选取方法


[0001]本专利技术涉及双转子不对中故障识别
，特别是涉及一种用于双转子不对中故障识别的DBN参数选取方法。

技术介绍

[0002]现代航空发动机主要采用内外双转子
‑
多支撑结构，转子不对中是其主要的故障形式，不仅导致整机振动过大，甚至引起发动机损坏停机，造成安全事故。对航空发动机双转子不对中故障进行准确识别及其重要，但由于转子结构复杂，不对中形式耦合多样，故障信号呈现高维非线性特性，传统的故障诊断方法难以准确识别。
[0003]为了提高故障诊断效果，2006年，Hinton等人提出了深度置信网络(DeepBelief Network，简称DBN)，它是由多个限制玻尔兹曼机(restricted Boltzmannmachine,简称RBM)组成的多层感知器神经网络，很好地解决了特征提取与学习及深层网络训练易陷入局部极小值的问题，具有极强的非线性信息表达能力和判别能力。
[0004]但是DBN网络的特征提取与识别性能受网络结构参数的影响很大，不合适的参数将使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于双转子不对中故障识别的DBN参数选取方法，其特征在于，包括步骤：获取双转子不对中故障的原始振动加速度数据；根据所述原始振动加速度数据获得输入数据集；所述输入数据集包括训练集和测试集；利用DBN网络对所述训练集进行训练，以构建DBN网络的特征提取能力评估指标；根据所述DBN网络的特征提取能力评估指标及不同迭代次数下RBM的振动信号特征提取能力获取最优的迭代次数；根据所述DBN网络的特征提取能力评估指标及不同隐含层节点数目下RBM的振动信号特征提取能力获取最优隐含层节点数目；根据所述DBN网络的特征提取能力评估指标及不同学习率和动量项下RBM的振动信号特征提取能力获取最优的学习率和动量项。2.根据权利要求1所述的用于双转子不对中故障识别的DBN参数选取方法，其特征在于，所述获取双转子不对中故障的振动加速度数据的步骤为：利用双转子振动测试实验的方式获取双转子不对中故障的原始振动加速度数据。3.根据权利要求1所述的用于双转子不对中故障识别的DBN参数选取方法，其特征在于，根据所述原始振动加速度数据获得输入数据集的步骤为：对所述原始振动加速度数据进行等长度截断整理，以获得所述输入数据集。4.根据权利要求1所述的用于双转子不对中故障识别的DBN参数选取方法，其特征在于，利用DBN网络对所述训练集进行训练，以构建DBN网络的特征提取能力评估指标的步骤，包括步骤：利用DBN网络对所述训练集进行训练，以获得重构数据集；根据所述输入数据集及所述重构数据集获得DBN网络的特征提取能力评估指标。5.根据权利要求4所述的用于双转子不对中故障识别的DBN参数选取方法，其特征在于，根据所述输入数据集及所述重构数据集获得DBN网络的特征提取能力评估指标的步骤，包括：所述输入数据集中第i个样本数据的均值根据公式根据公式计算得到；以i为横坐标，以为纵坐标在坐标系中绘制输入数据曲线；所述重构数据集中第第i个样本数据的均值为根据公式根据公式计算得到；以i为横坐标，以为纵坐标在坐标系中绘制重构数据曲线；根据所述输入数据曲线与所述重构数据曲线之间的误差来获取所述DBN网络的特征提取能力评估指标；其中，为所述输入数据集中第i个样本的第j个数据，为所述重构数据集中第i个样本的第j个数据，i＝(1,2,3，
…
，n)，j＝(1,2，
…
，m)，n为样本数据的数量，m为每个样本数
...

【专利技术属性】
技术研发人员：杨大炼，李仁杰，张帆宇，沈意平，王平，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：