[发明专利]一种基于卷积神经网络的大型高速回转装备面型分类方法

说明书

本发明提出了一种基于卷积神经网络的大型高速回转装备面型分类方法，所述分类方法包括以下步骤：采集调心调倾后大型高速回转装备轴向测量面的跳动量数据，对所述跳动量数据进行高斯滤波，进行人工标注；将滤波后的数据归一化到0‑255像素值内，并转化为矩阵结构形式，将结构形式数据转换为灰度图；将数据集按照合适的比例分为训练集和测试集；搭建卷积神经网络；根据所述训练集分类效果对卷积神经网络超参数进行训练，并利用训练完毕的卷积神经网络对测试集装备面型进行分类。本发明通过学习数据的深层特征进行分类，分类准确性高，客观性更强。且该方法分类速度快，可提高多级装备装配效率，具有良好的推广应用价值。

技术领域

本发明涉及一种基于卷积神经网络的大型高速回转装备面型分类方法，属于大型高速回转装备面型分类领域。

背景技术

大型高速回转装备是航空发动机核心机的主要结构，其装配质量将直接影响航空发动机性能。多级装备由单级大型高速回转装备堆叠装配而成，装备间通过法兰螺栓结构连接定位，各级大型高速回转装备误差通过止口配合面传递。大型高速回转装备装配厂根据装备表面形貌特征，将大型高速回转装备面型分为“单倾面”和“马鞍面”两种形式。当大型高速回转装备面型为单倾面时，装备间止口配合面为面接触；当大型高速回转装备面型为马鞍面时，装备间止口配合面为点接触。螺栓连接时，受拧紧力矩影响，配合面产生变形。二者接触方式不同，变形机制不同，使得装配后多级装备装配质量预测难度增大，严重影响多级装备一次合格率。因此，多级装备装配前，需要预先判别大型高速回转装备面型，降低多级装备装配质量预测难度。

目前多级装备装配前虽具备对大型高速回转装备面型分类的步骤，但该步骤多依靠装配工人人工经验，现有测量装置皆不具备面型分类功能。工人人工经验分类不具备通用性，主观性强，且极大降低多级装备装配效率。

发明内容

本发明提出一种基于卷积神经网络的大型高速回转装备面型分类方法，其目的是为了解决现有测量装置皆不具备面型分类功能，工人人工经验分类不具备通用性，主观性强，且极大降低多级装备装配效率的问题。

一种基于卷积神经网络的大型高速回转装备面型分类方法，所述分类方法包括以下步骤：

步骤一、采集调心调倾后大型高速回转装备轴向测量面的跳动量数据，对所述跳动量数据进行高斯滤波，并进行人工标注；

步骤二、将滤波后的数据归一化到0-255像素值内，并转化为矩阵结构形式，将结构形式数据转换为灰度图，灰度图即为卷积神经网络输入；

步骤三、将数据集按照合适的比例分为训练集和测试集；

步骤四、搭建卷积神经网络；

步骤五、根据所述训练集分类效果对卷积神经网络超参数进行训练，并利用训练完毕的卷积神经网络对测试集装备面型进行分类。

进一步的，在步骤四中，所述卷积神经网络模型为卷积层-池化层-卷积层-池化层-全连接层，卷积层的激活函数为ReLU函数，表达式如式(1)所示：

由ReLU函数表达式可知，当自变量大于0时，函数式取本身，否则函数式取0，

池化层采用最大值池化方法，

全连接层激活函数采用Softmax回归函数，表达式如式(2)所示：

式中，N为类别个数，y_i(i＝1，2…，N)为原始输出层输出，

所述卷积神经网络采用最小化正则化的交叉熵的反向误差传播算法来更新网络参数，其交叉熵C的计算方法如式(3)所示：

式中，n为样本数量，y为输出层的理想输出，a为卷积网络训练输出，