针对传统的转子结构裂纹故障识别方法中特征提取困难、无法定量识别裂纹深度及受噪声污染严重的问题,提出了一种基于转子轴心轨迹的转子裂纹深度预测模型。该模型基于奇异值分解和卷积降噪自编码器(singular value decomposition-denois...针对传统的转子结构裂纹故障识别方法中特征提取困难、无法定量识别裂纹深度及受噪声污染严重的问题,提出了一种基于转子轴心轨迹的转子裂纹深度预测模型。该模型基于奇异值分解和卷积降噪自编码器(singular value decomposition-denoising convolutional autoencoder,简称SVD-DCAE),能够有效提取裂纹转子的故障特征并准确预测转子裂纹的扩展阶段。将裂纹转子的轴心轨迹作为模型的输入,分别使用仿真数据和实验数据训练和验证模型,并在仿真数据和实验数据中添加随机噪声模拟不同噪声环境。结果显示:所提出模型能够实现转子裂纹扩展程度的准确预测,在弱噪声环境中(信噪比为10 dB)裂纹深度预测准确率高于98%;具有较强的抗噪声能力和鲁棒性,在强噪声环境中(信噪比为-10 dB)预测准确率达到80%,远高于其他经典的卷积神经网络预测模型。展开更多