基于时空图的核电循环水泵行星齿轮箱检测方法

1.本发明属于核电故障诊断技术领域，尤其涉及一种基于时空图的核电循环水泵行星齿轮箱检测方法。


背景技术：

2.核电投资巨大、涉及产业众多，核安全关系国家安全，是核电发展的生命线。循环水泵作为核电厂中循环水系统的提升设备，其功能是向常规岛汽轮机凝汽器及常规岛辅助冷却系统提供冷却水，在系统中有着非常重要的地位。循环水泵发生故障会直接引起设备不可用、系统暂停、机组降功率、停机停堆(约1000万/单机组/天)等重大事件，影响核电厂启动和运行期间的安全性以及经济效益。
3.目前核电厂循环水泵的维修方式包括事后维修和定期维护两种形式，现行的两种维修方式存在潜在缺陷难以发现，设备过度维护等问题。作为循环水泵的关键设备，行星齿轮箱具有承载力大、对中要求高、高维修费用和高风险等特点，其振动信号成分复杂、特征时变，微弱损伤识别困难，行星齿轮箱的健康状态对循环水泵正常运行具有重大影响。一旦故障，将引发严重连锁反应，导致停泵。因此选择行星齿轮箱为研究对象，开展智能故障诊断模型研究。
4.在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。


技术实现要素：

5.本发明的目的是提供一种基于时空图的核电循环水泵行星齿轮箱检测方法，通过构建基于时空图的故障诊断模型，利用短时傅里叶变换与时空图相结合，使时域和频域相联系，时空图不仅包含时频域信息，还包含图结构信息，通过图结构和节点属性来提取图的特征，不同故障类型的振动信号对应不同的图结构，将图转换为二维矩阵，通过图卷积网络模型实现故障诊断，提高了特征提取的精度，从而提升故障诊断的准确率。
6.为了实现上述目的，本发明提供如下技术方案：
7.本发明的一种基于时空图的核电循环水泵行星齿轮箱检测方法包括：
8.第一步骤，采集核电循环水泵行星齿轮箱振动信号，短时傅里叶变换振动信号以计算离散时域和频域：
[0009][0010]
其中，x[n]为振动信号，n∈[0，n-1]，具有n个观测值；m为时间，k为频率，δm为时间变化量，δf为频率变化量；y(k，m)为频率kδf和时间mδm的输出；运算符(*)表示共轭；ω为窗函数；j为虚数单位；
[0011]
第二步骤，构建时空图，其中，计算短时周期图：
[0012][0013]
其中，t为窗口长度；m为时间，k为频率，y(k，m)为短时傅里叶变换后时域和频域；p(k，m)为频率索引1≤k≤k和时间索引1≤m≤m的输出，k，m为正整数k取值为时空图节点，m为振动信号采样时域上限。
[0014]
振动信号经过短时傅里叶变换后，其频域被分为k个部分，以短时周期图中的每个频率f1，f2，......，fk为节点，属性相互连接，构建时空图；
[0015]
第三步骤，构建时空图权重矩阵，其中，
[0016][0017]
其中，w
i，j
为矩阵权重；dis{s(f
i，t
)，s(f
j，t
)}为节点fi和fj在时间点t的欧式距离；i，j为正整数，
[0018]
第四步骤，特征提取，计算权重矩阵中点(xi，yj)处的拉普拉斯算子：
[0019][0020]
其中，x为矩阵中横坐标，y为纵坐标，i，j为正整数，δx和δy分别为x，y的增量，设为1，
[0021]
计算度矩阵d：
[0022][0023]
其中，d
i，j
为主对角线元素对应节点权重，w
i，j
为矩阵权重，i，j为正整数，
[0024]
拉普拉斯矩阵为度矩阵与权重矩阵之差：
[0025]
l＝d-w，
[0026]
其中，l、d、w分别为拉普拉斯矩阵、度矩阵和权重矩阵。
[0027]
将拉普拉斯矩阵l正交分解：
[0028]
l＝uλu
t
[0029]
其中，u＝[u0，u1，
…
，u
n-1
]为特征向量；λ＝diag([λ0，λ1，
…
，λ
n-1
])为特征值矩阵，每一个时空图用一维特征向量f来表示，由特征值组成，记为f＝[λ0，λ1，
…
，λ
n-1
]；
[0030]
第五步骤，构建图卷积网络模型，其包括三层图神经网络，函数为convgcn，每层convgcn函数输入通道数为进入图卷积层数据的维数，输出通道数与下一层输入通道数相等，最后一层输出通道数为故障分类数，在两层convgcn函数之间设置激活函数为relu，输出为一个softmax层；
[0031]
第六步骤，将时空图转换为特征矩阵输入图卷积网络模型，训练模型直至分类准
确率收敛，通过argmax函数求出模型参数；
[0032]
第七步骤，构建混淆矩阵c以评估模型，其纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数；
[0033]
第八步骤，用验证集验证图卷积网络模型，调整超参数，选择使分类效果的最优超参数；
[0034]
第九步骤，用测试集测试最优模型。
[0035]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，第一步骤中，通过在与齿轮芯包中间位置等高处的齿轮箱箱体上胶装pcb振动加速度传感器采集核电循环水泵行星齿轮箱振动信号，采样频率为10240hz。
[0036]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，采用48通道采集核电循环水泵行星齿轮箱振动数据，其包括核电循环水泵行星齿轮箱正常运行的健康数据、太阳轮中度剥落数据、太阳轮中度点蚀数据、行星轮中度剥落数据和行星轮中度点蚀数据。
[0037]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，每种数据类型各20组，将其合并为一个文件，每个文件中有655360个数据点，分别读入后，以2048为样本长度进行切割，共分为320组，每组取前80个样本，将前60％作为训练集，用于训练模型；20％作为验证集，用于调整和选择模型；后20％作为测试集。
[0038]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，
[0039]
拉普拉斯算子进一步写为：
[0040][0041]
其中，n(i，j)为(xi，yi)邻居节点的集合。
[0042]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，窗函数为汉宁窗：
[0043][0044]
其中，n为振动信号的观测值。
[0045]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法中，第六步骤中，训练后，构建混淆矩阵c，其纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数。
[0046]
在上述技术方案中，本发明提供的一种基于时空图的核电循环水泵行星齿轮箱检测方法，具有以下有益效果：本发明通过短时傅里叶变换(short-time fourier transform，stft)采用汉宁窗来克服振动信号噪声的频域特性掩盖信号的有效信息，基于
图论的深度学习方法有优异的特征提取特性，在故障诊断领域有广泛的应用前景。将图论引入频谱分析，时空图不仅包含时频域信息，还包含图结构信息，提高了特征提取的区分度。
附图说明
[0047]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0048]
图1为基于时空图的循环水泵行星齿轮箱检测方法框图；
[0049]
图2为时空图构建过程的示意图；
[0050]
图3为拉普拉斯算子示意图；
[0051]
图4为图卷积网络模型示意图；
[0052]
图5为输入矩阵获取的示意图；
[0053]
图6为故障分类准确率曲线的示意图；
[0054]
图7为齿轮箱状态混淆矩阵的示意图；
[0055]
图8为不同学习率下准确率对比曲线的示意图；
[0056]
图9为学习率为0.005时的混淆矩阵的示意图；
[0057]
图10为训练集、验证集、测试集不同样本比例下准确率对比曲线的示意图。
具体实施方式
[0058]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0059]
因此，以下对在附图1至图10中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0060]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0061]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0062]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，
除非另有明确具体的限定。
[0063]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0064]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0065]
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图1至图10对本发明作进一步的详细介绍。一种基于时空图的核电循环水泵行星齿轮箱检测方法包括，
[0066]
第一步骤，采集核电循环水泵行星齿轮箱振动信号，短时傅里叶变换振动信号以计算离散时域和频域：
[0067][0068]
其中，x[n]为振动信号，n∈[0，n-1]，具有n个观测值；m为时间，k为频率，δm为时间变化量，δf为频率变化量；y(k，m)为频率kδf和时间mδm的输出；运算符(*)表示共轭；ω为窗函数；j为虚数单位；
[0069]
第二步骤，构建时空图，其中，计算短时周期图：
[0070][0071]
其中，t为窗口长度；m为时间，k为频率，y(k，m)为短时傅里叶变换后时域和频域；p(k，m)为频率索引1≤k≤k和时间索引1≤m≤m的输出，k，m为正整数。
[0072]
振动信号经过短时傅里叶变换后，其频域被分为k个部分，以短时周期图中的每个频率f1，f2，......，fk为节点，属性相互连接，构建时空图；
[0073]
第三步骤，构建时空图权重矩阵，其中，
[0074][0075]
其中，w
i，j
为矩阵权重；dis{s(fi，t)，s(fj，t)}为节点fi和fj在时间点t的欧式距离；i，j为正整数，
[0076]
第四步骤，特征提取，计算权重矩阵中点(xi，yj)处的拉普拉斯算子：
[0077][0078]
其中，x为矩阵中横坐标，y为纵坐标，i，j为正整数，δx和δy分别为x，y的增量，设为1，
[0079]
计算度矩阵d：
[0080][0081]
其中，d
i，j
为主对角线元素对应节点权重，w
i，j
为矩阵权重，i，j为正整数，
[0082]
拉普拉斯矩阵为度矩阵与权重矩阵之差：
[0083]
l＝d-w，
[0084]
其中，l、d、w分别为拉普拉斯矩阵、度矩阵和权重矩阵。
[0085]
将拉普拉斯矩阵l正交分解：
[0086]
l＝uau
t
[0087]
其中，u＝[u0，u1，
…
，u
n-1
]为特征向量；λ＝diag([λ0，λ1，
…
，λ
n-1
])为特征值矩阵，每一个时空图用一维特征向量f来表示，由特征值组成，记为f＝[λ0，λ1，
…
，λ
n-1
]；
[0088]
第五步骤，构建图卷积网络模型，其包括三层图神经网络，函数为convgcn，每层convgcn函数输入通道数为进入图卷积层数据的维数，输出通道数与下一层输入通道数相等，最后一层输出通道数为故障分类数，在两层convgcn函数之间设置激活函数为relu，输出为一个softmax层；
[0089]
第六步骤，将时空图转换为特征矩阵输入图卷积网络模型，训练模型直至分类准确率收敛，通过argmax函数求出模型参数；
[0090]
第七步骤，构建混淆矩阵c以评估模型，其纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数；
[0091]
第八步骤，用验证集验证图卷积网络模型，调整超参数，选择使分类效果最优的超参数；
[0092]
第九步骤，用测试集测试最优模型。
[0093]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，第一步骤中，通过在与齿轮芯包中间位置等高处的齿轮箱箱体上胶装pcb振动加速度传感器采集核电循环水泵行星齿轮箱振动信号，采样频率为10240hz。
[0094]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，采用48通道采集核电循环水泵行星齿轮箱振动数据，其包括核电循环水泵行星齿轮箱正常运行的健康数据、太阳轮中度剥落数据、太阳轮中度点蚀数据、行星轮中度剥落数据和行星轮中度点蚀数据。
[0095]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，每种数据类型各20组，将其合并为一个文件，每个文件中有655360个数据点，分别读入后，以2048为样本长度进行切割，共分为320组，每组取前80个样本，将前60％作为训练集，用于训练模型；20％作为验证集，用于调整和选择模型；后20％作为测试集。
[0096]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，
[0097]
拉普拉斯算子进一步写为：
[0098][0099]
其中，n(i，j)为(xi，yi)邻居节点的集合。
[0100]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，窗函数为汉宁窗：
[0101][0102]
其中，n为振动信号的观测值。
[0103]
所述的一种基于时空图的核电循环水泵行星齿轮箱检测方法的优选实施方式中，第六步骤中，训练后，构建混淆矩阵c，其纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数。
[0104]
在一个实施例中，一种基于时域图卷积网络的故障诊断方法，包括以下步骤：
[0105]
步骤一、数据的短时傅里叶变换。
[0106]
采集循环水泵行星齿轮箱的振动信号，对数据进行短时傅里叶变换。计算离散时域和频域：
[0107][0108]
其中，x[n]为振动信号，n∈[0，n-1]，具有n个观测值；m为时间，k为频率，δm为时间变化量，δf为频率变化量；y(k，m)为频率kδf和时间mδm的输出；运算符(*)表示共轭；ω为窗函数；j为虚数单位。
[0109]
选择窗函数为汉宁窗：
[0110][0111]
其中，
[0112]
步骤二、构建时空图。
[0113]
振动信号经过短时傅里叶变换后，计算短时周期图：
[0114][0115]
其中，t为窗口长度；m为时间，k为频率，y(k，m)为短时傅里叶变换后时域和频域；p(k，m)为频率索引1≤k≤k和时间索引1≤m≤m的输出；k，m为正整数。
[0116]
振动信号经过短时傅里叶变换后，其频域被分为k个部分。以短时周期图中的每个频率f1，f2，......，fk为节点，属性相互连接，构建时空图。
[0117]
步骤三、构建权重矩阵。
[0118]
构建的时空图为无向图，计算其权重矩阵：
[0119][0120]
其中，w
i，j
为矩阵权重；dis{s(fi，t)，s(fj，t)}为节点fi和fj在时间点t的欧式距离；i，j为正整数。
[0121]
步骤四、特征提取。
[0122]
计算矩阵中点(xi，yj)处的拉普拉斯算子：
[0123][0124]
其中，x为矩阵中横坐标，y为纵坐标，i，j为正整数。δx和δy分别为x，y的增量，设为1。
[0125]
进一步，拉普拉斯算子可以写作：
[0126][0127]
其中，n(i，j)为(xi，yi)邻居节点的集合。
[0128]
计算度矩阵d：
[0129][0130]
其中，d
i，j
为主对角线元素对应节点权重，w
i，j
为矩阵权重，i，j为正整数。
[0131]
拉普拉斯矩阵为度矩阵与权重矩阵之差：
[0132]
l＝d-w
[0133]
其中，l、d、w分别为拉普拉斯矩阵、度矩阵和权重矩阵。
[0134]
将拉普拉斯矩阵l正交分解：
[0135]
l＝uλu
t
[0136]
其中，u＝[u0，u1，
…
，u
n-1
]为特征向量；λ＝diag([λ0，λ1，
…
，λ
n-1
])为特征值矩阵。每一个时空图都可以用一维特征向量f来表示，由特征值组成，记为f＝[λ0，λ1，
…
，λ
n-1
]。
[0137]
步骤五、构建图卷积网络模型。
[0138]
选择三层图神经网络，函数为convgcn。每层convgcn输入通道数为进入图卷积层数据的维数，输出通道数与下一层输入通道数相等，最后一层输出通道数为故障分类数。另外，在两层convgcn函数之间设置激活函数为relu，输出为一个softmax层。
[0139]
步骤六、训练模型。
[0140]
将时空图转换为特征矩阵输入模型。训练模型直至分类准确率收敛，通过argmax函数求出模型参数；
[0141]
步骤七、构建混淆矩阵c。
[0142]
用以评估模型，其纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数。
[0143]
步骤七、验证模型。
[0144]
用验证集验证模型，调整超参数，选择使分类效果最优的超参数。
[0145]
步骤八、测试模型。
[0146]
用测试集测试最优模型。
[0147]
在一个实施例中，基于时空图的循环水泵行星齿轮箱故障诊断方法，包括以下步骤：
[0148]
步骤一、数据采集。
[0149]
采用48通道亿恒数采，通过在与齿轮芯包中间位置等高处的齿轮箱箱体上胶装pcb振动加速度传感器采集，采样频率为10240hz。包括健康数据、太阳轮中度剥落数据、太阳轮中度点蚀数据、行星轮中度剥落数据、行星轮中度点蚀数据，每种数据类型各20组。将其合并为一个文件，每个文件中有655360个数据点，分别读入后，以2048为样本长度进行切割，共分为320组，每组取前80个样本，将前60％作为训练集，用于训练模型；20％作为验证集，用于调整和选择模型；后20％作为测试集，用于评估最终的模型。
[0150]
步骤二、构建时空图。
[0151]
振动信号经过短时傅里叶变换后，计算短时周期图：
[0152][0153]
其中，t为窗口长度；m为时间，k为频率，y(k，m)为短时傅里叶变换后时域和频域；p(k，m)为频率索引1≤k≤k和时间索引1≤m≤m的输出；k，m为正整数。
[0154]
振动信号经过短时傅里叶变换后，其频域被分为k个部分。以短时周期图中的每个频率f1，f2，......，fk为节点，属性相互连接，构建时空图，如图2所示。k＝33，即时空节点数为33。
[0155]
步骤三、构建权重矩阵。
[0156]
构建的时空图为无向图，计算其权重矩阵：
[0157][0158]
其中，w
i，j
为矩阵权重；dis{s(fi，t)，s(fj，t)}为节点fi和fj在时间点t的欧式距离；i，j为正整数。
[0159]
步骤四、特征提取。
[0160]
如图3所示，计算矩阵中点(xi，yj)处的拉普拉斯算子：
[0161][0162]
其中，x为矩阵中横坐标，y为纵坐标，i，j为正整数。δx和δy分别为x，y的增量，设为1。
[0163]
进一步，拉普拉斯算子可以写作：
[0164][0165]
其中，n(i，j)为(xi，yi)邻居节点的集合。
[0166]
计算度矩阵d：
[0167][0168]
其中，d
i，j
为主对角线元素对应节点权重，w
i，j
为矩阵权重，i，j为正整数。
[0169]
拉普拉斯矩阵为度矩阵与权重矩阵之差：
[0170]
l＝d-w
[0171]
其中，l、d、w分别为拉普拉斯矩阵、度矩阵和权重矩阵。
[0172]
将拉普拉斯矩阵l正交分解：
[0173]
l＝uλu
t
[0174]
其中，u＝[u0，u1，
…
，u
n-1
]为特征向量；λ＝diag([λ0，λ1，
…
，λ
n-1
])为特征值矩阵。每一个时空图都可以用一维特征向量f来表示，由特征值组成，记为f＝[λ0，λ1，
…
，λ
n-1
]。
[0175]
步骤五、构建图卷积网络模型。
[0176]
选择三层图神经网络，函数为convgcn。第一层convgcn的权重衰减设为6
×
10-4
，第二层convgcn的权重衰减设为3
×
10-4
，第三层convgcn的权重衰减设为1
×
10-4
。每层convgcn输入通道数为进入图卷积层数据的维数，输出通道数与下一层输入通道数相等，最后一层输出通道数为故障分类数。另外，在两层convgcn函数之间设置激活函数为relu，输出为一个softmax层。
[0177]
步骤六、设置初始参数。
[0178]
设置训练次数为50，学习率为0.01。输入数据的维数为33，每一个图的边的数量为10。
[0179]
步骤七、构建混淆矩阵。
[0180]
定义混淆矩阵纵坐标反映真实的健康和故障类别，横坐标反映模型预测的健康和故障类别，记混淆矩阵为c，其中元素记为c
ij
，i表示预测类别中第i个元素，j代表真实类别中第j个元素，i，j为正整数。
[0181]
步骤八、训练模型。
[0182]
按图5所示将时空图转换为特征矩阵输入模型，训练模型直至分类准确率收敛，通过argmax函数求出模型参数。模型故障诊断准确率如图6所示，混淆矩阵如图7所示。约在45次训练后，准确率趋近99％。
[0183]
步骤九、验证模型。
[0184]
用验证集验证模型，调整超参数(如学习率、样本长度)，选择使分类效果最优的超参数。
[0185]
其他参数不变的情况下，分别设置学习率为0.005、0.015、0.02以及初始学习率为0.005且学习率衰减为80％/5次训练，准确率曲线如图8所示。当学习率为0.02时，准确率趋近99％所需训练次数最少；而当学习率为0.005时，准确率下降到80％，此时的混淆矩阵如图9所示。可见，由于学习率设置过低，导致学习过程不够充分，行星轮点蚀状态故障没有被识别出来。
[0186]
其他参数不变的情况下，改变训练集、验证集和测试集样本比例，如图10所示。可见，训练集划分对准确率的影响。
[0187]
其他参数不变的情况下，改变样本长度，即模型第二层的输入输出通道数(h
×
i)，准确率变化情况如表1所示。可见，当模型第二层的输入输出通道数为48
×
30时，准确率最快趋近99％。
[0188]
故设置学习率为0.02，第二层输入输出通道数为48
×
30。
[0189]
步骤十、测试模型。
[0190]
用测试集测试最优模型，准确率趋近99％。
[0191]
表1卷积层不同输入输出通道下准确率对比
[0192][0193]
最后应该说明的是：所描述的实施例仅是本技术一部分实施例，而不是全部的实施例，基于本技术中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本技术保护的范围。
[0194]
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。