摘要： 提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理，采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化，然后对10 种不同测点的水轮机振动信号进行实验，针对每个测点的振动信号对水轮机8 种不同工况进行区分识别，最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度，能够准确识别振动信号，识别结果准确率均在94 %以上，与传统卷积神经网络对比，信号识别准确率显著提升，最高达到20.78 %。同时可以看出，振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。

关键词: 振动与波, 卷积神经网络, 蝙蝠算法, 水轮机振动, 信号识别, 振动参数