基于SDP图像与VGG网络的旋转机械转子故障诊断研究

发布时间：2020-10-18 02:43

　　 针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。
【部分图文】：

点xi转化后的示意图如图1所示。图1中,θl=0°,xi转化为极坐标半径r(i)。θ(i)与φ(i)是关于镜像对称面θl的两个偏转角,θ(i)=φ(i)。xi经过两次转换,表示在图中两个黑色圆点的位置。

以正弦信号sin(x)为例,采样频率1 kHz,采样点2 000,参数设定为θl=60°,ζ=30°,a=5。6组正弦信号的特征被融合在一个SDP图像中得到表达,如图2所示。由以上分析可得,SDP图像转换方法可以实现多组信号的融合,每个镜像对称面均可以表达一组信号的特征信息。将故障设备多个方向的振动信号进行融合表达,可以更加全面地展示机械设备的振动信息,为故障诊断提供方便。

Spectra Quest变速器机械故障模拟实验台
【相似文献】

相关期刊论文 前3条

1 杨乐;;基于奇异值差分谱和SDP图像相关分析的故障诊断方法[J];机械设计与研究;2017年04期

2 许小刚;王松岭;刘海啸;;基于SDP与图像匹配的离心风机失速实时检测[J];动力工程学报;2015年11期

3 刘坚;;基于SDP图像特征和ANNC的液压泵故障诊断[J];机械强度;2018年06期

本文编号：2845681