基于特征快速构造与卷积神经网络的机泵故障识别研究

发布时间：2021-12-09 05:57

　　将卷积神经网络（CNN）应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。 

【文章来源】：机电工程. 2020,37(09)北大核心

【文章页数】：6 页

【部分图文】：

卷积神经网络的组成结构

故障识别模型

设备1二维特征集可视化

【参考文献】：
期刊论文
[1]一种用于轴承故障诊断的二维卷积神经网络优化方法[J]. 肖雄,王健翔,张勇军,郭强,宗胜悦.  中国电机工程学报. 2019(15)
[2]基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断[J]. 熊鹏,汤宝平,邓蕾,赵明航.  机械工程学报. 2019(07)
[3]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇.  机械工程学报. 2019(07)
[4]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬.  振动与冲击. 2018(19)
[5]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君.  振动工程学报. 2018(05)
[6]基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  仪器仪表学报. 2018(07)
[7]基于卷积神经网络的异步电机故障诊断[J]. 王丽华,谢阳阳,周子贤,张永宏,赵晓平.  振动.测试与诊断. 2017(06)

硕士论文
[1]基于二维隐马尔科夫模型的离心泵故障诊断方法研究[D]. 柳长昕.东北电力大学 2009



本文编号：3530060