基于卷积神经网络的燃气轮机故障诊断研究

发布时间：2022-10-21 16:39

　　针对燃气轮机故障信号为变速非平稳信号的特点,使用非线性调频分量分解方法对燃气轮机机匣振动信号进行时频分析,并利用卷积神经网络对燃气轮机转子进行故障诊断。首先使用非线性调频分量分解方法将信号分解成多个频率分量,得到各个频率成分的瞬时频率,并绘制时频图。将时频图经过灰度处理以及尺寸压缩等预处理后作为输入训练卷积神经网络,利用卷积神经网络强大的特征提取能力实现燃气轮机转子故障的有效诊断。实验结果表明,针对燃气轮机转子故障,该模型能够获得很好的诊断效果,测试准确率约为99%。 

【文章页数】：5 页

【文章目录】：
0 引言
1 相关理论
    1.1 非线性调频分量分解
    1.2 卷积神经网络
2 燃气轮机转子故障诊断模型
3 实验验证
4 结束语


【参考文献】：
期刊论文
[1]基于机匣信号的滚动轴承故障卷积神经网络诊断方法[J]. 张向阳,陈果,郝腾飞,贺志远,李栩进,成震杰.  航空动力学报. 2019(12)
[2]基于时频图和CNN的滚动轴承故障诊断[J]. 刘炳集,熊邦书,欧巧凤,陈新云.  南昌航空大学学报(自然科学版). 2018(02)
[3]非线性调频分量分解的转子油膜涡动信号分析研究[J]. 李玲玲,陈是扦,彭志科.  噪声与振动控制. 2017(05)
[4]基于小波时频图和CNN的滚动轴承智能故障诊断方法[J]. 袁建虎,韩涛,唐建,安立周.  机械设计与研究. 2017(02)
[5]基于EMD能量熵和相关向量机的燃机涡轮叶片故障诊断方法[J]. 陈立伟,王铁深,黄璐.  应用科技. 2016(01)

硕士论文
[1]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016



本文编号：3696006