發(fā)布時(shí)間：2024-02-03 02:46

　　液壓泵振動(dòng)信號(hào)具有非平穩(wěn)性,需要一定的先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)從而實(shí)現(xiàn)故障診斷。為了實(shí)現(xiàn)對(duì)液壓泵的智能故障診斷,提出了一種基于經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的智能故障診斷方法。首先對(duì)振動(dòng)加速度信號(hào)進(jìn)行經(jīng)驗(yàn)小波變換得到若干不同模態(tài)的內(nèi)稟模態(tài)函數(shù)(Intrinsic Mode Function,IMF);其次,基于峭度的評(píng)價(jià)指標(biāo),篩選出故障特征豐富的6個(gè)IMF分量作為診斷用的數(shù)據(jù)源;然后利用CNN融合IMF分量,并自動(dòng)提取相關(guān)特征;最后,將特征應(yīng)用于分類器識(shí)別,從而實(shí)現(xiàn)液壓泵故障的自動(dòng)故障診斷。試驗(yàn)結(jié)果表明:該方法能夠準(zhǔn)確、有效的對(duì)液壓泵的工作狀態(tài)和故障類型進(jìn)行分類。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1頻帶分布

在確認(rèn)出區(qū)間Λn后,每一個(gè)Λn上的帶通濾波器即為經(jīng)驗(yàn)小波,以小波理論的定義方法,構(gòu)造出經(jīng)驗(yàn)小波,經(jīng)驗(yàn)小波尺度函數(shù)φ^n(ω)和小波函數(shù)ψ^n(ω)在頻域內(nèi)的定義分別如下:φ^n(ω)={1;|ω|≤(1-γ)ωncos[π2β(12γωn(....

圖2LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

典型的CNN通常由特征提取和分類這兩個(gè)部分組成,特征提取過(guò)程由卷積和池化操作完成。最后由全連接層和分類器實(shí)現(xiàn)對(duì)提取到特征的分類。圖2給出了典型的LeNet-5結(jié)構(gòu)圖。后續(xù)的CNN結(jié)構(gòu)基本由此發(fā)展而來(lái)。卷積層是CNN網(wǎng)絡(luò)的核心,通過(guò)對(duì)輸入數(shù)據(jù)的卷積運(yùn)算,從而提取到相應(yīng)特征。一個(gè)卷積....

圖3基于EWT和CNN-2D的液壓泵故障診斷方法流程

基于EWT和CNN進(jìn)行液壓泵故障定性診斷時(shí),分為五個(gè)步驟:信號(hào)采集與劃分、樣本信號(hào)EWT分解、數(shù)據(jù)集創(chuàng)建、CNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練以及液壓泵故障定性診斷,流程如圖3所示。(1)信號(hào)采集與劃分:

圖4斜盤(pán)式軸向柱塞泵實(shí)驗(yàn)系統(tǒng)

表1液壓泵試驗(yàn)參數(shù)設(shè)置表參數(shù)名稱參數(shù)值電動(dòng)機(jī)轉(zhuǎn)速/r·min-11470轉(zhuǎn)軸頻率/Hz24.5采樣頻率/kHz50泵出口壓力/MPa13為了驗(yàn)證所提方法的有效性,本研究選取一路Z軸方向振動(dòng)信號(hào)進(jìn)行深入分析。將各個(gè)狀態(tài)下的原信號(hào)采集后,經(jīng)過(guò)EWT方法處理,每個(gè)....

本文編號(hào)：3893581