為提高水電機(jī)組故障診斷精度,減少在振動(dòng)信號(hào)特征選取過(guò)程中對(duì)專業(yè)經(jīng)驗(yàn)的依賴,提出了一種融合變分模態(tài)分解和卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先對(duì)水電機(jī)組振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解得到若干分量,并利用這些分量構(gòu)造時(shí)間圖,然后搭建深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間圖進(jìn)行特征提取和故障識(shí)別,建立分量和故障狀態(tài)的映射關(guān)系。以實(shí)測(cè)水電機(jī)組軸向振動(dòng)信號(hào)進(jìn)行應(yīng)用檢驗(yàn),并采用多組對(duì)比試驗(yàn),結(jié)果表明該方法與其他方法相比故障識(shí)別準(zhǔn)確率更高。研究成果為水電機(jī)組智能故障診斷提供了新思路。 

【文章來(lái)源】：水電能源科學(xué). 2020,38(08)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 引言
2 研究方法
    2.1 變分模態(tài)分解
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 基于VMD和CNN的水電機(jī)組故障診斷
3 實(shí)例分析
    3.1 VMD參數(shù)選取
    3.2 CNN模型建立
    3.3 結(jié)果分析
4 結(jié)論



本文編號(hào)：3024863