針對燃氣輪機故障信號為變速非平穩(wěn)信號的特點,使用非線性調(diào)頻分量分解方法對燃氣輪機機匣振動信號進行時頻分析,并利用卷積神經(jīng)網(wǎng)絡(luò)對燃氣輪機轉(zhuǎn)子進行故障診斷。首先使用非線性調(diào)頻分量分解方法將信號分解成多個頻率分量,得到各個頻率成分的瞬時頻率,并繪制時頻圖。將時頻圖經(jīng)過灰度處理以及尺寸壓縮等預處理后作為輸入訓練卷積神經(jīng)網(wǎng)絡(luò),利用卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力實現(xiàn)燃氣輪機轉(zhuǎn)子故障的有效診斷。實驗結(jié)果表明,針對燃氣輪機轉(zhuǎn)子故障,該模型能夠獲得很好的診斷效果,測試準確率約為99%。 

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 相關(guān)理論
    1.1 非線性調(diào)頻分量分解
    1.2 卷積神經(jīng)網(wǎng)絡(luò)
2 燃氣輪機轉(zhuǎn)子故障診斷模型
3 實驗驗證
4 結(jié)束語


【參考文獻】：
期刊論文
[1]基于機匣信號的滾動軸承故障卷積神經(jīng)網(wǎng)絡(luò)診斷方法[J]. 張向陽,陳果,郝騰飛,賀志遠,李栩進,成震杰.  航空動力學報. 2019(12)
[2]基于時頻圖和CNN的滾動軸承故障診斷[J]. 劉炳集,熊邦書,歐巧鳳,陳新云.  南昌航空大學學報(自然科學版). 2018(02)
[3]非線性調(diào)頻分量分解的轉(zhuǎn)子油膜渦動信號分析研究[J]. 李玲玲,陳是扦,彭志科.  噪聲與振動控制. 2017(05)
[4]基于小波時頻圖和CNN的滾動軸承智能故障診斷方法[J]. 袁建虎,韓濤,唐建,安立周.  機械設(shè)計與研究. 2017(02)
[5]基于EMD能量熵和相關(guān)向量機的燃機渦輪葉片故障診斷方法[J]. 陳立偉,王鐵深,黃璐.  應用科技. 2016(01)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的變速器故障分類識別研究[D]. 曾雪瓊.華南理工大學 2016



本文編號：3696006