基于CBLRE模型的轴向柱塞泵空化状态检测研究

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展，需要对柱塞泵的空化状态检测与智能故障诊断展开研究，因此，结合深度学习网络与非线性分类器的优点，提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先，对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强，并对其进行了标准化处理；然后，利用卷积神经网络(CNN)自动提取信号的特征，并对其进行了特征降维处理；利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性，利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类，实现了对柱塞泵的空化状态检测与智能故障诊断；最后，为测试CBLRE模型的性能，搭建了实验平台，在此之上将CBLRE模型与其他模型进行了对比，分析了该模型在不同工况下的性能表现。研究结果表明：该模型的结构稳定、训练时间短，且在不同负载下均可保持良好的泛化性能，空化状态识别率均达到99%以上，该结果验证了柱塞泵空化状态识别方法的有效性；此外，该模型还可有效识别空化现象与柱塞泵的其他故障。     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中，有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果，所以，如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下，采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题，为此，提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先，搭建了轴向柱塞泵故障诊断模型，并等量随机抽取了每个故障的样本以构建多个任务，模型使用一维卷积神经网络作为主干，每个任务中包含当前模型、支持集、查询集；然后，利用模型将样本映射到特征空间，在特征空间中，模型使用支持集的同类样本构建了原型点，并逐个将查询集样本与多个原型点进行了距离度量，实现了轴向柱塞泵不同故障的分类；最后，为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性，采集了轴向柱塞泵不同元件发生故障时产生的振动信号，并使用上述诊断模型对此进行了故障识别实验；为了验证该诊断模型的优越性，将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下，采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上；同时，在噪声条件下，采用基于...