基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下，压裂车动力端轴承振动信号故障特征较微弱，导致轴承故障诊断的准确率较低。针对这一问题，提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先，采用了一种Laplace小波振荡频率参数选取策略，使Laplace小波搜寻到了最佳频率参数；然后，采用改进Laplace小波，对采集到的压裂车动力端轴承故障振动信号进行了降噪处理，并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构，设计出了改进卷积神经网络(ECNN)模型；最后，将压裂车动力端轴承降噪后的信号输入改进卷积神经网络，进行了自动特征提取和故障识别；为了验证该方法的有效性和先进性，将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面，与其他方法(模型)相比，基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。