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 |
| |
引用本文: | 林华钊,王迪,鲁国阳.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[J].机电工程,2023(5):691-698. |
| |
作者姓名: | 林华钊 王迪 鲁国阳 |
| |
作者单位: | 1. 珠海市技师学院智能制造系;2. 长安大学工程机械学院;3. 三一重型能源装备有限公司 |
| |
基金项目: | 国家自然科学基金资助项目(51509006); |
| |
摘 要: | 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。
|
关 键 词: | 压裂车 强背景噪声工况 自动特征提取 故障识别 改进Laplace小波 改进卷积神经网络 |
|
|