排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络(1D-CNN)故障诊断方法.首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波(7~20 kHz),叠加低频振动信号(7 kHz内)形成频带更完整的电动机状态表征信息.再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据.最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化(local response normalization,LRN)和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响.诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显. 相似文献
2.
弹簧势能的可靠储存是保障断路器后续分合闸操作正确的前提。通过分析控制回路、电机、传动部件和弹簧之间的能量转换和传递关系,提出一种电—振信号熵权特征联合的断路器储能机构故障类型辨识方法。首先利用希尔伯特变换(Hilbert transform)提取储能电机电流信号包络时域特征并计算峭度;然后由局部均值分解(LMD)处理断路器储能过程伴随的振动信号得到乘积函数分量(PF),并提取PF能量谱频域的盒维数特征;进而采用熵权法对电流和振动信号待分类样本进行剪辑,按照样本信息量和重要性赋予对应的权重;最后把熵权特征作为KNN算法的输入,辨识储能机构运行状态。实验结果表明:采用联合电—振信号的熵权特征量,KNN算法能更准确地诊断断路器储能机构发生的故障类型。 相似文献
3.
1