文档摘要：为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutionalneuralnetworks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型.首先,采用连续小波变换(Continuouswavelettransform,CWT)对信号进行预处理,得到信号的二维时频图,作为CNN模型的一路输入,将状态识别问题转化为CNN图像识别问题.其次,基于相关系数对变分模态分解(Variationalmodedecomposition,VMD)参数优化后,利用优化VMD对振动信号进行预处理,再以相关系数和峭度值最大为优选原则,甄选出三组蕴含故障特征的本征模态函数(Intrinsicmodefunction,IMF),将其重组为三通道一维信号,作为CNN模型的另一路输入.最后,在CNN模型中将两路信息汇聚并得到柱塞泵配流盘磨损状态识别分类结果.实验中,此方法分别采用优化VMD和CWT对振动信号预处理,再结合CNN对磨损状态进行分类.实验结果表明,该方法对于配流盘磨损的三种状态的识别效果显著优于单路输入的CNN模型以及典型的深度学习方法和机器学习分类器.因此,优化的VMD-CWT-CNN方法可以更准确地实现柱塞泵配流盘磨损状态识别.
Abstract：Itisdifficulttofullyminetheinformationfromthatone-dimensionalvibrationsignalthatexpressesthestatecharacteristicsandthenearlyrecognizethewearofthevalveplateofapistonpump.Inviewoftheexcellentimageprocessingcapabilitiesoftheconvolutionalneuralnetworks(CNN),weproposedanoptimizedVMD-CWT-CNNmodeltosolvetheabove-mentionedproblem.Firstly,continuouswavelettransform(CWT)wasusedtopreprocessthesignaltoobtainatwo-dimensionaltime-frequencydiagramofthesignal,whichiwasusedasoneinputoftheCNNmodeltoconvertthestaterecognitionproblemintoaCNNimagerecognitionproblem.Secondly,afteroptimizingvariationalmodedecomposition(VMD)parametersbasedoncorrelationcoefficient,thevibrationsignalwaspreprocessedbyusingtheoptimizedVMD,andthenbasedontheprincipleofmaximizingthecorrelationcoefficientandthekurtosisvalue,threegroupsofIntrinsicmodefunction(IMF)withfaultcharacteristicswereselectedandreorganizedintoathree-channelone-dimensionalsignalasanotherinputoftheCNNmodel.Finally,intheCNNmodel,twopathswereconverged,andtheresultsoftherecognitionandclassificationofthevalveplatewearstatesofthepistonpumpwereobtained.Intheexperiment,theproposedmethodwefirstusetheoptimizedVMDandtheCWTtopreprocessthevibrationsignal,respectively,andthencombinedwiththeCNNtoclassifythewearstatesofvalveplates.Experimentalresultsshowtherecognitioneffectoftheproposedmethodonthethreestatesofvalveplatewearissignificantlybetterthanthatofthesingle-inputCNNmodel,thetypicaldeeplearningmethodandthemachinelearningclassifier.TheoptimizedVMD-CWT-CNNmethodcanmoreaccuratelyrecognizethevalveplatewearstatesofthepistonpump.
作者：吕尚杰 谷立臣 耿宝龙Author：LYUShangjie GULichen GENGBaolong
作者单位：西安建筑科技大学机电工程学院,陕西西安710055
刊名：测试科学与仪器
Journal：JournalofMeasurementScienceandInstrumentation
年，卷(期)：2024, 15(1)
分类号：
关键词：柱塞泵配流盘磨损 振动信号 卷积神经网络 变分模态分解 连续小波变换
Keywords：pistonpumpvalveplatewear vibrationsignal convolutionalneuralnetwork(CNN) variationalmodedecomposition(VMD) continuouswavelettransform(CWT)
机标分类号：TP391.41P631.4TN911.7
在线出版日期：2024年4月28日
基金项目：一种基于优化VMD-CWT-CNN的柱塞泵配流盘磨损状态识别方法[
期刊论文] 测试科学与仪器--2024, 15(1)吕尚杰 谷立臣 耿宝龙为解决一维振动信号难以充分挖掘表达状态特征信息以及柱塞泵配流盘磨损早期识别问题,基于卷积神经网络(Convolutionalneuralnetworks,CNN)优秀的图像处理能力,提出了一个优化VMD-CWT-CNN模型.首先,采用连续小波变换(...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：柱塞泵配流盘磨损,振动信号,卷积神经网络,变分模态分解,连续小波变换,
|
|
1
