文献类型：期刊文章

作　　者：焦瀚晖[1] 胡明辉[1] 江志农[1] 冯坤[2]

JIAO Hanhui;HU Minghui;JIANG Zhinong;FENG Kun(Key Lab of Engine Health Monitoring-Control and Networking of Ministry of Education,Beijing University of Chemical Technology,Beijing 100029,China;Beijing Key Laboratory of High-end Mechanical Equipment Health Monitoring and Self-Recovery,Beijing University of Chemical Technology,Beijing 100029,China)

机构地区：[1]北京化工大学发动机健康监控及网络化教育部重点实验室,北京100029 [2]北京化工大学高端机械装备健康监控与自愈化北京市重点实验室,北京100029

出　　处：《振动与冲击》

基　　金：博士后创新人才支持计划(BX20180031);NSFC-辽宁联合基金(U1708257);中央高校基本科研业务费专项资金资助(JD1913)。

年　　份：2021

卷　　号：40

期　　号：10

起止页码：41-49

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：一维卷积神经网络可适用于振动等一维信号的识别与分类,但将其直接应用于机械故障诊断时小样本训练条件下的识别准确率与识别速度是其亟需解决的问题。针对上述问题,提出一种基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法。基于离心泵振动分析与故障诊断理论,通过提取时域、频域、能量及熵特征来构造混合域全特征集,充分挖掘训练样本中的故障信息,提高单个训练样本的利用率,使故障识别模型具备小样本训练的能力;通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力;通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。经某石化离心泵的抽空和滚动轴承损伤两个故障案例验证,该方法在小样本训练条件下识别准确率达到98%以上,单组数据识别时间小于3 s,可满足工程中离心泵故障实时智能识别的需求。

关 键 词：离心泵 故障诊断 振动  卷积神经网络(CNN)  小样本

分 类 号：TP277] TH32]