文献类型：期刊文章

作　　者：林华钊[1] 王迪[2] 鲁国阳[3]

LIN Hua-zhao;WANG Di;LU Guo-yang(Department of Intelligent Manufacturing,Zhuhai Technician College,Zhuhai 519000,China;Department of Engineering Machinery,Chang an University,Xi an 710064,China;Sany Heavy Energy Equipment Company Limited,Beijing 102202,China)

机构地区：[1]珠海市技师学院智能制造系,广东珠海519000 [2]长安大学工程机械学院,陕西西安710064 [3]三一重型能源装备有限公司,北京102202

出　　处：《机电工程》

基　　金：国家自然科学基金资助项目(51509006)。

年　　份：2023

卷　　号：40

期　　号：5

起止页码：691-698

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

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  

分 类 号：TH133.3] TE934.2]