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

作者：林华钊,王迪,鲁国阳. 日期：2023-07-18/span> 浏览：338 查看PDF文档

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0.14s;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

中图分类号:TH133.3;TE934.2文献标识码:A文章编号:1001-4551(2023)05-0691-08

本文引用格式:

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,2023,40(5):691-698.

LIN Hua-zhao, WANG Di, LU Guo-yang. Fault identification of fracturing vehicle power end bearing based on enhanced ELW and enhanced ECNN［J］.Journal of Mechanical & Electrical Engineering, 2023,40(5):691-698.