原文传递
基于深度学习的柱塞泵故障诊断方法研究
| 论文题名： | 基于深度学习的柱塞泵故障诊断方法研究 |
| 关键词： | 轨道交通;柱塞泵;故障诊断;深度学习 |
| 摘要： | 随着我国轨道交通的快速发展，列车安全问题日益突出，从而会影响运行效率和费用。其中，轨道转换装置是轨道运输中的重要组成部分，而柱塞泵作为轨道转换装置的核心部件，其运行的安全性关系到铁路交通能否正常运转。传统的柱塞泵由人工进行维护，但这种方式存在着严重的滞后性和被动性。近年来，随着深度学习的不断发展和进步，各种神经网络模型在柱塞泵故障诊断领域得到了广泛的应用和推广，但仍存在以下问题：故障诊断率低和实际采集到的数据不平衡。为解决上述问题，本文提出了基于CNN-LSTM-Attention和基于双通道特征融合的CNN-BiGRU-Attention两种模型来解决故障诊断率低的问题，并采用SMOTE+Tomek Link解决样本不平衡的问题。本文主要研究工作如下： （1）设计了基于注意力机制的CNN-LSTM柱塞泵故障诊断模型。该模型可在确保故障诊断结果的前提下，克服传统基于经验的先验知识，降低人为特征抽取和选取所造成的不确定因素，实现了对原始振动信号的高效自动化。实验结果表明该模型对于柱塞泵故障诊断有着明显的效果。 （2）构建了基于SMOTE+Tomek Link和双通道特征融合的CNN-BiGRU-Attention柱塞泵故障诊断模型。该模型首先利用SMOTE+Tomek Link的集成算法对柱塞泵数据集进行混合采样并生成人工合成的故障样本，改进了数据不平衡的问题；其次，提出了双通道特征融合的CNN-BiGRU-Attention柱塞泵故障诊断模型，对原始振动数据空间和时间信息特征进行提取和融合，同时输入到注意力层，并通过Softmax分类器完成故障分类。实验表明提出的模型与串行诊断模型相比，进一步提高了模型分类的效率和准确性。 （3）开发了基于深度学习的柱塞泵故障诊断系统。该系统实现了数据存储、故障数据曲线预览、故障诊断与分析等功能。系统经过测试运行，满足了柱塞泵故障诊断任务的基本需求。 |
| 作者： | 徐晓燕 |
| 专业： | 计算机技术 |
| 导师： | 杨喜旺;唐天翼 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中北大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
