原文传递
基于VMD-CWT与CBAM-ResNet的柱塞泵故障诊断研究
| 论文题名： | 基于VMD-CWT与CBAM-ResNet的柱塞泵故障诊断研究 |
| 关键词： | 铁路道岔;转辙机;柱塞泵;故障诊断;变分模态分解;连续小波变换 |
| 摘要： | 转辙机柱塞泵是铁路道岔电液转辙机传动系统的核心组成部分，其工作状态的可靠性是保证列车高速度、稳定运行的关键。如果转辙机柱塞泵在运行期间发生故障未能及时发现，轻则影响列车的正常运行，重则危及列车行车安全，进而造成灾难性事故，因此对转辙机柱塞泵进行故障诊断十分重要。以转辙机柱塞泵为研究对象，将振动信号处理技术与深度学习技术相结合研究了一种基于VMD-CWT与CBAM-ResNet的柱塞泵故障诊断方法，扩充了故障信息，实现了故障特征自适应提取，较好地识别出柱塞泵的不同故障类型。主要研究内容包括以下三个方面： （1）提出一种基于VMD-CWT的转辙机柱塞泵振动信号时频特征提取方法。首先，将原始的柱塞泵振动信号使用变分模态分解（VMD）算法进行分解，得到多个本征模态分量，各分量中蕴含了原始信号中的不同频率信息，极大的丰富了故障信息。其次，将各分量按照中心频率从小到大排列，进行拼接重构后组成新的故障信号，将同一时间域的耦合信号解耦到不同时间域，增强信号中的故障信息。最后，使用连续小波变换（CWT）将新的故障信号转换二维时频特征图，对信号中的故障信息进行可视化，更易于后续的故障诊断处理。 （2）提出一种基于CBAM-ResNet的柱塞泵故障诊断模型。首先，利用残差神经网络（ResNet）提取柱塞泵CWT时频特征图中的深层特征信息，通过多个残差连接避免了模型在训练时可能出现的梯度消失现象。之后，在残差神经网络中引入注意力机制（CBAM），自适应的为网络层输入的多通道特征与空间特征赋权，更为精准的提取到高维柱塞泵时频特征图中的故障特征，以提高故障诊断模型的准确率并减少网络训练次数。 （3）使用CBAM-ResNet故障诊断模型对转辙机柱塞泵故障数据集进行故障识别。首先，将柱塞泵故障数据集划分为训练集与测试集，分别使用VMD-CWT方法生成对应的二维时频特征图像，将训练集样本输入到CBAM-ResNet诊断模型中进行训练，使用测试集样本进行测试，达到了99%以上的准确率。然后，与AlexNet模型、ResNet18模型以及融合注意力机制的AlexNet（CBAM-AlexNet）模型作对比，对比结果验证了该模型的优越性和鲁棒性。同时使用圣朗戈瓦尔工程技术学院的离心泵振动数据集对CBAM-ResNet故障诊断模型的性能进行验证，实验结果充分证明了该模型具有较强的泛化性。 |
| 作者： | 张建飞 |
| 专业： | 机械工程 |
| 导师： | 黄晋英 |
| 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
