多级高压提水泵属于复杂旋转机械,受设备自身结构影响,其故障特征频率易被强噪声淹没,且叶轮、轴承、齿轮等转子部件的故障振动信号相似度极高,导致现有故障辨识方法无法快速准确辨识其故障模式。针对上述问题,该研究提出一种改进的一...多级高压提水泵属于复杂旋转机械,受设备自身结构影响,其故障特征频率易被强噪声淹没,且叶轮、轴承、齿轮等转子部件的故障振动信号相似度极高,导致现有故障辨识方法无法快速准确辨识其故障模式。针对上述问题,该研究提出一种改进的一维卷积长短期记忆神经网络(One-Dimensional Convolution and Long Short-Term Memory Neural Network,1D-CNN-LSTM)自适应故障辨识模型。首先通过贝叶斯优化算法获得给定模型超参数,再输入经互补集合经验模态分解降噪后的振动数据集,通过1D-CNN层自适应提取样本特征并作为LSTM层输入;利用LSTM层学习具有识别性的深层特征并训练模型,最后由输出层Softmax函数完成故障辨识与分类。多级高压提水泵试验台实测数据集对模型进行验证的结果表明:提出的1D-CNN-LSTM智慧故障辨识模型能够快速辨识关键转子部件的故障模式,且准确率可达97%,具有更好的抗噪能力和鲁棒性能,可为智慧应急供水与净水一体化系统的可靠运维技术研发奠定理论基础。展开更多
文摘多级高压提水泵属于复杂旋转机械,受设备自身结构影响,其故障特征频率易被强噪声淹没,且叶轮、轴承、齿轮等转子部件的故障振动信号相似度极高,导致现有故障辨识方法无法快速准确辨识其故障模式。针对上述问题,该研究提出一种改进的一维卷积长短期记忆神经网络(One-Dimensional Convolution and Long Short-Term Memory Neural Network,1D-CNN-LSTM)自适应故障辨识模型。首先通过贝叶斯优化算法获得给定模型超参数,再输入经互补集合经验模态分解降噪后的振动数据集,通过1D-CNN层自适应提取样本特征并作为LSTM层输入;利用LSTM层学习具有识别性的深层特征并训练模型,最后由输出层Softmax函数完成故障辨识与分类。多级高压提水泵试验台实测数据集对模型进行验证的结果表明:提出的1D-CNN-LSTM智慧故障辨识模型能够快速辨识关键转子部件的故障模式,且准确率可达97%,具有更好的抗噪能力和鲁棒性能,可为智慧应急供水与净水一体化系统的可靠运维技术研发奠定理论基础。
