期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于MKMC-ResCNN的页岩气压缩机故障诊断
1
作者 王欣 李治钢 +4 位作者 李定夏 吕卓伦 王华 陈明 唐伟 《石油机械》 北大核心 2025年第10期64-71,共8页
页岩气压缩机作为核心设备其智能故障诊断对保障能源安全生产具有重大意义。针对传统诊断方法在复杂工况下面临的特征提取能力不足、多源信号融合效率低等问题,提出基于多尺度核多通道残差卷积神经网络(MKMC-ResCNN)的页岩气压缩机智能... 页岩气压缩机作为核心设备其智能故障诊断对保障能源安全生产具有重大意义。针对传统诊断方法在复杂工况下面临的特征提取能力不足、多源信号融合效率低等问题,提出基于多尺度核多通道残差卷积神经网络(MKMC-ResCNN)的页岩气压缩机智能诊断方法。通过构建融合3×3、5×5、7×7等3种卷积核的并行残差模块,实现多尺度振动特征的层次化提取;采用跨通道特征融合机制整合六维传感器数据,增强工况适应能力;引入余弦退火学习率调度以优化模型收敛过程。试验采集包含5种典型故障状态(活塞磨损、活塞环断裂、气阀弹簧片失效、气阀阀片故障及正常工况)的2 240组多通道振动数据,构建跨工况验证体系。试验结果表明:该方法在5种故障分类任务中达到98.76%的总体准确率,较传统SVM模型提升14.53个百分点;多通道融合策略使变工况下的诊断准确率提高23.85个百分点;与标准ResCNN的对比结果表明,所设计的多尺度模块将准确率提升了4.51个百分点。该成果可为复杂工业设备的智能运维提供具有强泛化能力的解决方案。 展开更多
关键词 页岩气压缩机 故障诊断 深度学习 多尺度核多通道 卷积神经网络 残差网络 振动信号
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部