针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特...针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特征、频域特征和小波包能量特征。利用核主成分分析(kernel principal component analysis,KPCA)对声振信号特征进行特征融合与数据降维,得到特征矩阵。在深度级联森林的基础上引入极端随机森林构建级联层,并添加XGBoost预测器提升模型性能,得到改进级联森林模型。利用改进的级联森林模型进行故障分类,试验结果表明,该方法能够有效识别离心泵的故障类型,并且声振信号特征融合相比于单源信号特征能够有效提升诊断精度。展开更多
文摘针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特征、频域特征和小波包能量特征。利用核主成分分析(kernel principal component analysis,KPCA)对声振信号特征进行特征融合与数据降维,得到特征矩阵。在深度级联森林的基础上引入极端随机森林构建级联层,并添加XGBoost预测器提升模型性能,得到改进级联森林模型。利用改进的级联森林模型进行故障分类,试验结果表明,该方法能够有效识别离心泵的故障类型,并且声振信号特征融合相比于单源信号特征能够有效提升诊断精度。
