航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displac...航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。展开更多
基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试...基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别。针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络(Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN)的故障诊断方法,其具有两个特点:①提取信号的密度特征可抵抗数据的冗余;②适应不同长度的冗余信号可作为诊断模型的输入。该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性。展开更多
文摘航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。
文摘基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别。针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络(Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN)的故障诊断方法,其具有两个特点:①提取信号的密度特征可抵抗数据的冗余;②适应不同长度的冗余信号可作为诊断模型的输入。该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性。
