-
题名基于深度融合模型的气膜密封端面状态识别方法
- 1
-
-
作者
刘伟
张书尧
李双喜
马亚宾
梁坤海
-
机构
北京化工大学机电工程学院
赛哲尔能源科技(北京)有限公司软件研发部
-
出处
《机电工程》
CAS
北大核心
2024年第7期1198-1206,共9页
-
基金
国家重点研发计划项目(2018YFB2000800)。
-
文摘
气膜密封装置是工业领域应用广泛的一种密封技术,其可靠的密封性能对于设备正常运行至关重要。气膜密封装置的动静密封环接触端面相对运动会产生摩擦,摩擦过程会产生复杂的声发射信号,这些信号往往隐含密封端面运行状况的重要信息。采用传统的方法往往难以准确识别和分类这些微弱的特征信号,因此需要开发更高精度的故障诊断方法。针对机械密封动、静环端面摩擦状态难以识别这一问题,以气膜密封装置为研究对象,提出了一种基于深度融合模型的气膜密封端面状态识别方法。首先,采用声发射传感器及采集设备,对密封端面的声发射信号进行了采集;其次,利用小波包变换方法对采集到的信号进行了滤波处理,并提取了时域和频域的微弱特征;然后,将深度随机森林(DRF)作为分类层融入卷积神经网络(CNN)形成了融合模型,对预先处理过的密封装置运行状态的特征信息进行了识别和分类;最后,根据实验的泄漏量,使用混淆矩阵和受试者工作曲线分析了两种模型的特征提取能力。研究结果表明:CNN-DRF融合模型对于密封端面声发射信号的两种特征识别精度分别为96%和98%,与传统的CNN模型相比,其可以充分提取信号特征信息,具有更出色的故障诊断能力。
-
关键词
气膜密封技术
机械密封
声发射信号
小波包变换方法
融合模型
深度随机森林
卷积神经网络
特征提取
特征识别精度
-
Keywords
air film sealing technology
mechanical seal
acoustic emission signal
wavelet packet transform method
fusion model
deep random forest(DRF)
convolutional neural network(CNN)
feature extraction
feature recognition accuracy
-
分类号
TH136
[机械工程—机械制造及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
