發(fā)布時間：2018-05-20 20:00

  本文選題：離心泵 + 空化狀態(tài)識別　； 參考：《西安交通大學學報》2017年11期

【摘要】：空化狀態(tài)識別是離心泵狀態(tài)監(jiān)測的難點之一,為了提高空化狀態(tài)識別的效果,提出了一種基于深度學習的離心泵空化狀態(tài)識別方法。首先,采集了在3種工況下泵殼的振動信號,分別構建了振動信號的改進倍頻帶特征矩陣和時頻特征矩陣;然后,基于自動編碼器構建了深度學習網(wǎng)絡,通過無監(jiān)督訓練自動學習輸入數(shù)據(jù)的特征,利用監(jiān)督訓練對網(wǎng)絡的參數(shù)進行了調整;最后,運用深度學習網(wǎng)絡,對離心泵的4類空化狀態(tài)進行了分類識別。研究表明,無論是基于改進倍頻帶特征矩陣還是基于時頻特征矩陣,深度學習網(wǎng)絡對4類空化狀態(tài)都有很好的識別效果,尤其是對于弱空化狀態(tài),深度學習網(wǎng)絡比BP神經(jīng)網(wǎng)絡更有效。
[Abstract]:The identification of cavitation state is one of the difficulties in the state monitoring of centrifugal pump. In order to improve the effect of cavitation state recognition, a method of identifying the cavitation state of centrifugal pump based on depth learning is proposed. First, the vibration signals of the pump shell are collected under 3 operating conditions, and the improved frequency doubler band characteristic matrix and the time frequency characteristic moment of the vibration signal are constructed respectively. Secondly, a deep learning network is constructed based on automatic coder, and the characteristics of the input data are automatically learned by unsupervised training, and the parameters of the network are adjusted by supervised training. Finally, the 4 types of cavitation state of the centrifugal pump are classified and identified by using the depth learning network. The eigenmatrix or time frequency characteristic matrix is based on the time frequency characteristic matrix, and the depth learning network has a good recognition effect for the 4 kinds of cavitation states. Especially for the weak cavitation state, the depth learning network is more effective than the BP neural network.
【作者單位】： 海軍工程大學動力工程學院;海軍工程大學管理工程系;
【基金】：國家自然科學基金資助項目(51306205) 湖北省自然科學基金資助項目(2015CFB700) 海軍工程大學博士生創(chuàng)新基金資助項目(4142C15K)
【分類號】：TH311;TP18

【相似文獻】

相關期刊論文 前10條

1 齊永順;張文泉;;設備狀態(tài)識別[J];機械設計與制造;1987年04期

2 滕紅智;賈希勝;趙建民;張星輝;王正軍;葛家友;;分層隱Markov模型在設備狀態(tài)識別中的應用研究[J];中國機械工程;2011年18期

3 余成波，梁德沛;基于模糊相似貼近度旋轉機械狀態(tài)識別[J];機械傳動;1994年04期

4 杜向華;毛榮富;朱海潮;;加權支持向量機在機器狀態(tài)識別中的應用[J];船海工程;2006年04期

5 張蕾,郭忠新,曹其新;設備退化狀態(tài)識別的兩種方法[J];機床與液壓;2005年01期

6 張優(yōu)云;系統(tǒng)識別在摩擦學中的應用(續(xù))[J];潤滑與密封;1989年02期

7 王寧;孫樹棟;蔡志強;李淑敏;;基于HSMM的兩階段設備缺陷狀態(tài)識別方法[J];計算機應用研究;2011年12期

8 譚青;旋轉機械故障診斷的狀態(tài)識別[J];南昌高專學報;1998年03期

9 曾慶虎;邱靜;劉冠軍;;基于小波相關特征尺度熵的HSMM設備退化狀態(tài)識別與故障預測方法[J];儀器儀表學報;2008年12期

10 曾慶虎;邱靜;劉冠軍;;小波相關特征尺度熵和隱半馬爾可夫模型在設備退化狀態(tài)識別中的應用[J];機械工程學報;2008年11期

相關會議論文 前2條

1 楊明忠;樊建春;;磨損形態(tài)分析與智能化磨損狀態(tài)識別研究[A];第六屆全國摩擦學學術會議論文集（上冊）[C];1997年

2 李宏坤;周帥;孫志輝;;基于Hilbert時頻譜重心與支持向量機的設備狀態(tài)識別[A];第八屆全國動力學與控制學術會議論文集[C];2008年

相關碩士學位論文 前2條

1 林助軍;非穩(wěn)態(tài)條件下摩擦信號處理和狀態(tài)識別技術研究[D];大連海事大學;2015年

2 朱昌堆;滾動軸承聲發(fā)射信號特征選取及狀態(tài)識別方法研究[D];北京化工大學;2012年

，

本文編號：1916031