基于1DCNN和LSTM的轴承故障诊断
行业:石油 通用行业
厂商:西南石油大学

基于 1DCNN 和 LSTM 的轴承故障诊断

问题背景

在旋转机械故障诊断中,传统方法计算量较小,转换后的矩阵之间的相似度很高,难以区分,会导致模型训练时间长,准确率低的问题。同时将输入转换为图像的过程需要更多时间,从而增加了工作量。此外,对原始信号进行分解必然会造成信息的丢失,从而影响诊断的准确性。诊断模型的学习能力也较弱,对诊断结果的有效性和准确性产生了负面影响。

img 轴承

解决方案

使用深度学习技术的端到端故障诊断模型,该模型采用 1DCNN 进行特征自提取,LSTM 学习特征之间的时间依赖性,以弥补传统方法的不足。该模型集成了传统的信号降噪、特征提取、特征选择、特征分类等流程,最大程度地简化了诊断流程。LSTM 和 CNN 的结合弥补了使用 CNN 单独处理时间序列数据的不足,提高了模型的鲁棒性。改进后的算法不仅训练参数少、诊断时间少,而且泛化能力强,更适合处理滚动轴承故障的准确识别和实时诊断。

img 2-D CNN 多测量点的往复式压缩机阀门故障诊断模型

总结说明

所提出的模型比其他模型更准确,准确率达到了 95%以上,这证明了所提出的模型能够适应负载的变化,这对于实际应用中的准确诊断具有重要意义。该模型具有优越的迁移和泛化性能,能够有效提取轴承故障特征,实现故障的有效分类。在轴承故障诊断中具有实用性和有效性。

img 不同模型的迁移和泛化性能比较

©2013-2024 北京寄云鼎城科技有限公司 版权所有
京ICP备13047557号-4