论文摘要
针对压裂车在复杂工况高载荷环境下动力端振动信号故障特征难以准确提取和辨识的问题,结合深度残差网络(DRN)的优势,提出了一种基于同步挤压S变换(SSST)和深度残差网络的故障诊断方法。首先利用同步挤压S变换优越的时频分解特性,对2000型压裂车动力端采集的振动信号进行了分解和变换,得到了时频图像;然后对图像进行了灰度化和归一化,再将灰度图降维至适当大小,将压缩后的时频图像作为DRN模型的输入;最后建立了基于SSST特征提取和DRN的分类识别模型,并进行了测试,实现了压裂车动力端的故障诊断。研究结果表明:该方法避免了复杂的人工特征提取过程,在强背景噪声下能够有效提高压裂车动力端故障状态识别的准确率。
论文目录
文章来源
类型: 期刊论文
作者: 许旭,陈志刚,杜小磊,张楠,钟新荣
关键词: 压裂车,故障诊断,同步挤压变换,深度残差网络,深度学习
来源: 机电工程 2019年12期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 汽车工业,计算机软件及计算机应用,自动化技术
单位: 北京建筑大学机电与车辆工程学院,北京市建筑安全监测工程技术研究中心,中国石油集团川庆钻探工程有限公司长庆井下技术作业公司
基金: 国家自然科学基金资助项目(51605022),住房和城乡建设部科技计划项目(2016-K4-081),北京市教育委员会科技计划一般项目(SQKM201710016014),北京市属高校基本科研业务费专项资金资助项目(X18217),国家留学基金委资助项目(201708110138),北京建筑大学研究生创新资助项目(PG2019088)
分类号: TP391.41;TP277;U469.6;U472
页码: 1325-1330
总页数: 6
文件大小: 1225K
下载量: 118