轴向柱塞泵是液压系统中的核心部件,其状态监测和故障诊断是保证液压系统安全可靠运行的关键。然而,由于轴向柱塞泵结构复杂,工作环境恶劣,采集的信号中往往夹杂着强烈的噪声,利用单传感器数据监测其健康状态往往达不到预期效果。为此,提出一种基于通道注意力机制的卷积神经网络-长短期记忆网络(CNN-LSTM)和多传感器数据(MSD)的轴向柱塞泵故障诊断方法。改进CNN中卷积核的尺寸来优化CNN-LSTM结构参数,提高模型抗噪性能,并引入通道注意力机制模块SENet提升模型的表征能力,然后将2个不同位置的振动传感器数据进行数据端通道融合作为输入,最后将融合后的数据输入改进CNN-SE-LSTM中并通过Softmax层输出诊断结果。实验结果表明在不添加噪声的情况下,所提方法故障诊断准确率达100%,具有较好的准确性和快速性;在不同信噪比的噪声干扰下,所提方法相比...

针对轴承到达服役时间而依然满足使用条件造成的资源浪费问题,提出了一种基于CNN-LSTM的轴承剩余使用寿命预测方法。选取已完成服役工作仍健康的高铁牵引电机轴承为研究对象,搭建高铁牵引电机轴承试验平台并采集其振动信号;建立CNN-LSTM的网络模型,将采集到的振动信号经过傅里叶变换后输入到网络模型中,对其深层特征进行挖掘;最后,通过预测模块实现了对剩余使用寿命的预测。结果显示,所提方法得到的预测值较接近真实值,能够很好地反映出轴承运行中的性能退化趋势。