基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
2.47 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
简介
内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。相关论文
- 2019-07-1420×2500四辊卷板机液压系统的改进
- 2019-09-30板坯连铸机大包回转台液压系统的改进
- 2018-10-07变压器铁芯横剪线开卷机液压系统的改进
- 2019-09-083M4325磨床控制系统的改造
- 2024-05-03可逆冷轧机液压AGC技术的改进
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。