由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设...

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。...