小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明:与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明:所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。

基于盾构机运行参数的局部切空间排列与Xgboost融合的地质类型识别

针对土压平衡盾构机掘进过程难以实时感知掌子面地质类型的问题,提出了局部切空间排列(LTSA)与极限梯度提升(Xgboost)相结合的盾构机掌子面地质类型实时识别方法。首先,通过分析众多盾构机运行参数与掌子面地质性质的相关性,选取177个盾构机运行参数作为模型输入;其次,利用LTSA算法从高维盾构机运行参数中提取内蕴低维特征作为分类模型输入参数,基于Xgboost的识别模型实现掌子面地质类型识别;最后,采用新加坡某地铁施工数据验证算法的有效性和优越性。研究结果表明:所提算法对该工程沿线5种地质类型的识别准确率达到98.48%;采用本文方法所得的识别准确率相比于将运行参数直接作为模型输入的识别准确率提升20.96%,相比于采用总推进力、推进速度、刀盘总扭矩和刀盘转速4维特征作为输入,本文所提出方法的识别准确率提升50.16%。LTSA算法能够减少所选盾构运行参数中的冗余信息并保留其中的地质特征,解决了输入参数维度过高造成的识别模型准确率下降和训练效率降低的问题。

采用参数化解调的变转速下柱塞泵故障诊断方法

针对柱塞泵在变转速工况下运行时,存在因时变信号特征提取不易和噪声抑制困难导致的故障诊断准确度低的问题,提出一种以参数化解调为基础的柱塞泵空化故障诊断方法。首先,采用粒子群算法对泵出口时变压力信号重点分量的相位参数进行估计,再根据估计得的参数将信号解调至平稳化并滤波,接着对滤波后的信号进行反解调来获取单一信号分量;然后迭代执行参数化解调的上述步骤以提取所有重点分量并实现信号重构;最后对重构信号进行切片来构建数据集,再将数据集输入一维卷积-长短期记忆神经网络(1DCNN-LSTM)中提取局域特征并学习长期时序信息,从而实现准确地识别柱塞泵空化等级。流体仿真实验验证了参数化解调在信号分量提取上的有效性。使用实测信号进行空化故障诊断实验,结果表明:相比未经参数化解调的诊断方法,该方法的空化等级识别准确率提高了6.5%,达到95.4%,且具有更好的泛化性能;在信噪比为0 dB的强噪声环境下,准确率维持在90%以上。