摘要
考虑到深度神经网络具备优异的故障识别性能,针对柱塞泵压力与流量信号特征提取难度大问题,设计了 一种综合运用小波变换与希尔伯特-黄变换来实现的特征提取方法,建立了 RBM-BP网络来达到优化原始特征的作用,利用高级融合特征诊断柱塞泵泄漏状态.高级特征散点表明,深度置信网络在学习原始特征方面表现出了较强学习能力,实现原始特征的抽象提取,确保高级特征能够更准确完成柱塞泵内泄分级与诊断过程.研究结果表明:所有正常泄漏样本都被准确预测,微弱泄漏与严重泄漏都出现了 1个样本发生错误预测情况.相比较SSAE与H-ELM,RBM-BP在各层中都表现出比更低的识别.RBM-BP方法获得了比SSAE与H-ELM更高的准确率,准确率波动性也更小,表明RBM-BP模型达到了更优的稳定性,表现出了对柱塞泵内泄状态更强辨识能力与稳定性.
基金项目
江西省教育厅科学技术研究项目(GJJ191671)
NETL
NSTL
维普
万方数据