基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

TK730.8; 针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法.利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型.结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率....

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 2; pp. 199 - 204
Main Authors 孙文昊, 胡志平, 肖志怀, 邹屹东, 皮俊东, 马哲轩
Format Journal Article
LanguageChinese
Published 武汉大学动力与机械学院,湖北 武汉 430072%湖北白莲河抽水蓄能有限公司,湖北 黄冈 438600 15.02.2024
Subjects
特征提取
fault diagnosis
特征融合
卷积神经网络
feature fusion
故障诊断
feature extraction
convolutional neural network
approximate entropy
近似熵
Online AccessGet full text
ISSN1007-2284
DOI10.12396/znsd.230534

Cover

More Information
Summary:TK730.8; 针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法.利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型.结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率.
ISSN:1007-2284
DOI:10.12396/znsd.230534