空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展,需要对柱塞泵的空化状态检测与智能故障诊断展开研究,因此,结合深度学习网络与非线性分类器的优点,提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型).首先,对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强,并对其进行了标准化处理;然后,利用卷积神经网络(CNN)自动提取信号的特征,并对其进行了特征降维处理;利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性,利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类,实现了对柱塞泵的空化状态检测与智能故障诊断;最后,为测试CBLRE模型的性能,搭建了实验平台,在此之上将CBLRE模型与其他模型进行了对比,分析了该模型在不同工况下的性能表现.研究结果表明:该模型的结构稳定、训练时间短,且在不同负载下均可保持良好的泛化性能,空化状态识别率均达到99％以上,该结果验证了柱塞泵空化状态识别方法的有效性;此外,该模型还可有效识别空化现象与柱塞泵的其他故障.

容积泵;轴向柱塞泵;空化现象;卷积神经网络;双向长短期记忆网络;正则化极限学习机;深度学习网络;非线性分类器

太原理工大学 机械与运载工程学院,山西 太原030024;太原理工大学 新型传感器与智能控制教育部重点实验室,山西 太原030024

[1]李志杰;兰媛;黄家海;牛蔺楷;袁科研;范佳祺;武兵-.基于CBLRE模型的轴向柱塞泵空化状态检测研究)[J].机电工程,2022(05):634-640

CBLRE,CNN+BiLSTM+RELM

轴向柱塞泵,空化状态,状态检测,空化现象,高速高压,智能故障诊断,深度学习网络,非线性分类器,状态识别,检测模型,振动信号,数据增强,标准化处理,自动提取,取信,特征降维,降维处理,网络学习,学习特征,特征序列,时间依赖性,正则化极限学习机,实验平台,上将,不同工况,结构稳定,训练时间,不同负载,保持良好,泛化性能,识别率,容积泵,双向长短期记忆网络

0.208657