典型文献
一维卷积神经网络在往复式压缩机气阀故障诊断中的应用
文献摘要：
针对往复式压缩机气阀故障诊断问题,对气阀盖上的振动信号进行分析,提出了一种基于一维卷积神经网络(1 D-CNN)的故障诊断模型.首先,将原始一维振动信号经傅里叶变换从时域转换为频域;然后,将频域信号作为1 D-CNN的输入,利用卷积层实现自适应提取特征;最后,网络输出层利用Softmax函数实现多种故障的模式识别.在往复式压缩机故障模拟实验台上进行了气阀正常、阀片裂纹、阀片断裂、弹簧失效4种工作状况下气阀盖振动信号的测量并对提出的模型进行验证.结果表明,气阀盖上的振动信号能够明显反映气阀的工作状态,而且信号易提取、十分适合用于气阀的故障诊断;将振动信号从时域转换成频域作为1 D-CNN的输入明显地提高了故障分类的准确率;与采用原始一维振动信号作为1 D-CNN输入的模型相比,采用频域信号作为输入的故障诊断模型具有更优越的表现,准确率更高,可达100％,而且模型结构简单,能够实现端到端的快速故障诊断.
文献关键词：
往复式压缩机;卷积神经网络;故障诊断;振动信号
中图分类号：
作者姓名：
马海辉;余小玲;吕倩;叶君超
作者机构：
西安交通大学能源与动力工程学院,710049,西安;西安交通大学化学工程与技术学院,710049,西安
文献出处：
引用格式：
[1]马海辉;余小玲;吕倩;叶君超-.一维卷积神经网络在往复式压缩机气阀故障诊断中的应用)[J].西安交通大学学报,2022(04):101-108
A类：
B类：
一维卷积神经网络,往复式压缩机,压缩机气阀,气阀故障,诊断问题,振动信号,故障诊断模型,傅里叶变换,域转换,频域信号,卷积层,自适应提取,提取特征,出层,Softmax,模式识别,压缩机故障,故障模拟,模拟实验,实验台,阀片,片断,弹簧,工作状况,下气,工作状态,转换成,故障分类,更优越,模型结构,结构简单,端到端
AB值：
0.271382
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
