由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设...

以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析。研究结果表明:对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器。在10次迭代后再进行第二次迭代时达到100%准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标。该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值。