《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：赵群
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于NAKF和DBN的液压管路故障智能诊断方法

作者：姚存治,张明真,张尚然,等. 日期：2022-07-20/span> 浏览：656 查看PDF文档

基于NAKF和DBN的液压管路

故障智能诊断方法*

姚存治1,张明真1,张尚然2,王冠群2

(1.郑州铁路职业技术学院人工智能学院,河南郑州 451460;2.河北石油职业技术大学,河北承德 067000)

摘要:针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明:采用NAKFDBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKFDBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。

关键词:液压传动回路;支持向量机;反向传播网络;深度信念网络;非线性自适应卡尔曼滤波器;智能故障模型

中图分类号: TH137.7;V263.6文献标识码:A文章编号:1001-4551(2022)05-0587-09

本文引用格式:

姚存治,张明真,张尚然,等.基于NAKF和DBN的液压管路故障智能诊断方法［J］.机电工程,2022,39(5):587-595.

YAO Cun-zhi, ZHANG Ming-zhen, ZHANG Shang-ran, et al. Hydraulic pipeline intelligent diagnosis method based on NAKF and DBN［J］.Journal of Mechanical & Electrical Engineering, 2022,39(5):587-595.