《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-mailmeem_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

基于改进深度神经网络的阀门故障诊断研究

作者:章修龙,刘贵杰,宁东红. 日期:2022-12-20/span> 浏览:536 查看PDF文档

基于改进深度神经网络的阀门故障诊断研究*
章修龙,刘贵杰*,宁东红

(中国海洋大学 机电工程系,山东 青岛 266100)


摘要:在处理含有复杂的噪声成分水声信号时,采用传统的信号处理方法存在一定的困难,并影响水下采油树阀门泄漏故障诊断精度,针对这一问题,提出了一种基于改进的深度神经网络(DNN)的非接触式阀门故障诊断方法。首先,基于阀门泄漏理论,在COMSOL仿真环境下,结合轴对称自由射流模型、四极子声源远场声压求解算法,建立了阀门泄漏射流声场模型;然后,基于降噪的基本理论,建立了DNN降噪基本模型,将时频域信号输入到构造好的DNN模型中进行了降噪处理,以最小化信号中的噪声成分;最后,利用经过降噪处理后的水声信号,将其输入构建好的卷积神经网络中,实现了故障诊断目的;设计并进行了水声实验,以验证基于改进的深度神经网络(DNN)的故障诊断方法的有效性。研究结果表明:经过DNN处理后的水声信号,其噪声成分明显降低,其归一化均方误差值由0.4992最低降至0.0110,降幅达97.80%;经过DNN处理后的信号,其故障诊断准确率也达到了98.89%,证明了该方法能有效地诊断阀门的泄漏故障。

关键词:深度神经网络;水下采油树阀门;降噪模型;阀门泄漏射流声场模型;阀门泄漏模拟声学实验;故障诊断精度

中图分类号:TH137.52
文献标识码:A文章编号:1001-4551(2022)10-1356-10

本文引用格式:

章修龙,刘贵杰,宁东红.基于改进深度神经网络的阀门故障诊断研究[J].机电工程,2022,39(10):1356-1364,1373.

ZHANG Xiu-long, LIU Gui-jie, NING Dong-hong. Valve fault diagnosis based on improved deep neural network[J].Journal of Mechanical & Electrical Engineering, 2022,39(10):1356-1364,1373.





友情链接

浙江机械信息网