《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
主编陈 晓
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

基于深度融合模型的气膜密封端面状态识别方法

作者:刘伟,张书尧,李双喜,等. 日期:2024-08-02/span> 浏览:480 查看PDF文档

基于深度融合模型的气膜密封端面状态识别方法*
刘伟1,张书尧1,李双喜1*,马亚宾2,梁坤海1

(1.北京化工大学 机电工程学院,北京 100029;2.赛哲尔能源科技(北京)有限公司 软件研发部,北京 100102)


摘要:气膜密封装置是工业领域应用广泛的一种密封技术,其可靠的密封性能对于设备正常运行至关重要。气膜密封装置的动静密封环接触端面相对运动会产生摩擦,摩擦过程会产生复杂的声发射信号,这些信号往往隐含密封端面运行状况的重要信息。采用传统的方法往往难以准确识别和分类这些微弱的特征信号,因此需要开发更高精度的故障诊断方法。针对机械密封动、静环端面摩擦状态难以识别这一问题,以气膜密封装置为研究对象,提出了一种基于深度融合模型的气膜密封端面状态识别方法。首先,采用声发射传感器及采集设备,对密封端面的声发射信号进行了采集;其次,利用小波包变换方法对采集到的信号进行了滤波处理,并提取了时域和频域的微弱特征;然后,将深度随机森林(DRF)作为分类层融入卷积神经网络(CNN)形成了融合模型,对预先处理过的密封装置运行状态的特征信息进行了识别和分类;最后,根据实验的泄漏量,使用混淆矩阵和受试者工作曲线分析了两种模型的特征提取能力。研究结果表明:CNN-DRF融合模型对于密封端面声发射信号的两种特征识别精度分别为96%和98%,与传统的CNN模型相比,其可以充分提取信号特征信息,具有更出色的故障诊断能力。

关键词:气膜密封技术;机械密封;声发射信号;小波包变换方法;融合模型;深度随机森林;卷积神经网络;特征提取;特征识别精度

中图分类号:TH136;TP183文献标识码:A文章编号:1001-4551(2024)07-1198-09


本文引用格式:

刘伟,张书尧,李双喜,等.基于深度融合模型的气膜密封端面状态识别方法[J].机电工程,2024,41(7):1198-1206.

LIU Wei, ZHANG Shuyao, LI Shuangxi, et al. Gas-film seal end face status identification based on deep fusion model[J].Journal of Mechanical & Electrical Engineering, 2024,41(7):1198-1206.




友情链接

浙江机械信息网