机床与液压

作者：强熠宇，杨景昆，石锐，关栋，秦永法

单位：扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院；扬州大学机械工程学院

关键词：变分模态分解;轴向柱塞泵;卷积神经网络;双向长短记忆;故障诊断

基金：国家自然科学基金项目（52005433）

配流盘是轴向柱塞泵关键的部件之一,长期运转会出现磨损,传统的故障诊断依赖于特征提取,但机械运转过程中噪声大,导致有效信号被淹没。针对配流盘故障检测问题，提出一种融合变分模态分解和卷积神经网络的配流盘故障识别方法VMD-CNN-BiLSTM-Attention。利用数据采集系统采集配流盘3种故障状态的振动信号；利用变分模态分解对振动信号进行预处理，并得到本征模态分量；最后，对本征模态分量进行样本熵计算，将得到的熵值输入卷积神经网络与双向长短记忆网络以及注意力机制结合的模型中进行训练，实现轴向柱塞泵配流盘故障分类。实验结果表明：相比VMD-CNN、CNN-BiLSTM、CNN方法，所提VMD-CNN-BiLSTM-Attention配流盘故障诊断方法在分类性能上表现出色，分类准确率最高为99.2%,能够有效提取振动信号特征，从而提高训练效率。

来源：2025年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第16期