机床与液压

作者：刘增光，张帅迪，周焱，魏列江，岳大灵，冯珂

单位：兰州理工大学能源与动力工程学院；兰州理工大学特种泵阀及流控系统教育部重点实验室；兰州理工大学能源与动力工程学院；兰州理工大学能源与动力工程学院；兰州理工大学能源与动力工程学院；兰州理工大学特种泵阀及流控系统教育部重点实验室；兰州理工大学能源与动力工程学院；兰州理工大学特种泵阀及流控系统教育部重点实验室；兰州理工大学能源与动力工程学院

关键词：故障诊断;卷积神经网络;通道注意力;多尺度特征;柱塞泵

基金：甘肃省教育厅高校科研创新平台重大培育项目（2024CXPT-09）

针对传统多尺度卷积神经网络对不同尺度的特征只是简单拼接而未考虑特征差异的问题，提出一种基于多尺度通道注意力卷积神经网络（MSCA-CNN）的轴向柱塞泵故障诊断方法。在轴向柱塞泵实验平台上设置5种典型故障（配流盘磨损、斜盘磨损、滑靴磨损、松靴故障、中心弹簧失效），采集6种工作状态（正常状态及5种典型故障）下的 z 轴振动信号。以小波变换为信号预处理模块，将加速度传感器采集的一维振动信号转化为时频图并作为诊断模型的输入信号，采用不同尺度的卷积核对时频图进行特征提取。通过通道注意力为每个通道赋予不同的权重值，使模型能够集中学习与通道密切相关的特征信息，从而提高轴向柱塞泵的故障分类能力和诊断的效率。搭建轴向柱塞泵故障诊断实验平台，验证所提方法的有效性。结果表明：该模型对6种工作状态的诊断准确率达到99.65%，相比传统多尺度卷积神经网络模型提高了3.16%，验证了MSCA-CNN模型在轴向柱塞泵故障诊断中的优越性。

来源：2025年第14期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第14期