机床与液压

作者：唐宏宾，龚杨春，董晋阳，陈思源

单位：长沙理工大学汽车与机械工程学院；长沙理工大学汽车与机械工程学院；长沙理工大学汽车与机械工程学院;湖南省特种设备检验检测研究院；湖南省特种设备检验检测研究院

关键词：轴向柱塞泵;故障诊断;CNN-LSTM;多传感器数据;抗噪声

基金：湖南省教育厅重点项目（22A0222）

轴向柱塞泵是液压系统中的核心部件，其状态监测和故障诊断是保证液压系统安全可靠运行的关键。然而，由于轴向柱塞泵结构复杂，工作环境恶劣，采集的信号中往往夹杂着强烈的噪声，利用单传感器数据监测其健康状态往往达不到预期效果。为此，提出一种基于通道注意力机制的卷积神经网络-长短期记忆网络(CNN-LSTM)和多传感器数据(MSD)的轴向柱塞泵故障诊断方法。改进CNN中卷积核的尺寸来优化CNN-LSTM结构参数，提高模型抗噪性能，并引入通道注意力机制模块SENet提升模型的表征能力，然后将2个不同位置的振动传感器数据进行数据端通道融合作为输入，最后将融合后的数据输入改进CNN-SE-LSTM中并通过Softmax层输出诊断结果。实验结果表明：在不添加噪声的情况下，所提方法故障诊断准确率达100%，具有较好的准确性和快速性；在不同信噪比的噪声干扰下，所提方法相比多层感知器(MLP)、首层宽卷积核深度卷积神经网络(WDCNN)等模型具有更高的故障诊断准确率，鲁棒性更好。

来源：2024年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第16期