控制与决策

作者：姚家琪,荆华,赵春晖

单位：浙江大学 控制科学与工程学院,杭州 310027,,浙江大学 控制科学与工程学院,杭州 310027,,浙江大学 控制科学与工程学院,杭州 310027,

关键词：旋转机械;故障诊断;深度学习;时空特征融合;多模态;抗噪声

基金：国家杰出青年科学基金项目(62125306)；国家自然科学基金重点项目(62133003)；工业控制技术国家重点实验室自主课题(ICT2021A15)；中央高校基本科研业务费专项资金项目(浙江大学NGICS大平台).

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.

来源：2023年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第7期