控制与决策

作者：张洪,盛永健,黄子龙,刘晨,曹毅

单位：江南大学 机械工程学院,江苏 无锡 214122;江南大学 江苏省食品先进制造装备技术重点实验室,江苏 无锡 214122,,江南大学 机械工程学院,江苏 无锡 214122,,江南大学 机械工程学院,江苏 无锡 214122,,江南大学 机械工程学院,江苏 无锡 214122,,江南大学 机械工程学院,江苏 无锡 214122;江南大学 江苏省食品先进制造装备技术重点实验室,江苏 无锡 214122,

关键词：减压阀;密集卷积神经网络;不平衡样本;加权交叉熵损失函数;故障诊断

基金：江苏省“六大人才高峰”计划项目(ZBZZ-012)；高等学校学科创新引智计划项目(B18027)；江苏省高校优秀科技创新团队基金项目(2019SJK07).

针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型-----加权密集卷积神经网络(W-DenseNet).首先,将原始一维压力信号数据重构后转换为二维灰度图,作为模型的输入数据;其次,以DenseNet为基础框架搭建特征提取网络;然后,在损失函数中为不同类别样本添加惩罚系数以实现不平衡样本误差的加权平均;最后,为验证模型的有效性,搭建减压阀数据采集系统并进行分类性能实验.实验结果表明:W-DenseNet模型在不同平衡度的减压阀数据集下均有良好的分类效果,且当各故障类间均存在样本不平衡现象时,模型对3种故障类型的召回率仍分别高达95.18%、95.47%、96.89%.

来源：2022年第6期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第6期