小波变换和CNN涡旋压缩机故障诊断
针对传统单尺度信号分析难以有效解决涡旋压缩机故障诊断中的故障特征信息多尺度耦合问题,提出一种基于小波变换和卷积神经网络的涡旋压缩机故障诊断方法.首先将采集到的振动信号进行连续小波变换生成时频图,并对时频图进行网格化规范处理,将预处理后的时频图作为特征图输入Alexnet卷积神经网络,通过不断调节网络参数,得出最为理想的神经网络模型,以此实现对涡旋压缩机故障类型的辨识诊断.结果表明,该方法针对涡旋压缩机故障类型的识别准确率达到 94.6％,与传统多尺度排列熵、信息熵熵距的故障诊断方法相比,该故障识别方法具有更高的准确率.
故障诊断、振动信号、小波变换、卷积神经网络
49
U226.8+1;TB9(电气化铁路)
2023-05-24（万方平台首次上网日期，不代表论文的发表时间）
共6页
92-97
