基于卷积神经网络的隧道风机健康状态诊断研究

作者：蒲米世行,丁浩,杨孟,等. 日期：2023-09-20/span> 浏览：1223 查看PDF文档

摘要:定期对隧道内的风机进行状态评估和故障诊断,可以保障隧道的安全运营。采用传统的人工方式难以获取隧道风机的健康状况,导致无法有效保证隧道通风的质量,给隧道的安全运营带来隐患。针对这一问题,提出了一种基于卷积神经网络的隧道风机健康状态诊断算法。首先,根据卡尔曼数据融合思想提出了一种风机轴承振动信号滤波处理的方法,利用连续小波变换方法,将滤波处理后的风机轴承振动信号转换为时频图像;然后,构建了隧道风机轴承故障诊断模型,将时频图像作为诊断模型的输入,并选取评价指标来对模型诊断结果进行评价;最后,利用隧道风机轴承实验数据开展了实验验证。研究结果表明:该诊断模型的精确度、召回率和F度量分别为99.3%、99.2%、99.2%,且诊断速度仅用时0.04 s,精确度与诊断速度都明显优于支持向量机(SVM)、邻近算法(KNN)等诊断模型。诊断结果可为隧道风机健康状态研究提供新的思路,同时提升隧道的运营安全。

关键词:卷积神经网络;风机轴承;滤波处理;时频图像;诊断模型

中图分类号:TH43;TH133.3文献标识码:A文章编号:1001-4551(2023)07-1121-09



本文引用格式:

蒲米世行,丁浩,杨孟,等.基于卷积神经网络的隧道风机健康状态诊断研究［J］.机电工程,2023,40(7):1121-1129.

PUMI Shi-hang, DING Hao, YANG Meng, et al. Health status diagnosis of tunnel fan based on convolutional neural network［J］.Journal of Mechanical & Electrical Engineering, 2023,40(7):1121-1129.