基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法

作     者：肖遥 向家伟 汤何胜 任燕 XIAO Yao;XIANG Jiawei;TANG Hesheng;REN Yan

作者机构：温州大学机电工程学院浙江温州325000 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2024年第41卷第9期

页      面：1517-1528页

学科分类：080704[工学-流体机械及工程] 08[工学] 080401[工学-精密仪器及机械] 0807[工学-动力工程及工程热物理] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金资助项目(52175060) 浙江省自然科学基金资助项目(LY20E050028) 

主　　题：液压传动系统 液压防水阀 多传感器 滑动时间窗 Teager能量算子 熵权法 卷积神经网络-双向门控循环单元-自注意力机制模型 

摘      要：在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。