基于CNN-SE-LSTM和多传感器数据的轴向柱塞泵故障诊断

作     者：唐宏宾 龚杨春 董晋阳 陈思源 TANG Hongbin;GONG Yangchun;DONG Jinyang;CHEN Siyuan

作者机构：长沙理工大学汽车与机械工程学院湖南长沙410114 湖南省特种设备检验检测研究院湖南长沙410117 

出 版 物：《机床与液压》 (Machine Tool & Hydraulics)

年 卷 期：2024年第52卷第16期

页      面：224-232页

学科分类：080704[工学-流体机械及工程] 08[工学] 0807[工学-动力工程及工程热物理] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 

基　　金：湖南省教育厅重点项目(22A0222) 

主　　题：轴向柱塞泵 故障诊断 CNN-LSTM 多传感器数据 抗噪声 

摘      要：轴向柱塞泵是液压系统中的核心部件,其状态监测和故障诊断是保证液压系统安全可靠运行的关键。然而,由于轴向柱塞泵结构复杂,工作环境恶劣,采集的信号中往往夹杂着强烈的噪声,利用单传感器数据监测其健康状态往往达不到预期效果。为此,提出一种基于通道注意力机制的卷积神经网络-长短期记忆网络(CNN-LSTM)和多传感器数据(MSD)的轴向柱塞泵故障诊断方法。改进CNN中卷积核的尺寸来优化CNN-LSTM结构参数,提高模型抗噪性能,并引入通道注意力机制模块SENet提升模型的表征能力,然后将2个不同位置的振动传感器数据进行数据端通道融合作为输入,最后将融合后的数据输入改进CNN-SE-LSTM中并通过Softmax层输出诊断结果。实验结果表明:在不添加噪声的情况下,所提方法故障诊断准确率达100%,具有较好的准确性和快速性;在不同信噪比的噪声干扰下,所提方法相比多层感知器(MLP)、首层宽卷积核深度卷积神经网络(WDCNN)等模型具有更高的故障诊断准确率,鲁棒性更好。