转子裂纹深度自适应预测与故障诊断

摘要：

针对传统的转子结构裂纹故障识别方法中特征提取困难、无法定量识别裂纹深度及受噪声污染严重的问题,提出了一种基于转子轴心轨迹的转子裂纹深度预测模型.该模型基于奇异值分解和卷积降噪自编码器(singular value decomposition-denoising convolutional autoencoder,简称SVD-DCAE),能够有效提取裂纹转子的故障特征并准确预测转子裂纹的扩展阶段.将裂纹转子的轴心轨迹作为模型的输入,分别使用仿真数据和实验数据训练和验证模型,并在仿真数据和实验数据中添加随机噪声模拟不同噪声环境.结果显示:所提出模型能够实现转子裂纹扩展程度的准确预测,在弱噪声环境中(信噪比为10 dB)裂纹深度预测准确率高于98%;具有较强的抗噪声能力和鲁棒性,在强噪声环境中(信噪比为-10 dB)预测准确率达到80%,远高于其他经典的卷积神经网络预测模型.

关键词：裂纹转子、裂纹深度预测、轴心轨迹、奇异值分解

所属期刊栏目：44

分类号：TH133.2

资助基金：国家自然科学基金;船舶动力基础科研计划资助项目

在线出版日期：2024-09-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：660-667