基于CNN-BiLSTM的液压系统故障诊断

摘要：

针对复杂液压系统中主要元件故障诊断问题,提出一种基于一维卷积神经网络(1D-CNN)和双向长短时记忆网络(BiLSTM)实现多传感器信息融合的故障诊断模型,对柱塞泵和节流阀进行故障诊断.在模型中,首先对多种传感器采集到的信号进行数据级融合,然后利用CNN提取融合信号的故障特征并进行降维,之后利用BiLSTM学习信号中正反向数据特征,最后使用Softmax进行分类,实现对柱塞泵和节流阀故障的诊断.实验结果表明,提出的方法能够自动提取信号中的故障特征并考虑信号中所包含的正反向数据特征,柱塞泵诊断精度可达96.3%,节流阀诊断精度可达94.28%,实现了对柱塞泵和节流阀故障状态的准确可靠诊断.

关键词：液压系统、故障诊断、卷积神经网络、长短时记忆网络、多传感器融合

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61803219

在线出版日期：2023-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：10-19