基于DPCA算法和卷积神经网络的引机状态识别方法
Dongyang Li1,2, Jianyi Yang1, Zaisheng Pan3
1College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou 310013, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
本研究引入了一种使用信号解调和卷积神经网络 (CNN) 准确识别电梯引机操作状态的新方法. 与传统技术相比,这种方法显著提高了诊断准确度.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 准确识别电梯引机的运行状态对于安全和维护至关重要.
- 现有的方法在微妙的时间频率信号差异上扎,导致识别精度低.
- 振动信号分析是关键,但在各种条件下的特征提取仍然具有挑战性.
研究的目的:
- 提出一种新的方法,以提高电梯引机运行状态的识别准确性.
- 解决传统方法在从复杂的振动信号中提取特征方面的局限性.
- 开发一种用于实时监测电梯引机性能的自动化系统.
主要方法:
- 使用基于时间频率分析和主要组件分析 (DPCA) 的信号解调方法.
- 用DPCA从实验测量的振动信号中提取调制特征.
- 卷积神经网络 (CNN) 用于特征向量提取和自动状态识别.
主要成果:
- 提出的方法有效地提取了不同操作状态的特征参数.
- 诊断准确率达到96.94%,比传统方法提高了大约16.61%.
- 该CNN模型实现了可靠的运行状态的自动识别.
结论:
- 基于DPCA和CNN的新方法为识别电梯引机的运行状态提供了可行和有效的解决方案.
- 这种方法显著提高了诊断准确度,克服了传统技术的局限性.
- 这些发现有助于提高电梯的安全性和预测性维护策略.
