基于时频分析的风机故障智能诊断方法研究.pdfVIP

分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现

象，选择其中的特定模态分量进行故障分类效果不佳，使用自适应噪声集合经验模态分解

算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据，且不存在“模

态混叠”现象。

(4)采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行

深层特征提取，实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别

的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与

CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类，能进行多通道

数据输入条件下的离线风机故障分类，样本分类准确率达到100%。

本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了

研究，构建了直接处理时序振动信号的风机故障诊断框架，以便在低内存条件下部署故障

诊断系统，实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设

备的故障诊断，为各种工业设备的运行状态识别和故障诊断提供了技术支撑。

关键词：风机；故障诊断；信号处理；长短时记忆模型；残差神经网络

ABSTRACT