关键词:
信号自适应分解
多源数据融合
时空故障分类模型
故障分类
摘要:
针对实际运行机械设备信号易受噪声干扰导致故障特征难以准确提取,以及设备单一位置信息无法全面反映运行状态的问题,本研究提出了一种改进的信号自适应分解与多源数据融合的时空故障分类方法.首先,提出了一种改进的信号自适应分解算法SAVMD(signal adaptive variational mode decomposition),并构建加权峭度稀疏度指标WKS(weighted kurtosis sparsity)筛选出富含特征信息的IMF(intrinsic mode function)分量,以实现信号重构.其次,将不同位置传感器的多源数据进行融合,并以周期性采样得到的数据集作为模型的输入.最后,构建了一个时空故障分类模型来处理多源数据,通过改进的稀疏自注意力机制降低噪声干扰,并利用双编码器机制实现对时间步长和空间通道信息的有效处理.在3个公开的机械设备故障数据集上进行实验,平均准确率分别达到了99.1%、98.5%和99.4%.与其他故障分类方法相比表现更好,具有良好的自适应性和鲁棒性,为机械设备的故障诊断提供了一种可行的方法.