基于改进的MOMEDA周期提取方法和残差神经网络的飞轮储能系统轴承故障诊断
《Applied Sciences》:Fault Diagnosis of Flywheel Energy Storage System Bearing Based on Improved MOMEDA Period Extraction and Residual Neural Networks
【字体:
大
中
小
】
时间:2025年12月25日
来源:Applied Sciences 2.5
摘要
飞轮储能系统在现代电网的频率调节和电能质量控制中发挥着重要作用,然而其滚动轴承缺陷产生的故障信号通常较为模糊,导致直接诊断变得困难。原始的、带有噪声的信号在直接通过神经网络处理时往往无法获得满意的诊断效果。尽管MOMEDA(多点最优最小熵反卷积调整算法)能够有效提取脉冲式故障成分,但其性能高度依赖于所选的故障周期和滤波器长度。为了解决这些问题,本文提出了一种改进的故障诊断方法,该方法将基于MOMEDA的周期性特征提取与神经网络分类器相结合。人工鱼群算法(AFSA)被用来根据多点峰度作为优化目标自适应地确定MOMEDA的关键参数,优化后的参数用于增强脉冲式故障特征。过滤后的信号被转换为图像表示形式,然后输入到ResNet-18网络(一种来自残差网络家族的紧凑型18层深度卷积神经网络)中,以实现轴承故障的智能识别和分类。实验结果表明,所提出的方法能够有效提取和诊断轴承故障信号。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号