噪声与振动控制

噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (5): 114-119.

• 信号处理与故障诊断 • 上一篇    下一篇

基于波束形成及CNN-LSTM的托辊故障距离估计模型

张雄1，2，武文博2，李嘉禄2，董帆2，万书亭1，   

  1. （ 1. 华北电力大学河北省电力机械装备健康维护与失效预防重点实验室，河北保定071003；2. 华北电力大学机械工程系，河北保定071003 ）
  • 收稿日期:2023-02-05 修回日期:2023-06-26 出版日期:2024-10-18 发布日期:2024-10-10

Roller Fault Distance Estimation Model Based on Beamforming and CNN-LSTM

  • Received:2023-02-05 Revised:2023-06-26 Online:2024-10-18 Published:2024-10-10

PDF

摘要： 托辊是带式输送机的关键组件，也是输送系统的薄弱环节，波束形成算法的定向性和深度学习算法的特征识别能力为托辊故障距离估计提供可能。针对输送机输送距离长、不易检测等问题，提出一种利用波束形成（Beamforming）及时空网络（Convolutional Neural Network-Long Short-Term Memory，CNN-LSTM）对托辊故障声源实现距离估计的方法（Beamforming-Convolutional neural network-Long short-term memory，BCL)。首先利用麦克风阵列采集不同距离的故障声源数据，经波束形成定位处理构建数据集；通过卷积神经网络(CNN)获得数据采样集的空间特性，再借助LSTM网络在序列上的建模功能，将由空间数据组成的序列信息输入LSTM网络，从而获得空间时序信息；最后，再将由LSTM网络产生的空间时序信息输入到Softmax 分类器，实现故障距离估计。实验结果表明，BCL 模型在有无噪声干扰的环境下都可以以高准确率实现托辊的故障距离估计且较其他模型拥有更好的识别能力。

关键词: 故障诊断, 托辊, 波束形成, BCL, 距离估计