机械工程学报

作者：郭锐, 王涛, 李永涛, 王建伟, 蔡伟, 赵静一

单位：1. 燕山大学河北省重型机械流体动力传输与控制重点实验室 秦皇岛 066004;2. 浙江大学流体动力与机电系统国家重点实验室 杭州 310027;3. 燕山大学先进锻压成形技术与科学教育部重点实验室 秦皇岛 066004;4. 河北省特种运载装备重点实验室 秦皇岛 066004

关键词：外啮合齿轮泵,健康状态识别,加速退化试验,贝叶斯长短时记忆网络；

基金：国家自然科学基金(52075469,12173054);国家重点研发计划(2019YFB2005204);陕西省液压技术重点实验室开放基金(YYJS2022KF12)资助项目。

液压泵健康状态的精准识别是液压元件预防性维护的一部分。采用贝叶斯算法对长短时记忆网络（Longshort-term memorg,LSTM）进行优化，构建一种基于贝叶斯长短时记忆网络（Bayesian-LSTM）的外啮合齿轮泵健康状态识别模型，完成了对外啮合齿轮泵健康状态的识别。首先运用改进的变分模态分解（Improved variational modal,IVMD）方法对蕴含丰富健康信息的样本泵振动信号进行分解重构，基于时域、频域及时频域对重构信号进行特征提取，将所选特征归一化处理后构造了能够表征振动信号的特征矩阵。最后将归纳好的特征矩阵与标签输入到Bayesian-LSTM（以下简称BDL）模型中进行训练，进而得到外啮合齿轮泵健康识别模型，为验证BDL模型在外啮合齿轮泵健康状态识别上的优越性，将其与LSTM模型及RNN模型进行对比。结果表明，BDL模型对样本泵的预测精度达到了98.3%以上，相比LSTM模型及RNN模型优势明显，可以为深度学习在液压元件状态识别的应用提供参考。

来源：2023年第16期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第16期