关键词：声发射;非接触式机械密封;故障诊断;深度学习;Vision Transformer
摘 要：针对非接触式机械密封多源故障信号频率高、识别难和易受干扰的难题，搭建密封试验台，模拟4种典型故障工况和正常运行工况，布置声发射(AE)测试系统测取10 000个特征样本，将卷积神经网络(CNN)结构与Vision Transformer模型相结合，并在CNN输出数据中引入Patch概念构建了一种改进模型，随后应用于密封故障状态识别，提出了一种新型的非接触式机械密封状态智能识别方法，并分析了改进模型各层网络决策对密封AE数据的影响。结果表明，AE技术能够高效监测非接触式机械密封多源故障状态信号，该方法对密封状态识别的准确率最高可达99.42%；改进模型更加关注稳定运行状态信号中频率为0～50 kHz和100～150 kHz的噪声频带数据，动环表面剥落状态信号中频率为100～150 kHz的噪声频带数据和270±40 kHz的摩擦AE频带数据。研究结果可为机械密封的智能化、高可靠、长寿命发展提供理论基础。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取