关键词：声波特征;智能监测方法;卷积神经网络;长短时记忆神经网络;可视化界面
摘 要：近年来，为满足动力机械设备智能化、集成化和大型化的发展需求，对设备运行状态进行智能监测变得至关重要。本文提出了一种基于声波特征的动力机械故障智能监测方法，该方法构建了改进的卷积神经网络（Convolutional Neural Networks，CNN）-长短时记忆神经网络（Long Short-Term Memory，LSTM）模型。从实施上来说，本文提出的动力机械故障智能监测方法主要包含机械设备故障本征声波数据库的构建、故障智能监测和可视化操作界面实现三个关键步骤。首先，当机械发生故障时，收集含故障声波数据并对其进行处理，利用快速傅里叶变换方法得到故障的声波特征，采集大量设备故障（如风扇叶片损坏、泵体泄露等）的声波特征存储为故障本征声波数据库。其次，在对某机械设备的故障进行智能监测时，将得到的故障本征声波数据库作为嵌入特征，获取并输出故障声波片段，从而确认故障类型，实现对故障的精准预警。最后，基于改进的CNN-LSTM神经网络模型，搭建了可视化操作界面，该界面能够简捷、准确地实现对机械故障的智能监测。本研究建立的基于声波特征的智能监测方法具有成本低、部署方便和识别效率高等优势，有望应用于航天航空、核电等行业的复杂工况动力机械系统中。
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