基于深度卷积神经网络的单向阀泄漏模式识别

以SV10PB1–30B液控单向阀为研究对象，利用传感器采集3种不同泄漏模式下10个阀芯的振动信号，设计深度卷积模型，开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明：基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型，验证集上的识别准确率高达88.293%，是基于特征图的7.79倍，是基于原始时域冲击信号的1.16倍；训练步数以100的较优，同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。