基于CWT-CNN模型的泵站机组故障诊断研究

左罗; 茹沛泽; 杨鸿宇; 田青青; 田雨

doi:10.20040/j.cnki.1000-7709.2025.20250574

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于CWT-CNN模型的泵站机组故障诊断研究

更新时间：2026-02-25

- 基于CWT-CNN模型的泵站机组故障诊断研究
- Vol. 43, Issue 10, Pages: 168-172(2025)
- 作者机构：
  
  1. 河南水投申城四水同治工程管理有限公司
  2. 华北水利水电大学水利学院
  3. 中国水利水电科学研究院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2025.20250574
  CLC： TV675
- Published：2025
- 稿件说明：
移动端阅览
左罗, 茹沛泽, 杨鸿宇, et al. 基于CWT-CNN模型的泵站机组故障诊断研究[J]. 2025, 43(10): 168-172.
DOI：

左罗, 茹沛泽, 杨鸿宇, et al. 基于CWT-CNN模型的泵站机组故障诊断研究[J]. 2025, 43(10): 168-172. DOI： 10.20040/j.cnki.1000-7709.2025.20250574.

摘要

针对泵站机组振动信号非平稳特性和传统故障诊断方法特征提取依赖经验的问题，提出一种基于连续小波变换(CWT)与卷积神经网络(CNN)融合的故障诊断模型，该模型以转子不对中、碰摩及其耦合故障为研究对象，通过CWT将振动信号转换为时频图像，利用CNN实现端到端的特征学习与分类。试验结果表明，该模型在泵站机组轴承故障数据集上的平均诊断准确率达98.7%

较传统支持向量机(SVM)、单一CNN模型分别提升13.6%、5.6%

且抗噪性能优良。模型创新性地集成小波基自适应选择、时频图生成和多尺度特征提取模块，能够显著提升复杂工况下泵站机组的故障识别能力，为水利工程机电设备的智能运维提供了有效解决方案。

Abstract

关键词

Keywords

references

Zhipeng Feng,Ming Liang,Fulei Chu.Recent advances in time–frequency analysis methods for machinery fault diagnosis: A review with application examples[J].Mechanical Systems and Signal Processing,2013.

张冬生,顾挺,窦学刚,付晓宇,杨浩.浅析锦屏水电站机组状态在线监测系统[J].水电与新能源,2013(01).

李宝,李俊梅,钮月磊,高航,于永海.基于大数据技术的多沙水流泵站故障诊断方法[J].水电能源科学,2020(05).

魏学锋,姬升阳,刘志辉,鹿明明,徐恺,肖龙,李超顺.基于STFT-SE-CNN多通道特征融合的水电机组故障诊断[J].水电能源科学,2025(05).

Views

165

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于PSO-PCA-CNN的水电机组故障诊断

基于STFT-SE-CNN多通道特征融合的水电机组故障诊断

基于CNN-SVM的水电机组智能故障诊断方法研究

深度学习算法在山南市雅桑站流量模拟中的应用研究

基于GBDT和AEO-CNN-Informer的大坝位移深度学习预测模型

Related Author

姬升阳

魏学锋

曾广栋

朱斌

周鑫

何志宏

李超顺

刘志辉

Related Institution

华中科技大学土木与水利工程学院

中国长江电力股份有限公司溪洛渡水力发电厂

武汉大学动力与机械学院

国家电力投资集团水电产业创新中心

五凌电力有限公司

AI问答

⁰