《表3 本文方法的参数：基于小波、WAE和LSTM的压裂车故障诊断》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于小波、WAE和LSTM的压裂车故障诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

试验共布置8个测点，对每个测点的振动信号各进行3层提升多小波包分解。故障诊断过程中，将8个测点的特征向量一起输入，故输入序列为X=（X1，X2，……，XM），M=8表示8个测点；Xt=（S1，S2，……，SN），N=16代表16个子频带，Si为分解后各子频带的小波相对能量。经提升多小波包分解得到的各子频带的小波相对能量包含了丰富的故障信息，原始特征向量维数为16×8=128。采用类内类间距离判据衡量所提取的子频带小波相对能量特征的可分性指标F，F的计算见文献[11]，F值越大表示故障的可区分性越好。作为对比，采用时域统计分析方法从振动信号中提取出峰峰值、有效值、方差和峭度等指标，各指标的详细计算见文献[12]。采取非线性指标量化方法RQA从递归图点密度和线结构中提取递归率、层流率等特征参数，从而定量描述信号的动态特性，RQA的详细计算见文献[13]。经计算，4种工况间的可分性参数如表2所示。由表2可知，相比时域特征和RQA特征，子频带小波相对能量特征较大程度提高了不同故障工况间的可分性。然而原始特征向量维数较高，特征冗余度大，本文利用WAE将原始特征向量维数降至64，并作为LSTM网络的输入。WAE的参数列于表3，采用均匀分布法对LSTM网络初始化，并采用Adam算法优化网络参数。