本文關鍵詞：基于EEMD排列組合熵的SVM轉子振動故障診斷研究　出處：《電力建設》2016年01期 　論文類型：期刊論文

  更多相關文章： 總體平均經(jīng)驗模態(tài)分解(EEMD) 排列組合熵 支持向量機(SVM) 轉子 故障診斷

【摘要】：對汽輪機轉子故障狀態(tài)進行準確判別一直是工程領域研究的重點。在使用支持向量機作為模式識別方法進行故障診斷的過程中,提取能明顯區(qū)別不同故障的信號特征參數(shù),構建高質量的樣本可以較大提高支持向量機(support vector machine,SVM)模型的分類正確率。針對此問題,提出一種總體平均經(jīng)驗模態(tài)分解(ensemble empirical mode decomposition,EEM D)、排列組合熵和SVM相結合的汽輪機轉子振動多故障診斷方法。方法首先引入有向無環(huán)圖建立了多故障診斷模型,利用EEMD將振動信號分解成單一無混疊的內(nèi)稟模態(tài)函數(shù)(intrinsic mode function,IMF)分量,然后計算對振動信號變化非常敏感的IMF排列組合熵作為特征向量,并應用到有向無環(huán)圖SVM進行多故障狀態(tài)識別。實驗結果表明,該方法實現(xiàn)了汽輪機轉子的振動多故障診斷,同時與基于EEMD能量法提取的特征向量進行對比,通過實驗證明,該方法具有更加準確的識別率。
【作者單位】： 華北電力大學能源動力與機械工程學院;
【基金】：國家自然科學基金項目(51306059)~~
【分類號】：TK267
【正文快照】： 0引言汽輪機轉子振動故障診斷是當前的重要研究方向。由于振動故障信號具有很大的非線性和非平穩(wěn)性,會給故障診斷帶來巨大困難,所以特征提取與故障狀態(tài)識別作為故障診斷中的兩個關鍵過程,對其研究轉子振動故障診斷具有重要意義。在特征提取方面,故障特征是振動信號與故障之間

【參考文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 陳艷娜;基于EEMD的旋轉機械故障診斷方法研究[D];哈爾濱理工大學;2013年

【二級參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 李文超;;現(xiàn)代功率譜估計在設備故障診斷應用[J];傳感器世界;2012年02期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 萬良虹;基于小波分析的滾動軸承故障診斷方法研究[D];華北電力大學（北京）;2004年

2 歐森火;基于Hilbert-Huang變換的機械故障診斷的研究[D];北京郵電大學;2010年

，

本文編號：1308339