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

  更多相關(guān)文章： 總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD) 排列組合熵 支持向量機(jī)(SVM) 轉(zhuǎn)子 故障診斷

【摘要】：對汽輪機(jī)轉(zhuǎn)子故障狀態(tài)進(jìn)行準(zhǔn)確判別一直是工程領(lǐng)域研究的重點(diǎn)。在使用支持向量機(jī)作為模式識別方法進(jìn)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(gòu)建高質(zhì)量的樣本可以較大提高支持向量機(jī)(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(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEM D)、排列組合熵和SVM相結(jié)合的汽輪機(jī)轉(zhuǎn)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(yīng)用到有向無環(huán)圖SVM進(jìn)行多故障狀態(tài)識別。實(shí)驗(yàn)結(jié)果表明,該方法實(shí)現(xiàn)了汽輪機(jī)轉(zhuǎn)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(jìn)行對比,通過實(shí)驗(yàn)證明,該方法具有更加準(zhǔn)確的識別率。
【作者單位】： 華北電力大學(xué)能源動力與機(jī)械工程學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(51306059)~~
【分類號】：TK267
【正文快照】： 0引言汽輪機(jī)轉(zhuǎn)子振動故障診斷是當(dāng)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(guān)鍵過程,對其研究轉(zhuǎn)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(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳艷娜;基于EEMD的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];哈爾濱理工大學(xué);2013年

【二級參考文獻(xiàn)】

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(shè)備故障診斷應(yīng)用[J];傳感器世界;2012年02期

中國碩士學(xué)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(xué)（北京）;2004年

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

，

本文編號：1308339