本文關(guān)鍵詞：基于近似熵和集成經(jīng)驗(yàn)?zāi)B(tài)分解的轉(zhuǎn)子多故障診斷方法研究

  更多相關(guān)文章： 集成經(jīng)驗(yàn)?zāi)B(tài)分解 近似熵 支持向量機(jī) 多故障診斷

【摘要】：為了提高汽輪機(jī)轉(zhuǎn)子多故障分類的準(zhǔn)確率,提出一種集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)、近似熵和支持向量機(jī)相結(jié)合的多狀態(tài)分類方法。首先進(jìn)行EEMD得到各頻段的單分量信號;再求出熵值作為故障信號的特征向量輸入到基于二叉樹的支持向量機(jī)中實(shí)現(xiàn)多狀態(tài)分類。對比近似熵、模糊熵和能量法這三種方法,實(shí)驗(yàn)結(jié)果驗(yàn)證了利用EEMD和熵理論相結(jié)合的方法量化故障信號非線性特征的正確性。同時(shí)也表明在歐氏空間中,近似熵值組成的特征向量彼此間的距離最遠(yuǎn),分類效果也最好。
【作者單位】： 華北電力大學(xué);
【關(guān)鍵詞】： 集成經(jīng)驗(yàn)?zāi)B(tài)分解 近似熵 支持向量機(jī) 多故障診斷
【基金】：中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2015MS102) 國家自然科學(xué)基金資助項(xiàng)目(50676031)
【分類號】：TK268
【正文快照】： 0引言對汽輪機(jī)轉(zhuǎn)子不同故障狀態(tài)進(jìn)行準(zhǔn)確的辨別是保證維修工作順利進(jìn)行的關(guān)鍵,同時(shí)也可以避免重大的工業(yè)生產(chǎn)損失。狀態(tài)判別在本質(zhì)上屬于模式識別[1]問題,支持向量機(jī)[2](support vectormachine,SVM)作為一種新興的方法,相比于專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò),在小樣本處理方面有著獨(dú)特的優(yōu)

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 齊子元;張英堂;徐章遂;程利軍;;基于多分辨率近似熵的發(fā)動機(jī)聲信號特征提取[J];車用發(fā)動機(jī);2008年05期

，

本文編號：983727