資源描述：
《基于EEMD樣本熵和SVM的振動故障診斷研究.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第57卷第6期汽輪機(jī)技術(shù)V0l_57No．62015年12月TURBINETECHNOLOGYDec．2015基于EEMD樣本熵和SVM的振動故障診斷研究韓中合，焦宏超，徐搏超，朱霄殉(華北電力大學(xué)能源動力與機(jī)械工程學(xué)院，保定071003)摘要：通過特征提取最大限度地反應(yīng)出不同故障種類的差別對故障的準(zhǔn)確診斷具有重要意義。故采用EEMD樣本熵用于汽輪機(jī)振動故障的特征提取。將振動信號利用EEMD分解得到IMF分量，計算IMF的樣本熵作為多為特征向量，大大提高了不同故障之間的區(qū)分程度，并通過計算多維空間下各類故障之間的形心距體現(xiàn)出不同故障種類的區(qū)分程度。最后，將IMF
2、樣本熵作為SVM的特征向量，對故障進(jìn)行診斷。選取汽輪機(jī)轉(zhuǎn)子正常、質(zhì)量不平衡、油膜渦動、動靜碰摩、轉(zhuǎn)子不對中5種樣本進(jìn)行診斷，并與能量特征提取方法進(jìn)行對比，結(jié)果顯示該方法具有更高的診斷準(zhǔn)確性。關(guān)鍵詞：EEMD；樣本熵；SVM；多維空間；故障診斷分類號：TK267文獻(xiàn)標(biāo)識碼：A文章編號：1001-5884(2015)06-0457-04ResearchofVibrationFaultDiagnosisMethodbasedonEEMDSampleEntropyandSVMHANZhong．he，JIAOHong,chao，XUBo．chao，ZHUXiao．xun(
3、SchoolofEnergyPowerandMechanicalEngineering，NorthChinaElectricPowerUniversity，Baoding071003，China)Abstract：Theobviousdistinctionofdiferentfaulttypesreflectedbyeigenvectorshasgreatsignificancefortheaccuracyoffaultdiagnosis．SotheEEMDsampleentropyisusedtoachievetheeigenvectorsofturbinev
4、ibrationfaults．ThevibrationsignalsaredecomposedbyEEMDtoachieveIMFcomponents，thesampleentropyofIMFiscalculatedasmulti-dimensionalvector，whichgreatlyimprovesthedegreeofdistinctionbetweendiferentfaults．AndthecoreofdistancebetweendiferentfaultscalculatedinhypempaceCallreflectthedegreeofd
5、istinctionbetweendifferentfaults．Finally，thesampleentropyofIMFtreatedaseigenvectomofSVMisusedtofaultdiagnosis．Fivekindsoffaulttypical：normalrotorstate，rotormisalignment，massunbalance，rubbingandoilwhirlarechosetodiagnose．Meanwhile，comparedwiththeEEMDenergy，theresultdemonstratesthemore
6、accuracyofthismethod．Keywords：EEMD；sampleentropy；SVM；hyperspace；faultdiagnosis障比較復(fù)雜，其信號不只是在某單一維度上包含重要信息，0前言在其它維度上也包含有重要信息。故本文采用了EEMD與樣本熵結(jié)合的特征提取方法?？傮w平均經(jīng)驗?zāi)B(tài)分解汽輪機(jī)振動故障診斷中的一個關(guān)鍵步驟就是特征提取，(EnsembleEmpiricalModeDecomposition，EEMD)可以自適應(yīng)如果提取到的特征能夠顯著地區(qū)分故障模式，這將在很大程地對信號進(jìn)行多尺度分解，計算分解后的IMF分量的樣本度上提高故障
7、識別的準(zhǔn)確率。熵，組成多維特征向量，從而可以得到更完整的故障特征，大傳統(tǒng)的能量方法通過計算振動信號的能量區(qū)分不同的大提高了不同故障之間的區(qū)分程度。并通過計算多維空間振動故障，但是能量法不能有效地反映出信號隨時間變化的下各類故障之間的形心距體現(xiàn)出不同故障種類的區(qū)分程度。信息。近年來基于非線性動力學(xué)參數(shù)的特征提取方法在機(jī)根據(jù)上述內(nèi)容本文引入汽輪機(jī)轉(zhuǎn)子振動信號的5種常械設(shè)備故障診斷中得到了非常廣泛的應(yīng)用，例如信息熵、近見模式(轉(zhuǎn)子正常、轉(zhuǎn)子不對中、質(zhì)量不平衡、動靜碰摩、油膜似熵、分形維數(shù)等。樣本熵?是在近似熵基礎(chǔ)上發(fā)展的一種渦動)，通過構(gòu)造l0組二分類支持向量機(jī)(Su
8、pportVector度
