基于形态分量分析和EEMD样本熵的自动机故障诊断

发布时间：2022-12-06 00:55

　　针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析（MCA）和总体经验模态分解（EEMD）的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机（PSO-SVM）进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。 

【文章页数】：6 页

【参考文献】：
期刊论文
[1]基于改进型支持向量机的侦察无人机作战效能评估[J]. 陈侠,胡乃宽.  火力与指挥控制. 2018(10)
[2]SVM与PSOHF参数优化装备机械传动齿轮故障诊断[J]. 仝蕊,康建设.  火力与指挥控制. 2018(10)
[3]基于改进EMD的信号降噪方法[J]. 王强,王莉,陈晨,李伟伟.  火力与指挥控制. 2017(08)
[4]基于冲击响应谱特征提取的自动机裂纹故障诊断[J]. 李海广,潘宏侠,任海锋.  兵工学报. 2016(09)
[5]独立分量分析在自动机振动信号处理中的应用[J]. 许昕,潘宏侠,潘铭志.  振动.测试与诊断. 2016(01)
[6]双树复小波域MCA降噪在齿轮故障诊断中的应用[J]. 胥永刚,赵国亮,马朝永,侯少飞.  航空动力学报. 2016(01)
[7]基于排列熵和SVM的自动机故障诊断[J]. 曹满亮,潘宏侠.  机械设计与研究. 2015(05)
[8]基于EEMD的多尺度模糊熵的齿轮故障诊断[J]. 杨望灿,张培林,王怀光,陈彦龙,孙也尊.  振动与冲击. 2015(14)
[9]基于EEMD信息熵和PSO-SVM的自动机故障诊断[J]. 李莎,潘宏侠,都衡.  机械设计与研究. 2014(06)
[10]基于局域波降噪和双谱分析的自动机故障诊断研究[J]. 潘宏侠,兰海龙,任海峰.  兵工学报. 2014(07)



本文编号：3710716