基于EEMD排列组合熵的SVM转子振动故障诊断研究

摘要：

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点.在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机(support vector machine,SVM)模型的分类正确率.针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法.方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数(intrinsic mode function,IMF)分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别.实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率.

关键词：总体平均经验模态分解(EEMD)、排列组合熵、支持向量机(SVM)、转子、故障诊断

所属期刊栏目：37

分类号：TM62;TK267(发电、发电厂)

资助基金：国家自然科学基金项目51306059Project supported by National Natural Science Foundation of China 51306059

在线出版日期：2016-01-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：92-96