基于VMD-MDE和ELM的柱塞泵微弱故障诊断

摘要：

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法.首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别.柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性.

关键词：变分模态分解、多尺度散布熵、极限学习机、特征能量占比、滑靴磨损、微弱故障诊断

所属期刊栏目：40

分类号：TH163+.3;TH133

资助基金：国家自然科学基金资助项目51675364

在线出版日期：2020-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：635-642