-
题名基于VMD-MDE和ELM的柱塞泵微弱故障诊断
被引量：16
- 1
-
-
作者
程珩
励文艳
权龙
赵立红
关澈
韩露
-
机构
太原理工大学新型传感器与智能控制教育部重点实验室
太原理工大学新型传感器与智能控制山西省重点实验室
太原理工大学机械工程学院
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2020年第4期635-642,818,共9页
-
基金
国家自然科学基金资助项目(51675364)。
-
文摘
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
-
Keywords
variational modal decomposition(VMD)
multiscale dispersion entropy(MDE)
extreme learning machine(ELM)
feature energy ratio(FER)
sliding shoe wear
weak fault diagnosis
-
分类号
TH163.3
[机械工程—机械制造及自动化]
TH133
[机械工程—机械制造及自动化]
-
