排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
一种基于经验模式分解与支持向量机的转子故障诊断方法 总被引:13,自引:2,他引:13
转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。 相似文献
4.
基于EMD的奇异值熵在转子系统故障诊断中的应用 总被引:8,自引:2,他引:8
提出了一种基于EMD(Empirlcal Mode Decomposition)和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号,得到若干个基本内禀模式函数(Intrinsic Mode Function,简称IMF),然后利用IMF分量形成初始特征向量矩阵,并对初始特征向量矩阵求奇异值熵,奇异值熵的大小反映了转子系统运行状态的差别,从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。 相似文献
1