基于EMD近似熵和LS-SVM的机械故障智能诊断

• 作者: 戴桂平
• 来源期刊: 机械强度
• 关键词: 经验模式分解(empirical mode decomposition,EMD) 近似熵 最小二乘支持向量机(least square support vector machine,LS-SVM)故障诊断
• 年，卷（期）: 2011,（2）
• 所属期刊栏目: 振动·燥声·监测·诊断
• 页码范围: 165-169
• 分类号: TP181|TH165.3
• 语种: 中文

摘要

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键,针对此问题,提出一种基于经验模式分解(empirical mode decomposition,EMD)近似熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的机械故障诊断新方法.利用EMD良好的局域化特性和近似熵表征信号复杂性规律来量化故障特征,再与LS-SVM相结合进行故障类型识别.首先,对故障振动信号进行EMD 分解,得到若干个反映故障信息的本征模函数(intrinsic mode function,IMF);其次,选取前4个IMF的近似熵值作为信号的特征向量;最后将构造的特征向量输入到LS-SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与传统的BP(back propagation)络相比,具有训练样本少、训练时间短、识别率高等优点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	戴桂平	苏州市职业大学电子信息工程系	22	144	5.0	11.0