基于EEMD排列组合熵的SVM转子振动故障诊断研究

• 作者: 朱霄珣 焦宏超 王智 韩中合
• 来源期刊: 电力建设
• 学科: 工学
• 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
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 发电技术
• 页码范围: 92-96
• 页数: 5页
• 分类号: TM62|TK267
• 字数: 3531字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-7229.2016.01.014

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	韩中合	华北电力大学能源动力与机械工程学院	181	1606	21.0	31.0
2	朱霄珣	华北电力大学能源动力与机械工程学院	29	165	7.0	11.0
3	王智	华北电力大学能源动力与机械工程学院	44	244	8.0	14.0
4	焦宏超	华北电力大学能源动力与机械工程学院	6	52	3.0	6.0