基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

• 作者: 兰媛 刘生政 张琳 曾祥辉 王志坚 程珩
• 来源期刊: 机电工程
• 学科: 工学
• 关键词: 最小熵反褶积 集合经验模态分解 超限学习机 故障诊断
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 机械、仪表技术
• 页码范围: 241-246,252
• 页数: 7页
• 分类号: TH322
• 字数: 5150字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2020.03.004

摘要

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法.首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比.研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王志坚	中北大学机械工程学院	25	55	4.0	6.0
2	曾祥辉	太原理工大学机械与运载工程学院	3	4	1.0	2.0
3	刘生政	太原理工大学机械与运载工程学院	1	0	0.0	0.0