首页|VMD模糊熵和SVM在柱塞泵故障诊断中的应用

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解(Varia-tional Mode Decomposition,VMD)模糊熵和支持向量机(Vupport Vector Machine,SVM)相结合的柱塞泵故障诊断方法.首先将信号经过VMD分解形成K个固有模态分量(Intrinsic Modal Component,IMF);然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3％.将该方法与经验模态分解(Empirical Mode Decomposition,EMD)模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性.
Application of VMD Fuzzy Entropy and SVM in Plunger Pump Fault Diagnosis

Plunger PumpVariational Modal DecompositionFuzzy EntropySupport Vector MachineFault Diagnosis

韩露、程珩、励文艳、赵立红

展开 >

太原理工大学新型传感器与智能控制教育部和山西省重点实验室,山西太原 030024

太原理工大学机械工程学院,山西太原 030024

柱塞泵 变分模态分解 模糊熵 支持向量机 故障诊断

国家自然科学基金

51675364

2023

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2023.389(7)
  • 7