VMD模糊熵和SVM在柱塞泵故障诊断中的应用

作     者：韩露 程珩 励文艳 赵立红 HAN Lu;CHENG Hang;LI Wen-yan;ZHAO Li-hong

作者机构：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 

基　　金：国家自然科学基金项目资助(51675364) 

出 版 物：《机械设计与制造》 (Machinery Design & Manufacture)

年 卷 期：2023年第389卷第7期

页      码：110-115页

摘      要：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(Variational 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。

主 题 词：柱塞泵 变分模态分解 模糊熵 支持向量机 故障诊断 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 080704[080704] 08[工学] 080401[080401] 0807[工学-电子信息类] 0804[工学-材料学] 0802[工学-机械学] 080201[080201] 

D　O　I：10.3969/j.issn.1001-3997.2023.07.023

馆 藏 号：203122610...