基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法。首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;然后,计算包含主要故障信息的内禀模态函数的模糊熵值。最后,将熵值作为特征向量,输入至基于优化支持向量机的分类器中。将上述方法应用于滚动轴承实验数据,分析结果表明,上述方法可有效实现滚动轴承的故障诊断。

基于EMD-SVR的光纤陀螺随机误差预测

为了提升光纤陀螺随机误差建模的准确性及补偿结果,提出了一种基于经验模态分解与支持向量机结合的随机误差预测方法。鉴于随机误差的非线性及不稳定性,直接进行预测时精度不高,采用经验模态分解对原始数据进行分解以降低时间序列的复杂程度;然后根据经验模态分解得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;再将所得的各分量的预测结果综合以得到光纤陀螺随机误差的预测结果。以光纤陀螺随机误差数据作为验证,结果表明,相较于传统的预测方法,均方根误差与平均绝对误差分别降低了78.4%和75.5%,有效提高了回归精度。

基于EMD-SVR的排气温度裕度预测

排气温度是发动机运行状态的重要性能表征参数之一,通过对多个飞行架次的排气温度裕度(Exhaust Gas Temperature Margin,EGTM)进行预测分析,能够有效表达发动机的工作性能,从而为后续故障预防及检测提供理论依据。针对EGTM数据的非线性、非平稳特征,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)与支持向量回归(Support Vector Regression,SVR)相结合的预测方法。通过EMD方法对EGTM数据进行分解以降低时间序列的复杂程度;然后根据EMD得到的各本征模态函数及趋势序列,构建基于SVR的预测模型;最后将所得的各分量的预测结果综合以得到EGTM的预测结果。以某航空发动机EGTM数据作为验证,结果表明,相比于传统的预测方法,RMSE与MAE分别降低了77.76%、80.62%,有效提高了回归精度。