基于时频熵特征实现异步电机机械故障诊断

针对异步电机机械故障发生概率高且缺乏有效识别方法的现象,提出基于时频熵特征的支持向量机分类模型。通过搭建故障模拟平台,实现针对正常运转、动态偏心、不对中、基座松动以及轴承故障等多类型样本的振动信号采集,提取多维度的统计指标,并利用特征选择方法降低时间复杂度,以确保诊断的准确性和及时性,最后结合支持向量机进行模型训练,以完成故障诊断。实验结果表明:文中提出的方法,在已有的样本数据中准确度较高,一致性较好,整体方法实现简单。

多特征提取与IGWO-SVM的谐波减速器故障识别

为解决对谐波减速器进行故障诊断时,提取的特征信息不足、使用的分类网络容易陷入过拟合的问题,提出了利用改进的完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)降噪与多特征提取结合改进灰狼优化算法(improved grey wolf optimizer,IGWO)优化支持向量机(support vector machine,SVM)的故障识别方法。首先,对采集到的不同故障源的多工况谐波减速器振动信号进行ICEEMDAN分解,应用相关性分析完成信号重构,实现信号降噪处理;其次,提取数据的时频熵特征,丰富所提取数据的特征信息;最后,通过对GWO的收敛因子、比例权重和种群初始化进行改进,构建IGWO-SVM对数据进行分类,完成谐波减速器故障识别。结果表明,所提方法的平均准确率可以达到91.27%,相较于GWO-SVM验证集准确率由87.5%提升到了90%,所提方法能够有效地对多工况谐波减速器进行故障识别,且具有较强的泛化能力。