EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断

针对船用往复式二级空压机振动信号非线性、非平稳性问题,利用振动信号辨识故障,综合集成经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)的信号处理优势,提出一种将EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断方法。模拟正常状态和4种故障状态进行故障诊断实验。采集的振动信号用小波降噪法进行处理。为模拟船用空压机实际工作环境,在EEMD处理过程中加入加性高斯白噪声(信噪比7.5 dB)。以相关性为评价指标选取各状态下本征模态函数(intrinsic mode function,IMF),并以每个IMF的能量熵和奇异值熵作为特征值,采用SVM分类器识别故障。实验表明:与基于经验模态分解(empirical mode decomposition,EMD)和SVM等故障诊断方法相比,该方法能更有效地识别故障。该方法在实船应用中获得较好的诊断效果,可为现代船舶智能故障诊断研究提供参考。

基于变分模态分解与SVR的钢绞线应力状态估计方法

针对现有钢绞线应力超声导波检测技术的局限性,该文提出一种基于奇异值熵与支持向量回归(SVR)的钢绞线应力状态估计方法。超声导波在钢绞线中的传播带有丰富的应力信息,通过在时-频域内进行导波信号的变分模态分解(VMD)提取不同应力状态下VMD能量熵和奇异值熵,应用SVR方法提取钢绞线中导波传播信号的VMD能量熵、奇异值熵和钢绞线应力状态之间的映射关系,从而建立钢绞线应力状态估计模型。应用试验室采集的导波传播信号对提出的方法进行测试,测试结果表明,该方法能够准确估计钢绞线的应力状态,平均估计误差在5%以内,相较于BP神经网络方法,SVR模型具有更高的稳定性,为在役桥梁钢绞线应力的检测提供了新的思路。