基于VMD-多尺度排列熵和SVM的船用空压机故障诊断方法

船用机械振动信号存在非线性、非平稳性问题,故障特征难提取,通过变分模态分解(variational mode decomposition,VMD)多尺度排列熵(multiscale permutation entropy,MPE)与支持向量机(support vector machine,SVM)融合的故障诊断方法,对振动信号进行研究。以空压机为例,首先,模拟6种空压机工况,对各工况的热工参数进行测试,分析各工况热工参数的变化程度,并对采集的振动信号进行频域分析。然后通过VMD对振动信号进行分解,得到一系列固有模态分量,计算与原始信号的互相关系数筛选敏感固有模态分量。最后计算出敏感固有模态分量的多尺度排列熵,将其作为特征向量,输入到SVM中,进行故障辨识。实验结果表明:VMD多尺度排列熵与SVM融合的空压机故障辨识方法,能有效地识别故障类型,整体准确率可保持在98.6667%,将此方法与其他方法进行对比,证明此方法有效。

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。

HHT和马氏距离融合的船用空压机故障诊断

为了诊断船用二级往复式空压机最常见的活塞环断裂故障,提出一种将HHT(hilbert-huang transfarm)边际谱和马氏距离相融合的方法。通过空压机正常状态和人为模拟一、二级活塞环断环的实验,采集正常和故障状态下的一、二级缸套和缸盖振动信号。利用HHT算法处理采集的数据,获取HHT边际谱,以空压机固有频段能量值为特征值和马氏距离为分类器,识别其故障类型。实验表明:该方法可以准确、有效地诊断出船用二级往复式空压机活塞断环故障。