基于IMF-MFDE和GRU的水电机组故障诊断

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。

基于CEEMDAN-MFDE-HHO-SVM的机载燃油泵故障辨识

针对机载燃油泵振动信号的有效分量相互耦合、故障特征提取困难,进而导致故障识别准确率低的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)、多尺度波动散布熵(MFDE)和哈里斯鹰算法(HHO)优化支持向量机(SVM)的机载燃油泵故障辨识方法(CEEMDAN-MFDE-HHO-SVM)。首先,采用CEEMDAN方法对机载燃油泵振动信号进行了自适应分解,生成了一组从低频到高频分布的本征模态函数(IMF),并选择包含冲击信息较多的IMF分量进行了信号重构,得到了噪声含量较低的信号;然后,采用MFDE方法计算了低噪信号的熵值,构造了表征样本故障属性的特征矩阵;最后,采用HHO算法对SVM的关键参数进行了优化,以构造基于HHO-SVM模型的多故障分类器,对机载燃油泵的故障进行了辨识;基于实测机载燃油泵故障数据集,将CEEMDAN-MFDE-HHO-SVM方法与其他组合方法进行了对比分析。研究结果表明:该故障辨识模型的故障分类准确率达到了100%,在信号处理、熵值特征提取和分类器方面都优于其他对比方法;该模型不仅具有更高的分类准确率,而且具有更优异的效率,后续可以将其推广到其他机械设备的故障辨识中。