基于振动信号的低压万能式断路器分合闸故障程度评估方法的研究

目前设备的机械故障诊断技术的研究多限于定性诊断,而故障诊断中故障程度的定量评估更能有效的指导设备维护。该文提出了一种低压万能式断路器分合闸故障程度定量评估的方法。首先对断路器工作模式进行识别,即利用局部均值分解(local mean decomposition,LMD)将采集到的分合闸振动信号自适应分解,求取主要乘积函数(product function,PF)的改进多尺度排列熵(multi-scale permutation entropy,MMPE)构成特征向量,再经过降维后,作为改进支持向量机(support vector machine,SVM)的输入量,实现断路器工作模式的识别;当断路器处于故障模式时,对采集的振动信号求取多尺度排列熵偏均值(partial mean of multi-scale permutation entropy,PMMPE),作为故障程度定量评估指标,并参照所求得的不同故障模式的故障程度特性曲线,可实现分合闸故障程度的定量评估。经实测数据验证表明,所提方法可以完成断路器工作模式的有效识别,且PMMPE指标相较于峭度、能量和多尺度排列熵平均值指标,能够更加有效的完成低压万能式断路器分合闸故障程度的定量评估。

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。