基于CEEMDAN与VNWOA-LSSVM的供输弹系统早期故障诊断研究

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明:这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。

基于自适应TQWT和样本熵的供输弹系统故障诊断识别

为解决复杂供输弹系统早期微弱特征提取的问题,提出将自适应可调品质因子小波变换(TQWT)和样本熵相结合的供输弹故障诊断方法。基于能量加权归一化小波熵对TQWT的必要参数进行自适应选取,运用样本熵特征指标选出5个最优的特征子带,将样本熵组成的特征向量作为Elman神经网络的输入,对供输弹系统早期故障进行识别,输出结果显示,将TQWT和样本熵相结合的诊断方法可用于供输弹系统故障识别,准确率高达9224%。

基于EEMD与随机森林的的供输弹系统早期故障识别

对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法。首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个。结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率达到94.57%,并与决策树的诊断结果进行了对比,证明了该方法的有效性。