基于集合经验模态分解样本熵和LIBSVM的离心风机故障诊断方法

被引：9

作者：

周云龙

张岗

机构：

[1] 东北电力大学能源与动力工程学院

来源：

热力发电 | 2017年 / 02期

关键词：

离心风机; 集合经验模态分解; 样本熵; 支持向量机; 风机故障;

D O I：

暂无

中图分类号：

TM621 [火力发电厂、热电站]; TH432 [离心式（辐流式）];

学科分类号：

080802 ; 080704 ;

摘要：

针对离心风机故障信号非平稳、非线性的特征以及应用过程样本少等特点,提出基于集合经验模态分解(EEMD)样本熵和LIBSVM的离心风机故障诊断的新方法。首先采用总体平均经验模态将传感器信号分解成若干个平稳的本征模态函数(IMF)分量;其次通过相关系数准则对IMF分量进行选择去除虚假模式分量,对于筛选出的IMF分量分别计算样本熵并将其作为特征向量;最后将特征向量输入LIBSVM和BP神经网络进行模式识别。实验验证了该方法的可行性、有效性和优越性。

引用

页码：114 / 119

页数：6

共 15 条

[1] 基于EEMD样本熵和GK模糊聚类的机械故障识别 [J].

王书涛 ;

李亮 ;

张淑清 ;

孙国秀 .

中国机械工程, 2013, 24 (22) :3036-3040+3044

[2] Application of the ensemble empirical mode decomposition and Hilbert transform to pedestal looseness study of direct-drive wind turbine [J].

An, Xueli ;

Jiang, Dongxiang ;

Li, Shaohua ;

Zhao, Minghao .

ENERGY, 2011, 36 (09) :5508-5520

[3]

EEMD method and WNN for fault diagnosis of locomotive roller bearings[J] . Yaguo Lei,Zhengjia He,Yanyang Zi. &nbspExpert Systems With Applications . 2010 (6)

[4] The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J].

Huang, NE ;

Shen, Z ;

Long, SR ;

Wu, MLC ;

Shih, HH ;

Zheng, QN ;

Yen, NC ;

Tung, CC ;

Liu, HH .

PROCEEDINGS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCES, 1998, 454 (1971) :903-995

[5]

Ensemble empirical mode decomposition: A noise-assisted data analysis method. Wu, Zhaohua,Huang, Norden E. Advances in Adaptive Data Analysis . 2009

[6]

Physiological time-series analysis using approximate entropy and sample entropy. Richman J S,Moorman J R. American journal of physiology. Heart and circulatory physiology . 2000

[7] 基于PSO-LIBSVM的广域后备保护新算法 [J].