基于近似熵和集成经验模态分解的转子多故障诊断方法研究

摘要/Abstract

摘要： 为了提高汽轮机转子多故障分类的准确率，提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法，实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中，近似熵值组成的特征向量彼此间的距离最远，分类效果也最好。

关键词: 集成经验模态分解, 近似熵, 支持向量机, 多故障诊断

Abstract: For the purpose of accurate identification of the turbine rotor multi-fault states, a diagnosis method was put forward based on the EEMD, approximate entropy and SVM. Firstly, the fault signals were decomposed to a number of intrinsic mode functions (IMFs) by EEMD method, then calculating entropy of IMFs as the feature vector to construct samples for binary tree SVM for multi-state classification. This paper compared with approximate entropy, fuzzy entropy and energy method. The experimental results verify the correctness of quantifying the nonlinear characteristics of fault signals with EEMD and entropy theory. They also indicate that the feature vectors based on approximate entropy are farthest from each other in European space, and the classification accuracy is the highest.

Key words: ensemble empirical mode decomposition（EEMD）, approximate entropy, support vector machine (SVM), multi-fault diagnosis

中图分类号:

TK267

韩中合, 徐搏超, 朱霄珣, 焦宏超 . 基于近似熵和集成经验模态分解的转子多故障诊断方法研究[J]. 中国机械工程.

Han Zhonghe, Xu Bochao, Zhu Xiaoxun, Jiao Hongchao. Research on Multi-fault Diagnosis of Rotor Based on Approximate Entropy and EEMD[J]. China Mechanical Engineering.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/

http://www.cmemo.org.cn/CN/Y2016/V27/I16/2186

参考文献

[1]张秀玲，张少宇，赵文保，等. 板形模式识别的多输出最小二乘支持向量回归机新方法[J]. 中国机械工程，2013,24（2）：258-263.

Zhang Xiuling, Zhang Shaoyu, Zhao Wenbao, et al. A Novel Method for Flatness Pattern Recognition via MLSSVM[J]. China Mechanical Engineering, 2013,24（2）：258-263.

[2]古莹奎，承姿辛，朱繁泷. 基于主成分分析和支持向量机的滚动轴承故障特征融合分析[J]. 中国机械工程，2015,26(20):2778-2783.

Gu Yingkui, Cheng Zixin, Zhu Fanlong. Rolling Bearing Fault Feature Fusion Based on PCA and SVM[J]. China Mechanical Engineering, 2015,26(20):2778-2783.

[3]曾鸣，杨宇，郑近德，等. 基于LCD和KNNCH分类算法的齿轮故障诊断方法[J].中国机械工程， 2015,25(15)：2049-2054.

Zeng Ming, Yang Yu, Zheng Jinde, et al. Fault Diagnosis Approach for Gears Based on LCD and KNNCH Classification Algorithm[J]. China Mechanical Engneering， 2015,25(15)：2049-2054.

[4]张爱，陆有忠，郑璐石. 迅速崛起的机器学习技术——支持向量机[J].宁夏工程技术，2004，3（2）：136-140.

Zhang Ai，Lu Youzhong，Zheng Lushi. Rapidly Emerging Machine Learning Technology—Support Vector Machine[J]. Ningxia Engineering Technology, 2004，3（2）：136-140.

[5]Wu Z，Huang N E. A Study of the Characteristics of White Noise Using the Empirical Mode Decomposition Method[J].Proceedings of the Royal Society A，2004，460(2046):1597-1611.

[6]郑近德，程军圣，杨宇. 基于改进的ITD和模糊熵的滚动轴承故障诊断方法[J]. 中国机械工程，2012，23（19）：2372-2377.

Zheng Jinde, Cheng Junsheng, Yang Yu. A Rolling Bearing Fault Diagnosis Method Based on Improved ITD and Fuzzy Entropy[J]. China Mechanical Engneering，2012，23（19）：2372-2377.

[7]胡爱军，孙敬敬，向玲. 经验模态分解中的模态混叠问题[J]. 振动、测试与诊断，2011，31（4）：429-434.

Hu Aijun, Sun Jingjing, Xiang Ling. Mode Mixing in Empirical Mode Decomposition[J]. Journal of Vibration, Measurement & Diagnosis, 2011，31（4）：429-434.

[8]Wu Zhaohua，Huang N E. Ensemble Empirical Mode Decomposition：a Noise-assisted Data Analysis Method [J]. Advances in Adaptive Data Analysis， 2009，1(1)：1-41.

[9]Pincuss S M. Approximate Entropy as a Measure of System Complexity[J]. Proceeding of the National Academy Sciences, 1991，88(6)：2297-2301.

[10]王延博.汽轮发电机组轴系低频振动故障特征及其诊断实例[J].热力发电，2005（1）:32-35.

Wang Yanbo. Fault Characteristics of Low Frequency Vibration of Turbine Generator Set and Its Diagnosis Example[J]. Thermal Power Generation, 2005（1）:32-35.

[11]徐启华，师军.基于支持向量机的航空发动机故障诊断[J].航空动力学报，2005，20(2)：298-302.

Xu Qihua，Shi Jun. Aeroengine Fault Diagnosis Based on SVM[J]. Journal of Aviation Power，2005，20(2)：298-302.

[12]吴虎胜，吕建新，吴庐山，等.基于EMD和SVM的柴油机气阀机构故障诊断[J].中国机械工程，2010,21(22)：2710-2714.

Wu Husheng, Lü Jianxin, Wu Lushan, et al. Fault Diagnosis for Diesel Valve Train Based on SVM and EMD[J]. China Mechanical Engneering，2010,21(22)：2710-2714.

[13]Takahashi F，Abe S . Decision-tree-based Multiclass Support Vector Nachines [C]//Proceedings of the 9th International Joint Conference on Networks. Singapore：IEEE Press，2002:1418-1422.

[14]杨宇，潘海洋，程军圣. 基于LCD降噪和VPMCD的滚动轴承故障诊断方法[J].中国机械工程，2013,24(24):3338-3344.

Yang Yu, Pan Haiyang, Cheng Junsheng. A Rolling Bearing Fault Diagnosis Method Based on LCD De-noising and VPMCD[J]. China Mechanical Engneering, 2013, 24(24): 3338-3344.

[1]	岳建锋, 龙新宇, 黄云龙, 郭嘉龙, 刘文吉. 基于电弧声信号的窄间隙脉冲熔化极气体保护焊侧壁熔合状态在线识别[J]. 中国机械工程, 2024, 35(02): 244-250，259.
[2]	胡博, 罗炜韬, 王少飞, 蓝希旺. 基于支持向量机参数优化的高温合金表面缺陷磁异常定量研究[J]. 中国机械工程, 2023, 34(17): 2058-2064.
[3]	钱门贵, 陈涛, 于耀翔, 郭亮, 高宏力, 李威霖, . 一种改进基尼指数加权的轴承健康指标构建方法[J]. 中国机械工程, 2023, 34(15): 1813-1819，1855.
[4]	李向杰, 张向文, . 基于人工蜂群支持向量机的电动汽车制动意图识别方法[J]. 中国机械工程, 2021, 32(17): 2125-2135.
[5]	郭俊超, 甄冬, 孟召宗, 师占群, 谷丰收. 基于WAEEMD和MSB的滚动轴承故障特征提取[J]. 中国机械工程, 2021, 32(15): 1793-1800.
[6]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[7]	刘元铭, 王振华, 王涛, 刘文礼, 熊晓燕. [成形质量的闭环与自适应控制技术]热轧带钢出口凸度数据驱动建模及智能化预测分析[J]. 中国机械工程, 2020, 31(22): 2728-2733.
[8]	余杭卓1;秦圣峰1,2;丁国富1;江磊1;梁红琴1. 侧铣加工刀具回转轮廓误差预测技术研究[J]. 中国机械工程, 2020, 31(03): 306-313.
[9]	王福斌1;潘兴辰1;孙宇舸2;郭宝军3. 钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报[J]. 中国机械工程, 2019, 30(24): 2968-2973.
[10]	宁静;冉伟;种传杰;陈春俊. 基于S变换的高速列车小幅蛇行识别方法[J]. 中国机械工程, 2019, 30(09): 1097-1102,1110.
[11]	何刘海;吴桂娇;王平. 基于支持向量机决策树的航空发动机轴心轨迹识别方法[J]. 中国机械工程, 2019, 30(08): 969-974.
[12]	王福斌1, 2;孙海洋1;TU Paul2. 边缘扩展的皮带撕裂支持向量机视觉检测[J]. 中国机械工程, 2019, 30(04): 455-460.
[13]	唐秋华1,2,3;成丽新1,2,3;张利平1,2,3. 扰动累积下基于机器学习的重调度方式选择[J]. 中国机械工程, 2019, 30(04): 472-479.
[14]	葛亮, 苗瑞, 葛秋原, 吴易洲. [质量优化]窄搭接焊缝涡流信号的特征提取与缺陷识别[J]. 中国机械工程, 2019, 30(02): 225-229.
[15]	张旭刚, 敖秀奕, 张华, 江志刚, . [机械装备再制造]考虑失效特征的废旧零部件再制造成本预测模型研究[J]. 中国机械工程, 2018, 29(21): 2594-2599.