文献类型：期刊文章

作　　者：洪晓艺[1] 翟东媛[2] 乔庆鹏[3]

HONG Xiao-yi;ZHAI Dong-yuan;QIAO Qing-peng(Department of Electronic Information,Xinxiang Vocational and Technical College,Xinxiang,Henan 453006;Department of Electronic and Information Engineering,Hunan University,Changsha,Hunan 410082;College of Artificial Intelligence,Henan University of Finance and Economics,Zhengzhou,Henan 450046)

机构地区：[1]新乡职业技术学院,电子信息系,河南新乡453006 [2]湖南大学,电子信息工程系,湖南长沙410082 [3]河南财政金融学院,人工智能学院,河南郑州450046

出　　处：《液压与气动》

基　　金：湖南省自然科学基金青年基金(2019JJ50091);河南省高等学校重点科研项目(18A150013)。

年　　份：2021

卷　　号：45

期　　号：6

起止页码：91-96

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine,SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。

关 键 词：故障诊断 柱塞泵 极限学习  支持向量机 仿真分析  

分 类 号：TH137]