基于EEMD和SOM神经网络的水电机组故障诊断

wf（2017）

引用 9|浏览2

暂无评分

摘要

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法.首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别.结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度.

查看译文

关键词

hydroelectric sets,fault diagnosis,ensemble empirical mode decomposition,self-organizing feature map network,singular spectrum entropy

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要