数据驱动的凸轮式绝对重力仪微小故障诊断

针对凸轮式绝对重力仪微小故障幅值小、故障特征微弱及易被噪声掩盖而难于发现等特点,提出了一种融合改进集总平均经验模态分解(modified ensemble empirical mode decomposition,简称MEEMD)、能量熵以及多尺度排列熵(multi-scale permutation entropy,简称MPE)的凸轮式绝对重力仪微小故障诊断方法.通过MEEMD算法对凸轮式绝对重力仪不同工况下的振动信号进行自适应分解,筛选出有效的本征模态函数(intrinsic mode function,简称IMF),提取出振动数据中具有敏感特征的多尺度排列熵和能量熵,将提取的多维特征向量矩阵输入到以径向基函数(radial basis function,简称RBF)为核函数的支持向量机(support vector machine,简称SVM)中,基于数据实现了凸轮式绝对重力仪微小故障的精确诊断.试验结果表明,该方法可以有效区分凸轮式绝对重力仪的各类微小故障,识别准确度达到97.1％,解决了因微小故障导致凸轮式绝对重力仪测量精度低的问题,实现了重力仪微小故障的快速溯源和精准定位,具有较好的工程应用前景.