基于KPEMD与INFO-SVM的柱塞泵故障诊断
Journal of North University of China（Natural Science Edition)（2023）
摘要
针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition,KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法.首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别.利用柱塞泵实验数据进行对比分析,结果表明:KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果.本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98％.
更多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