通过变分模态分解特征能量重构法(VMD)来实现对故障进行分析时,存在准确性不高的问题,针对这一问题,提出了一种通过变分模态分解特征能量重构法(VMD)和多尺度散布熵实现的柱塞泵滑靴磨损故障诊断方法。首先,对原始信号先进行了VMD分解,获得了能量余量;然后,设计了一种建立在特征能量占比(FER)基础上的变分模态分解特征能量重构法(VMD)和多尺度散布熵(MDE)的方法;最后,以柱塞泵故障诊断为研究对象,通过仿真分析方法,依次对柱塞泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下的情况进行了分析。仿真及研究结果表明:在逐渐增加时间尺度的过程中,粗粒化序列的随机性和复杂性都明显下降;故障程度增大后,形成了更加规律的变化过程;与DE、MSE和MFE相比,该方法的计算速度更快,分离效果更好;ELM相对SVM的训练时间缩短了12.5%,同时测试精度提升了17%;相

针对变分模态分解(Variational Modal Decomposition,VMD)特征能量重构法实现故障算法存在准确性不高问题,对原始信号先通过VMD分解获得能量余量,在特征能量占比(Feature Energy Ratio,FER)基础上对VMD特征能量重构法,并选择有效的多尺度散布熵(Multiscale Dispersion Entropy,MDE)作为向量。以液压泵故障诊断为研究对象,依次分析了液压泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下情况。仿真结果得到:时间尺度持续增大,形成了排列更有序的粗粒化序列,系统复杂性大幅降低。重构信号MDE在正常运行状态和滑靴磨损达到0.10 mm时都可以保持稳定状态。VMD-MDE方法进行处理获得了98.1%准确率,与VMD相关系数分类方法相比提高了7.1%,与模态分解(Mode Decomposition,DE)方法相比提高19.32%。极限学习机(Extreme Learning Machine,ELM)处理时间比支持向量机(Support Vector Machine,SVM)降低13.2%,而准确率增