针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更...

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%...