基于CEEMDAN奇异值熵和SVM的转子故障诊断
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
4.11 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
13
简介
提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。相关论文
- 2025-01-24沥青混合料探地雷达图像正演模拟与扩散研究
- 2025-01-26扩散强制蚁群算法求解越野机器人路径规划
- 2021-05-24Mg2Si/A1复合材料的制备方法、力学性能和摩擦磨损行为研究现状
- 2021-04-20多晶及单晶铜的磨损及腐蚀性能研究
- 2021-08-30HMn58-2配流盘摩擦副表面激光加工微阵列对其摩擦磨损性能的影响
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。