基于CEEMDAN奇异值熵和SVM的转子故障诊断

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。