排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
针对往复压缩机气阀故障振动信号在进行多重分形分析时易受时间序列非平稳趋势影响,无法准确揭示其多重分形特征的难题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和多重分形去趋势分解(Multifractal Detrended Fluctuation Analysis,MF-DFA)的往复压缩机气阀故障特征提取方法。首先,利用VMD方法对往复压缩机气阀信号进行分解,根据互相关系数法选取模态分量进行信号重构,可有效消除噪声干扰;然后采取MF-DFA方法对重构后信号进行分析,以反映结构特征和局部振动信号尺度行为的特征向量参数Δα、α(fmax)、fmax、Δf和B为模式识别向量,极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态进行分类识别。研究结果表明:该方法能够揭示往复压缩机气阀振动信号的多重分形特性,具有较强的辨识能力。 相似文献
2.
3.
针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。 相似文献
1