基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

基于优化k值的VMD和矩阵分形的供输弹系统早期故障诊断

对于供输弹系统早期故障信号非线性、非平稳、故障信息易被湮没难以识别的问题,提出了基于优化k值的变分模态分解(VMD)和矩阵分形的早期故障识别方法。首先计算不同k值下相对能量比值μ的大小,选择与较小μ值对应的k作为分解层数并对分解结果进行检验;然后通过计算VMD分解后得到的各工况信号IMF的广义维数,构建每种工况的分形矩阵;最后计算样本信号与待测信号分形矩阵的相关系数,确定待测信号的工况。结果表明该方法能对供输弹系统早期故障进行有效识别。