基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响，运行产生的振动信号具有非平稳、非线性的特点，为了从振动信号中提取设备的非线性动力学特征，将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征，用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型，模型利用K-means优化RELM结构，提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标，优选包含故障特征信息丰富的分量；然后，计算IMFs的多尺度排列熵值，提取信号的非线性动力学特征；最后，基于多尺度排列熵，建立...