VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征，提高故障诊断准确率，提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）；然后确定IMF个数，提出了基于峭度分析的IMF个数确定方法；其次取峭度值较大的IMF并计算其模糊熵，确定了各状态下相应的模糊熵；最后将模糊熵作为特征向量输入SVM进行故障识别，准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比，结果表明，VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。