文献类型：期刊文章

作　　者：刘军龙[1] 俞凯耀[2] 张相春[3]

LIU Junlong;YU Kaiyao;ZHANG Xiangchun(School of Resources an Environment,Zunyi Normal College,Zunyi 563006,China;College of Marine Equipment Engineering,Zhejiang International Maritime College,Zhoushan 316012,China;School of Biology and Agricultural Technology(College of Food Science and Technology),Zunyi Normal University,Zunyi 563006,China)

机构地区：[1]遵义师范学院资源与环境学院,贵州遵义563006 [2]浙江国际海运职业技术学院海洋装备工程学院,浙江舟山316012 [3]遵义师范学院生物与农业科技学院(食品科技学院),贵州遵义563006

出　　处：《机电工程》

基　　金：浙江省高等教育研究项目(KT2022324);遵义师范学院博士基金资助项目(遵师BS〔2018〕14号)。

年　　份：2023

卷　　号：40

期　　号：10

起止页码：1616-1623

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对机载燃油泵振动信号的有效分量相互耦合、故障特征提取困难,进而导致故障识别准确率低的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)、多尺度波动散布熵(MFDE)和哈里斯鹰算法(HHO)优化支持向量机(SVM)的机载燃油泵故障辨识方法(CEEMDAN-MFDE-HHO-SVM)。首先,采用CEEMDAN方法对机载燃油泵振动信号进行了自适应分解,生成了一组从低频到高频分布的本征模态函数(IMF),并选择包含冲击信息较多的IMF分量进行了信号重构,得到了噪声含量较低的信号;然后,采用MFDE方法计算了低噪信号的熵值,构造了表征样本故障属性的特征矩阵;最后,采用HHO算法对SVM的关键参数进行了优化,以构造基于HHO-SVM模型的多故障分类器,对机载燃油泵的故障进行了辨识;基于实测机载燃油泵故障数据集,将CEEMDAN-MFDE-HHO-SVM方法与其他组合方法进行了对比分析。研究结果表明:该故障辨识模型的故障分类准确率达到了100%,在信号处理、熵值特征提取和分类器方面都优于其他对比方法;该模型不仅具有更高的分类准确率,而且具有更优异的效率,后续可以将其推广到其他机械设备的故障辨识中。

关 键 词：泵  故障识别准确率  自适应噪声完备经验模态分解  多尺度波动散布熵  哈里斯鹰优化  支持向量机  

分 类 号：TH3] V228.1]