文献类型：期刊文章

作　　者：李贝贝[1] 孙深圳[1] 刘秀梅[1] 刘启航[1] 刘申[1] 赵巧[2] 贺杰[3]

LI Beibei;SUN Shenzhen;LIU Xiumei;LIU Qihang;LIU Shen;ZHAO Qiao;HE Jie(School of Mechatronic Engineering,China University of Mining and Technology,Xuzhou 221116;College Student Innovation Training Center,China University of Mining and Technology,Xuzhou 221116;School of Electrical and Control Engineering,Xuzhou University of Technology,Xuzhou 221018)

机构地区：[1]中国矿业大学机电工程学院,徐州221116 [2]中国矿业大学大学生创新训练中心,徐州221116 [3]徐州工程学院电气与控制工程学院,徐州221018

出　　处：《机械工程学报》

基　　金：国家自然科学基金(51875559);江苏省优势学科建设(PAPD)资助项目。

年　　份：2023

卷　　号：59

期　　号：24

起止页码：312-322

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EI、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：空化现象往往致使调节阀产生振动、噪声以及工作效率下降等问题,严重影响煤液化系统的安全运行和元件寿命。准确识别调节阀内的空化状态可以为监测调节阀内空化状态、调节阀预测性维修提供数据支撑。针对调节阀空化状态难以有效识别的问题,构建一种基于遗传算法和核主成分分析(Kernel principle component analysis,KPCA)的支持向量机(Support vector machines,SVM)模型来对调节阀空化状态进行识别。利用时域、频域以及小波包变换提取振动信号的特征,通过KPCA提取特征向量的主成分,然后使用遗传算法优化后的SVM进行调节阀空化状态识别。试验结果表明,KPCA能够有效提取振动信号特征向量的非线性主成分,构建的SVM可有效识别调节阀空化状态。相比基于神经网络的空化状态识别而言,改进SVM具有更好的识别效果,识别准确率达98.7%。

关 键 词：调节阀 空化状态识别  SVM 遗传算法

分 类 号：TH137]