《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：陈晓
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

作者：刘生政，张琳，曾祥辉，等日期：2020-05-20/span> 浏览：2022 查看PDF文档

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究*
刘生政1，张琳1,2，曾祥辉1，兰媛1,2*，王志坚3，程珩1,2
（1.太原理工大学机械与运载工程学院，山西太原 030024；2.太原理工大学新型传感器与智能控制教育部
（山西省）重点实验室，山西太原 030024；3.中北大学机械工程学院，山西太原 030051）

摘要：针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题，提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号；然后对振动信号进行了最小熵反褶积降噪，排除了噪声干扰，增强了冲击特性；之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量，并通过奇异值分解获得了特征矩阵；最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器，并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明：最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性，克服了经验模态分解对微弱故障特征不敏感的缺陷；以最小熵反褶积集合经验模态分解特征提取方法为输入的超限学习机分类模型，在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。
关键词：最小熵反褶积；集合经验模态分解；超限学习机；故障诊断

中图分类号：TH322 文献标识码：A 文章编号：1001-4551(2020)03-0241-07

本文引用格式：
刘生政，张琳，曾祥辉,等.基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究［J］.机电工程，2020，37(3)：241-246，252.
LIU Sheng-zheng, ZHANG Lin, ZENG Xiang-hui, et al. Loose slipper fault diagnosis of axial piston pump based on MED-EEMD and ELM［J］.Journal of Mechanical & Electrical Engineering, 2020,37(3)：241-246，252.
《机电工程》杂志：http://www.meem.com.cn