文档名：基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断
摘要：为充分挖掘转辙机振动信号的有效故障信息,提高故障诊断准确率,提出了一种基于集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)、改进时域多尺度散布熵(ImprovedTime-domainMultiscaleDisper?sionEntropy,TMDE)与粒子群优化算法(ParticleSwarmOptimizationalgorithm,PSO)优化支持向量机(SupportVectorMachine,SVM)的故障诊断方法.首先,通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数(IntrinsicModeFunctions,IMFs);其次,采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号;再次,应用所提ITMDE算法提取重构信号的多尺度故障特征;最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100％,分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法,能精确地识别转辙机故障类型.
作者：曹源 宋迪 胡小溪 孙永奎 Author：CAOYuan SONGDi HUXiao-xi SUNYong-kui
作者单位：北京交通大学轨道交通运行控制系统国家工程研究中心,北京100044北京交通大学轨道交通控制与安全国家重点实验室,北京100044
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(1)
分类号：U284.92
关键词：故障诊断 转辙机 集合经验模态分解 改进时域多尺度散布熵 支持向量机
机标分类号：TP391.41TH137S
在线出版日期：2023年3月10日
基金项目：国家自然科学基金，国家自然科学基金基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断[
期刊论文] 电子学报--2023, 51(1)曹源 宋迪 胡小溪 孙永奎为充分挖掘转辙机振动信号的有效故障信息,提高故障诊断准确率,提出了一种基于集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)、改进时域多尺度散布熵(ImprovedTime-domainMultiscaleDisper?sionEnt...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断 Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine
基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断.pdf
- 文件大小:
- 3.12 MB
- 下载次数:
- 60
-
高速下载
|
|
