對于水電機組非平穩非線性振動信號特征提取方法的研究近年來一直是水電機組故障診斷領域研究熱點,特征提取的有效性直接關系到故障診斷的準確性。本文提出基于集合經驗模態分解(EEMD)和近似熵的水電機組振動信號特征提取方法,將信號經EEMD分解后篩選得到的本征模態分量(IMF)近似熵特征值輸入概率神經網絡(PNN)進行模式識別。采用經驗模態分解(EMD)和近似熵特征提取方法進行對比實驗。識別結果表明:采用EEMD和近似熵的特征提取方法,能有效區分機組不同的運行狀態,可為實際工程應用提供理論依據。

【文章頁數】：10 頁

【部分圖文】：

圖2轉子試驗臺系統Fig.2Rotorlaboratorybench

蔣文君，等：基于EEMD近似熵的水電機組振動信號特征提取21和重復實驗驗證所提方法的高效性和穩定性，對比試驗采用EMD近似熵方法。3.1轉子試驗臺振動信號利用如圖2所示的轉子試驗臺系統采集信號。轉子試驗臺由直流電機驅動，額定電流為1.95A，最大輸出功率為148W，由DH5600....

圖3不同運行狀態下機組Fig.3Comparisonofnoises-reducedvibrationsignals（g）降噪前-不對中狀態

22水力發電學報（e）降噪前-不平衡狀態（f）降噪后-不平衡狀態（g）降噪前-不對中狀態（h）降噪后-不對中狀態圖3不同運行狀態下機組振動信號降噪前后對比Fig.3Comparisonofnoises-reducedvibrationsignalsindifferentopera....

圖4不同模擬故障狀態下信號IMF分量Fig.4IMFsofsignalswithdifferentfaults（c）不平衡狀態IMF分量（d）不對中狀態IMF分量

22水力發電學報（e）降噪前-不平衡狀態（f）降噪后-不平衡狀態（g）降噪前-不對中狀態（h）降噪后-不對中狀態圖3不同運行狀態下機組振動信號降噪前后對比Fig.3Comparisonofnoises-reducedvibrationsignalsindifferentopera....

圖5機組模擬振動信號EEMD近似熵特征向量輸入PNN后的分類結果Fig.5ClassificationofEEMDapproximateentropyeigenvectorsofvibrationsignalsinputintoPNN

46000.28561310.59230.75070.49340.49470.2183利用四種運行狀態下的各40組EEMD近似熵特征集創建概率神經網絡進行訓練與預測，每種狀態隨機選取20組數據作為訓練集樣本，另外20組數據作為測試集樣本。將實際輸出結果與期望輸出結果進行對比得到特....

本文編號：3995810