基于CEEMDAN多尺度排列熵和SO-RELM的高压隔膜泵单向阀故障诊断

作者：李瑞; 范玉刚^*

来源：振动与冲击, 2023, 42(05): 127-135.

DOI：10.13465/j.cnki.jvs.2023.05.016

• 自适应噪声完备经验模态分解
• 排列熵
• 结构优化正则化极限学习机
• 故障诊断

高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响，运行产生的振动信号具有非平稳、非线性的特点，为了从振动信号中提取设备的非线性动力学特征，将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征，用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型，模型利用K-means优化RELM结构，提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标，优选包含故障特征信息丰富的分量；然后，计算IMFs的多尺度排列熵值，提取信号的非线性动力学特征；最后，基于多尺度排列熵，建立基于SO-RELM的故障诊断模型。试验结果表明，CEEMDAN多尺度排列熵能够准确表征高压隔膜泵单向阀运行状态的非线性动力学特征，基于CEEMDAN多尺度排列熵建立的SO-RELM故障模型，能够有效识别高压隔膜泵单向阀工况类型，准确率达98.89%。

• 单位
  昆明理工大学; 自动化学院