信息熵融合的PSO-SVC涡旋压缩机故障诊断

作者：刘涛; 梁成玉

来源：振动.测试与诊断, 2022, 42(01): 141-200.

DOI：10.16450/j.cnki.issn.1004-6801.2022.01.022

• 信息熵融合
• 粒子群优化-支持向量回归
• 涡旋压缩机
• 故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector classification,简称SVC)涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解(variational mode decomposition,简称VMD)能量熵衡量故障振动信号时-频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。

• 单位
  机电工程学院; 兰州理工大学