一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法

摘要

本发明提出了一种基于CEEMD‑STFT时频信息熵和multi‑SVM的离心泵故障诊断方法，包括：第一步，离心泵故障数据预处理；第二步，故障特征提取；第三步，故障特征维度约减；第四步，用multi‑SVM分类器自动识别故障模式。离心泵振动信号具有非平稳、重复再现性不佳等特点，使得一些基于传统时域或频域的分析方法无法及时地反映系统的运行状况。CEEMD是一种自适应的信号分解方法，能将信号分解为一系列的本征模式分量；STFT是一种时频分析方法，可分析非平稳信号；时频信息熵是信号时频分布复杂性的一种度量，能够表征出隐含在信号中的故障信息。本发明将CEEMD、STFT和信息熵方法相结合，并将其用于实际的诊断实验中，数据分析结果显示该方法具有较高的诊断精度。

主权项

一种基于CEEMD‑STFT时频信息熵和multi‑SVM的离心泵故障诊断方法，其特征在于：该方法的步骤如下：第一步，离心泵故障数据预处理；第二步，故障特征提取：首先，使用CEEMD分解方法，将预处理后的信号自适应的分解为一系列的模式分量，模式分量是按频率由高到低排列的，高频成分包含有主要的故障信息，提取前N个模式分量做进一步的分析；其次，对这N个模式分量分别做短时傅里叶变换，分别获取N个包含故障特征时频信息的时频矩阵；最后，按照时频信息熵的定义，提取这些时频矩阵的时频信息熵，至此，得到由这N个不同尺度的时频信息熵组成的N维故障特征向量；第三步，故障特征维度约减；第四步，用multi‑SVM分类器自动识别故障模式：首先，将故障特征数据集分为训练数据和测试数据两部分；其次，使用训练数据训练多分类支持向量机模型，得到分类器模型的参数；最后，将测试数据输入到训练好的分类器模型中，通过模型预测出该特征数据对应的故障模式标签，完成故障诊断。