典型文献
数据驱动的凸轮式绝对重力仪微小故障诊断
文献摘要：
针对凸轮式绝对重力仪微小故障幅值小、故障特征微弱及易被噪声掩盖而难于发现等特点,提出了一种融合改进集总平均经验模态分解(modified ensemble empirical mode decomposition,简称MEEMD)、能量熵以及多尺度排列熵(multi-scale permutation entropy,简称MPE)的凸轮式绝对重力仪微小故障诊断方法.通过MEEMD算法对凸轮式绝对重力仪不同工况下的振动信号进行自适应分解,筛选出有效的本征模态函数(intrinsic mode function,简称IMF),提取出振动数据中具有敏感特征的多尺度排列熵和能量熵,将提取的多维特征向量矩阵输入到以径向基函数(radial basis function,简称RBF)为核函数的支持向量机(support vector machine,简称SVM)中,基于数据实现了凸轮式绝对重力仪微小故障的精确诊断.试验结果表明,该方法可以有效区分凸轮式绝对重力仪的各类微小故障,识别准确度达到97.1％,解决了因微小故障导致凸轮式绝对重力仪测量精度低的问题,实现了重力仪微小故障的快速溯源和精准定位,具有较好的工程应用前景.
文献关键词：
凸轮式绝对重力仪;故障诊断;改进集总平均经验模态分解;能量熵;多尺度排列熵
中图分类号：
作者姓名：
牟宗磊;王晨;张媛;郝妮妮;胡若
作者机构：
山东科技大学电气与自动化工程学院 青岛,266590;山东科技大学机械电子工程学院 青岛,266590;中国计量科学研究院 北京,100029
文献出处：
引用格式：
[1]牟宗磊;王晨;张媛;郝妮妮;胡若-.数据驱动的凸轮式绝对重力仪微小故障诊断)[J].振动、测试与诊断,2022(06):1068-1075
A类：
凸轮式绝对重力仪,改进集总平均经验模态分解
B类：
微小故障,故障特征,微弱,掩盖,难于,modified,ensemble,empirical,mode,decomposition,MEEMD,能量熵,多尺度排列熵,multi,scale,permutation,entropy,MPE,故障诊断方法,不同工况,振动信号,本征模态函数,intrinsic,function,IMF,敏感特征,多维特征,特征向量,向量矩阵,径向基函数,radial,basis,RBF,核函数,support,vector,machine,精确诊断,测量精度,精准定位
AB值：
0.200264
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
