典型文献
多传感器数据下基于MFDFA-BP的离心泵空化致振故障分析
文献摘要：
针对单传感器所测数据存在的不全面性及离心泵故障信号的非线性非平稳性等问题,提出多传感器数据下基于多重分形去趋势波动分析法(multi-fractal detrended fluctuation analysis,MFDFA)与 BP(back propagation,BP)神经网络的离心泵空化致振故障分析方法.采用MFDFA法对离心泵5种不同工况下的8类实测信号进行分析,提取多重分形谱特征参数△f、α0、△α、αmin及αmax作为故障特征向量,并结合BP神经网络进行单传感器信号故障诊断,优选识别率较佳的信号拼接构成多传感器特征向量,进而开展多传感器离心泵空化致振故障研究.结果表明:MFDFA法提取的多重分形谱特征参数能准确反映泵的运行状态,其中△f、△α 以及αmax等参数对故障分类效果更好;泵振动、扭矩及电机振动等信号对故障本质的反映更准确;在此基础上形成的多传感器故障诊断模型准确率比单传感器提升了 13％以上,为离心泵不同程度空化故障的状态识别提供了一种新的方法.
文献关键词：
离心泵;多传感器数据;故障诊断;多重分形;去趋势波动分析;BP神经网络
中图分类号：
作者姓名：
梁兴;罗远兴;邓飞;高刚刚;曹寒问
作者机构：
南昌工程学院 江西省精密驱动与控制重点实验室,南昌 330099
文献出处：
引用格式：
[1]梁兴;罗远兴;邓飞;高刚刚;曹寒问-.多传感器数据下基于MFDFA-BP的离心泵空化致振故障分析)[J].振动与冲击,2022(17):238-243,281
A类：
B类：
多传感器数据,MFDFA,离心泵,空化,故障分析,单传,故障信号,非平稳性,多重分形去趋势波动分析,去趋势波动分析法,multi,fractal,detrended,fluctuation,analysis,back,propagation,不同工况,实测信号,多重分形谱,谱特征,max,故障特征,特征向量,传感器信号,识别率,较佳,拼接,多传感器特征,故障研究,故障分类,分类效果,扭矩,电机振动,传感器故障诊断,故障诊断模型,模型准确率,状态识别
AB值：
0.310489
相似文献
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。
